News & Insights > Insights > Piloter l’assortiment en magasin par la donnée, pour réduire les coûts et augmenter la fidélité client
 

  •  By Nizar Fawal

Si la donnée a toujours été une ressource essentielle pour nourrir différentes activités des entreprises, le machine learning et la data science apportent désormais une nouvelle dimension à ce type de pilotage. C’est dans la segmentation client/prospect, notamment, que les progrès sont les plus flagrants. En effet, cette technique a de nombreux usages : construire l’image d’un nouveau produit, engager et fidéliser les clients, générer des leads… mais aussi une utilité logistique ! Les acteurs de la grande distribution, en particulier, ont de plus en plus recours aux données pour piloter l’assortiment « produit » de leurs différents points de vente. Jusqu’alors, cette tâche était effectuée par les responsables de magasin sur la base de l’historique des ventes et de leur connaissance personnelle de leurs clients. Cette méthode quasi-empirique comporte pourtant des biais pouvant entraîner des coûts importants. Cependant, l’Intelligence Artificielle permet de dépasser ces biais et de fournir aux responsables de magasin des prédictions plus fiables sur les attentes propres à leur zone de chalandise.

 

Une tâche basée sur l’empirisme, qui comporte de nombreux biais

Les managers de magasin doivent presque quotidiennement décider de la composition de leur assortiment de produits, c’est-à-dire ce qu’ils devront avoir en stock pour remplir leurs rayons et pour répondre aux besoins de leurs clients. Cette tâche est ardue, tant il y a de paramètres à prendre en compte. Pourtant, elle est encore bien souvent opérée sur la base de l’historique des ventes dans un magasin, ou encore de la connaissance client du gérant. Si les données des ventes générées sur une année - voire sur plusieurs années - sont une bonne base pour constituer un assortiment « produits », elles ne sont pas suffisantes pour être totalement fiables.

D’une année à l’autre, la météo peut être tout à fait différente (épisode de canicule, de neige), les jours fériés peuvent être propices ou non aux « ponts », les fêtes peuvent se produire un week-end ou en pleine semaine, une équipe sportive très suivie localement peut se qualifier ou non pour une grande compétition... ce qui peut transformer les habitudes de consommation dans une zone de chalandise. A plus long terme, des changements plus profonds peuvent s’opérer. Par exemple, depuis le début de la pandémie de COVID-19, la fréquentation des magasins de proximité a augmenté au détriment de celle des plus grandes surfaces. Un quartier peut subrepticement se gentrifier ou se paupériser et donc voir les habitudes de consommation de ses habitants évoluer. Au fil des années, une zone principalement habitée par des familles va devenir un quartier principalement occupé par des seniors, etc. Autant de critères à prendre en compte, parfois en temps réel, pour prédire quels produits vont être achetés dans les prochains jours et à quel rythme les clients vont les racheter. Une mission quasi-impossible à effectuer sans erreurs par un humain seul.

Pourtant, les approximations en matière d’assortiment ont d’importantes répercussions ! Commander plus que l’on ne vend entraîne des coûts de stockage, voire des pertes lorsqu’il s’agit de produits périssables. Il faut également ajouter à ces coûts ceux qui ont été nécessaires à la production, l’acheminement et la manutention des produits. A contrario, en cas de rupture de stock, les clients, frustrés de ne pas trouver en rayon un produit important de leur liste, risquent de faire l’ensemble de leurs courses dans une autre enseigne… et peut-être d’y prendre goût définitivement !

 

L’Intelligence Artificielle pour assister les responsables magasins

Plus haut, nous constations que prendre en compte les centaines de critères déterminant les besoins des consommateurs n'était pas possible pour un humain seul. C’est toutefois le cas s’il est assisté d’une intelligence artificielle ! En effet, celle-ci permet de bâtir des modèles prédictifs basés sur les milliers de données générées par l’ensemble des magasins d’une même enseigne.

Au préalable, les différents magasins sont catégorisés en fonction de critères différenciants comme leur localisation (centre-ville ou péri-urbain), leur surface, les services qu’ils proposent (parking, drive…), leur environnement (près de bureaux, d’écoles, etc.). Ces paramètres vont permettre de déterminer à quelle typologie de consommateurs ces points de vente s’adressent. En parallèle, les produits proposés par l’enseigne sont eux-mêmes catégorisés pour correspondre aux différents profils de clients et à leurs préoccupations : prix, bio, plats-préparés, lot/grand contenant, services. Enfin, il faut tenir compte des mix produits les plus courants. Par exemple, si certaines marques ou gammes de pâtes à pizza et de sauce tomate  sont toujours achetées ensemble, il faut impérativement proposer ces combinaisons dans le même magasin pour ne pas risquer de perdre le panier entier d’un consommateur ! 

 

A partir de cette cartographie, l’algorithme va rapprocher les magasins en fonction de leurs similarités : ce qui est demandé et acheté dans le magasin A, doit probablement l’être dans un magasin répondant aux mêmes critères. C’est ainsi qu’un assortiment type peut être proposé à tous les managers de magasins “jumeaux”. Et pour que ces recommandations soient fiables sur le long terme, des données externes y sont ajoutées, telles que les données calendaires ou la météo, par exemple. 

La data science vient résoudre une question fondamentale du métier de distributeur : proposer un assortiment au plus juste, sans sur ou sous-stockage. S’il s’agit en premier lieu de réduire les coûts, cette méthode vient aussi répondre à des objectifs de développement durable - puisque moins de produits sont jetés - et de fidélisation clients. D’une part, parce qu’un client qui trouve tout ce dont il a besoin au même endroit est un client qui revient, d’autre part parce qu’un manager soulagé en grande partie de son travail sur l’assortiment va pouvoir consacrer plus de temps à la relation client !

  • Insights
  • Data

Poursuivez votre
lecture

Découvrez l'offre Smart BI

Découvrez comment moderniser vos outils de reporting pour réussir votre transformation data