Information from the abstract
La transformation numérique du commerce constitue un levier important pour améliorer l’accès à l’information et soutenir la décision d’achat. Dans les marchés locaux encore peu numérisés, les consommateurs rencontrent des difficultés à identifier rapidement les produits disponibles, à comparer les prix et à localiser les points de vente les plus avantageux. Cette problématique est particulièrement visible à Butembo, en République démocratique du Congo, où l’information commerciale reste dispersée et peu structurée. La présente recherche propose une application mobile intelligente capable d’identifier automatiquement des produits à partir d’images capturées par smartphone et d’orienter l’utilisateur vers des offres pertinentes. La solution combine vision par ordinateur, apprentissage profond embarqué, TensorFlow Lite, géolocalisation et recommandation multicritère. MobileNetV2 a été retenu en raison de son compromis entre performance et légèreté sur terminaux mobiles. Les expérimentations menées sur 948 images réparties en 53 catégories montrent une exactitude de 87 %, une précision pondérée de 86 %, un rappel pondéré de 87 % et un score F1 pondéré de 85 %. Ces résultats attestent la faisabilité technique d’un système embarqué de reconnaissance de produits et de recommandation géolocalisée adapté aux environnements à ressources limitées. Ils doivent toutefois être complétés par une étude utilisateur afin de mesurer l’effet réel de l’application sur le temps de recherche, la qualité des décisions d’achat et l’appropriation par les commerçants.
Why this record is monitored
This record has an Impact Signal of 83/100 based on recency, source, collaboration, and bibliographic signals. It prioritizes monitoring and is not a judgment of research quality.
Related topics: Consumer Retail Behavior Studies · Urban and Freight Transport Logistics · Global and Cross-Cultural Management
Thai researcher and institutional participation
Kasoko Kavusa · Assumption University
Data limitations
This page is a bibliographic record based on abstract-level information, not a full analysis or quality assessment. Verify the DOI and original article before citation.