Commerce prédictif : Big Data, la nouvelle boule de cristal des enseignes de distribution ?

Le Graal de tout commerçant est de pouvoir prédire les futurs achats de ses clients. Or, avec l’explosion de l’offre, la multiplication des enseignes et des canaux de distribution, ce défi devient de plus en plus complexe. L’un des pré-requis pour y parvenir reste la donnée, une ressource « riche » et à portée de main.

Les données, une richesse insuffisamment exploitée par les entreprises
« Les enseignes disposent aujourd’hui de volumes de données croissants de tous types : données structurées (CRM, fichiers excel, etc.) ou non structurées (réseaux sociaux, avis consommateurs, etc.) avec des consommateurs de plus en plus ouverts et disposés à fournir des informations personnelles. Une étude menée par IBV Retail en 2013, révèle d’ailleurs que 90% des gens sont prêts à fournir des informations et à passer jusqu’à 20 minutes pour remplir un formulaire*, à condition qu’ils bénéficient d’un vrai service à valeur ajoutée. Qui n’a jamais donné son numéro de téléphone portable afin d’être averti de l’heure d’une livraison ? Bien que ce ne soit pas le genre d’information que l’on divulgue de prime abord. Or, elles permettent d’avoir un point de contact supplémentaire avec le client.
Malheureusement, ces données restent encore trop souvent inexploitées à l’heure actuelle. Alors qu’en les analysant finement, on sait anticiper les comportements, préférences et besoins des clients. C’est l’analyse prédictive !

Cependant, certaines règles doivent être respectées pour être efficaces. Ainsi, ces données doivent répondre à des prérequis, réunis sous l’appellation des 4V du Big Data, véritable carré gagnant de l’analyse prédictive.

  1. Le Volume
    Pour être significatives, elles doivent être abondantes, un simple échantillonnage n’étant pas suffisamment représentatif. La météo est un exemple parlant : elle est de plus en plus précise car elle s’appuie sur des volumes de données collectées depuis des dizaines d’années.
  2. La Variété
    Les données doivent être hétérogènes en formes et en sources (texte, son, vidéo, etc.) afin d’être croisées. La quantité de données image, vidéo et documentaire a augmenté de 80%, sa prise en compte est donc essentielle pour permettre d’améliorer la satisfaction client. Aujourd’hui, on s’informe auprès de la télévision, la radio, Internet, les réseaux sociaux, etc. L’information est traitée de différentes manières selon les supports, en fonction des angles de lecture adoptés.
  3. La Véracité
    Ces données doivent également être correctes pour une analyse efficace, au risque d’obtenir des résultats et une anticipation faussés. C’est d’autant plus un défi que la variété et le nombre de sources augmentent. Une même personne peut fournir plusieurs adresses email à une même enseigne. Il s’agira alors de déterminer s’il faut dédoublonner ce contact ou si chacune des identités présentées est exploitable pour un même profil.
  4. La Vélocité
    Enfin, ces données doivent être actuelles. En quelques mois ou quelques années, les envies, besoins et priorités changent et évoluent. Ces informations doivent donc être analysées au fur et à mesure qu’elles sont collectées par l’entreprise afin d’en tirer le maximum de valeur. Si une cliente qui portait du M il y a quelques mois, vient à porter du L actuellement, on peut envisager qu’elle attend un heureux événement. Il s’agit bien là d’actualiser autant que possible et de façon pertinente ces informations.

Enfin, ces données sont regroupées selon deux thèmes principaux : les données personnelles (démographiques, comportementales et interactives) et les données transactionnelles (commandes, paiements).

Analyser mais surtout exploiter !
Grâce à l’ensemble de ces éléments qui constituent une vraie richesse pour l’entreprise, on est en mesure de passer d’une analyse classique du marché basée sur l’intuition à une analyse s’appuyant sur des études mathématiques.
Cependant, bien qu’étant une étape essentielle, l’analyse des données ne suffit pas. Il s’agit alors de savoir les traiter et les utiliser à bon escient, pour obtenir de meilleures performances commerciales et améliorer l’expérience client.
La chaîne américaine Target s’illustre parfaitement dans ce domaine. En effet, ses algorithmes étaient tellement efficaces, qu’un couple d’Américains a porté plainte contre l’enseigne car leur fille de 16 ans recevait des coupons pour des produits destinés aux femmes enceintes. Après vérification des mathématiciens, cette jeune fille, d’après son comportement d’achat, était enceinte ou allait rapidement le devenir. Et il s’est avéré par la suite, qu’ils avaient bien raison !
Fort de cet exemple, il ne fait nul doute que le commerce prédictif reste l’un des meilleurs alliés pour faire émerger, avant leur apparition, les besoins des consommateurs ! Mais comment mettre la théorie en pratique pour attirer et conserver le client ? Comment en faire une véritable valeur ajoutée ? Place à l’action

Le commerce prédictif, l’atout pour rendre son enseigne toujours plus performante
Pour cela, il faut analyser et comprendre ces informations volumineuses, variées, véloces et vérifiées, afin de mieux identifier le client fidèle, du prospect et du consommateur potentiel qui n’a pas encore manifesté de l’intérêt pour l’enseigne.
L’analyse des données a pour but d’influer sur les éléments essentiels qui constituent la formule empirique du commerce, à savoir :
« Trafic x conversion x panier moyen x marge – retours ».
Cela va permettre à l’entreprise d’agir, entre autres, sur les 4 leviers de performance que pourront être : le process, le pricing, l’assortiment et la supply chain.

  1. Les process
    Prenons l’exemple de Dell qui a amélioré ses process de marketing direct. L’enseigne avait l’habitude de diffuser largement ses catalogues papier et ses emailings, engendrant des coûts faramineux. Grâce à leur modèle prédictif, Dell a affiné son ciblage et a réduit le nombre de catalogues et d’emailings. Résultats : les leads suivis ont baissé de 50%, pour laisser place à des leads plus qualifiés, dont le chiffre d’affaires a été multiplié par 2 sur la même offre !
  2. L’assortiment
    ShoeDazzle, site de vente en ligne de chaussures, l’a bien compris. Pour accéder au catalogue, il faut d’abord répondre à un questionnaire qui permet à la marque de connaître les goûts, attentes, envies, etc. de chaque client potentiel. Une sélection personnalisée de chaussures lui est ensuite proposée chaque mois, selon le profil déterminé. Le client, qui dispose d’un showroom privé et customisé, se sent alors unique. Résultat : + 10 millions de clients en 2012, passant de 3 à 13 millions en une seule année !
  3. Le pricing
    La célèbre enseigne Zara a eu recours à l’optimisation de son pricing. Grâce à l’analyse de données historiques croisées avec la météo, la localisation du point de vente, les achats, etc. l’enseigne a modulé sa démarque pendant la période des soldes. D’une gestion des soldes basée sur l’intuition, ils ont aujourd’hui recours à un modèle articulé autour d’algorithmes de prédiction et obtiennent ainsi une meilleure ventilation de leur démarque par géographie et par période. Résultat : + 6% sur la marge des produits soldés et + 90 millions de dollars de recette supplémentaires !
  4. La supply chain
    Enfin, lorsque l’on sait que chaque année, 93 milliards de dollars sont perdus à cause des ruptures de stocks**, on comprend pourquoi il est primordial d’optimiser sa supply chain en anticipant les demandes ! En 2012, un important constructeur automobile français en a fait les frais à l’occasion du lancement d’une nouvelle voiture. La marque s’était appuyée sur un historique standard de ventes où figuraient de nombreuses voitures blanches. Or, suite à la campagne de publicité qui mettait en avant un modèle de couleur rouge, la marque a créé un engouement sur les réseaux sociaux et sur son site internet. Elle s’est alors retrouvée confrontée à une demande au-delà de ses prévisions et à une rupture de stock de peinture rouge ! La vision prédictive aurait sûrement aidé dans cette situation.

Le commerce prédictif, vecteur de prouesses !
L’exemple le plus frappant est celui de la chaîne américaine Target. Elle a fait appel à des mathématiciens pour identifier les intentions d’achats de ses clients, en fonction de leurs courses précédentes. Ils ont développé des algorithmes extrêmement précis et ont proposé un modèle à l’enseigne. Target a ainsi envoyé à ses clients, par courrier, des coupons pour des produits définis par le modèle mathématique. Résultat : le panier moyen des clients utilisant ces coupons est passé de 45 à 72 dollars soit une hausse de 60%!
Le commerce prédictif apporte une véritable valeur ajoutée à l’enseigne qui a alors toutes les cartes en main pour attirer, satisfaire et conserver le client ! »

000133039_5Arnaud Naccache,

Directeur associé d’AlizNet, en charge de la BU « Digital Transformation »
AlizNet Group est une société de conseil et de services, spécialisée dans la distribution, la mode et le luxe.

Publicités