MARGO

Actualité

La Data Science appliquée au monde du retail : les 10 use-cases incontournables

L'utilisation du Big Data est un avantage compétitif dans le retail

Par Youssef Bennani Senior Data Scientist

18/05/2018

La Data Science impacte de plus en plus les business models dans toutes les industries, et notamment dans la vente de détail. Selon IBM, 62% des détaillants déclarent que l’utilisation de techniques relatives au Big Data leur donne un sérieux avantage compétitif. Savoir ce que veut votre client et à quel moment est aujourd’hui à portée de main grâce à la data science. Pour cela il suffit d’avoir les bons outils et les bons processus en place pour les utiliser. Nous présentons dans cet article 10 applications essentielles de la data science au domaine du retail.

 

Offrir une expérience client plus intelligente

Un consommateur attend des entreprises qu’elles anticipent ses besoins, qu’elles disposent des produits qu’il souhaite et qu’elles communiquent avec lui en temps réel. Afin de répondre aux attentes de ses clients, le centre commercial Mall of America qui est le deuxième plus grand complexe commercial des États-Unis a collaboré avec IBM pour fournir un chatbot nommé E.L.F. Ce chatbox accompagne les visiteurs du vaste complexe en créant des itinéraires de shopping personnalisés et en proposant la bonne expérience-client en fonction des besoins de chacun d’entre eux.
Cette personnalisation passe aussi par le fait d’offrir des incitations sur le point de vente avec des récompenses de fidélité ou des promotions. Les données personnelles qui sont collectées permettent également d’envoyer du publipostage ciblé à ses clients pour booster les ventes.
Avec ce type de techniques, les détaillants ont la possibilité de combiner les résultats de données clients à des données de niveaux de stock ou de promotions de prix, pour déterminer quels produits sont en vente dans chaque magasin. Cela garantit que les produits présentés correspondent aux habitudes d’achats des clients de chaque site.

 

Utiliser les réseaux sociaux pour prévenir la tendance

En tant que détaillant, si vous n’écoutez pas les médias sociaux vous manquez une foule d’informations gratuites et potentiellement précieuses qui peuvent vous aider à repérer les tendances.

Nordstrom, un détaillant de luxe, a maîtrisé l’exploitation du Big data pour fusionner des expériences online et offline. Ainsi, l’équipe marketing de Nordstom suit les réseaux Pinterest, Instagram et Twitter afin d’identifier les produits les plus tendances. Elle utilise ensuite ces données pour promouvoir les « bons » produits dans ses magasins physiques. En plus de cela, Nordstrom héberge des écrans tactiles interactifs dans les vestiaires pour permettre aux clients de commander des produits et de voir leurs stocks en ligne.
Cet appui sur les réseaux sociaux utilise principalement de la donnée non structurée. L’utilisation du traitement automatique du langage (NLP) pour extraire des informations des médias sociaux et l’apprentissage automatique, pour donner un sens à ces derniers, peuvent donner à l’entreprise un avantage sur la concurrence. Il faut cependant trouver le juste équilibre en exploitant ce genre de données afin de gagner la fidélité de la clientèle tout en respectant son intimité.

 

Intégrer la réalité augmentée

Depuis 2010, TopShop, entreprise multinationale spécialisée dans la vente de vêtements, expérimente de nouvelles technologies pour intégrer la réalité augmentée dans son expérience de vente. Les magasins phares ont des cabines d’essayage virtuelles où les clients peuvent choisir des vêtements, pour voir à quoi ils ressemblent en les portant, sur un écran. Cela épargne au client le temps et l’effort d’essayer les vêtements eux-mêmes.
Le géant suédois de l’intérieur IKEA a présenté la reconnaissance d’images et la réalité augmentée pour la première fois lors de la présentation de son catalogue 2013. Les clients pouvaient parcourir le catalogue avec leurs appareils mobiles pour mettre en évidence les produits qui les intéressaient, et à partir de cela, la marque offrait un contenu numérique personnalisé et des critiques pour les informer de leur achat. La marque a également utilisé la technologie de reconnaissance d’image, avec laquelle les clients peuvent numériser des articles de catalogue et les placer virtuellement dans leur propre maison pour voir à quoi cela ressemble. Ils peuvent ensuite sélectionner les couleurs et les tailles qui fonctionnent le mieux dans l’espace, sans avoir à aller acheter le produit. Cela a permis aux lecteurs du catalogue de faire des achats éclairés, et donc d’accroître la satisfaction de la clientèle et réduire ainsi le nombre d’articles retournés.

 

Booster les moteurs de recommandation

Il a été rapporté que plus de 35% de toutes les ventes d’Amazon sont générées par leur moteur de recommandation. Le principe est assez basique : en se basant sur l’historique des achats d’un utilisateur, les articles qu’il a déjà dans son panier, les articles qu’il a notés ou aimés dans le passé et ce que les autres clients ont vu ou acheté récemment, des recommandations sur d’autres produits sont automatiquement générées.
La recommandation est l’un des cas d’utilisation classiques de la Data Science dans le commerce de détail. La mise en place de modèles d’apprentissage automatique sur des données historiques peut conduire à des plans de recommandations à la fois précis et efficaces.

 

Path to Purchase

Analyser la façon dont un client est venu faire un achat est un autre outil du retail qui peut-être amélioré par la Data Science.
Alors que les responsables du marketing étudient depuis de nombreuses années les techniques du chemin vers l’achat (Path to Purchase), l’avènement de la Data Science permet de tirer le meilleur parti de ce type d’analyse. La montée du marketing multicanal dans le commerce de détail et la vente omnicanale créent un grand nombre de voies différentes que les clients peuvent emprunter pour acheter un produit.
Des outils d’apprentissage automatique peuvent contribuer à comprendre les habitudes d’achats des clients et se concentrer sur ce qui fonctionne exactement dans le monde réel.

 

Analyser les tickets d’achats

L’analyse du panier de consommation est une technique standard utilisée par les détaillants pour déterminer quels groupes de produits les clients sont susceptibles d’acheter ensemble. C’est un processus classique d’un point de vue business, mais qui est désormais automatisé grâce à la Data Science.
Les capacités de stockage des données, qui augmentent de plus en plus, permettent d’analyser un volume plus important de tickets et d’avoir ainsi une meilleure confiance dans les analyses.

 

Gestion de l’immobilier

La data science peut aussi aider les grands détaillants à optimiser leurs dépenses en matière de gestion de l’immobilier. Ainsi, analyser des données relatives aux différents équipements d’un bâtiment (la maintenance préventive) peut faire éviter des pannes catastrophiques. Une mise en œuvre d’un apprentissage automatique dans le cadre de la maintenance prédictive en plus d’un recours aux données historiques permet d’obtenir des modèles qui s’améliorent au fil du temps tout en réduisant les coûts associés. Les détaillants peuvent également économiser beaucoup d’argent en utilisant la Data Science pour analyser leur consommation d’énergie. La Data Science nous aide dans ce cadre non seulement à établir un budget, mais aussi à rechercher des améliorations dans des propriétés particulièrement gourmandes en énergie comme peuvent l’être les centres commerciaux.

 

Optimiser les prix

Avoir le bon prix sur un produit peut faire la différence entre faire une vente et perdre un client. Mais quel est le bon prix? Les détaillants qui abordent cette question avec des outils Big Data peuvent avoir un avantage sur ceux qui ne le font pas.
Dans de nombreux cas, établir le bon prix nécessite de savoir ce que vos concurrents facturent. Ces données peuvent être collectées électroniquement en utilisant des algorithmes qui explorent les site Web des concurrents pour obtenir des informations détaillées sur les prix des produits.

 

Maximiser l’inventaire

Les cycles de vie des produits qui s’accélèrent de plus en plus et les opérations qui deviennent de plus en plus complexes obligent les détaillants à utiliser la Data Science pour comprendre les chaînes d’approvisionnement et proposer une distribution optimale des produits.
Optimiser ses stocks est une opération qui touche de nombreux aspects de la chaîne d’approvisionnement et nécessite souvent une coordination étroite entre les fabricants et les distributeurs. Les détaillants cherchent de plus en plus à améliorer la disponibilité des produits tout en augmentant la rentabilité des magasins afin d’acquérir un avantage concurrentiel et de générer de meilleures performances commerciales.
Ceci est possible grâce à des algorithmes d’expédition qui déterminent quels sont les produits à stocker en prenant en compte des données externes telles que les conditions macroéconomiques, les données climatiques et les données sociales. Serveurs, machines d’usine, appareils appartenant au client et infrastructure de réseau énergétique sont tous des exemples de sources de données précieuses.

 

Détecter les fraudes

La fraude est un énorme problème dans le retail. Cela représente des sommes colossales perdues chaque année. Les détaillants se tournent vers la Data Science pour avoir l’avantage.
La data science peut aider les détaillants à créer des prévisions des ventes de référence au niveau de chaque produit. Si un produit s’écarte sensiblement de cette fourchette, cela pourrait indiquer une certaine activité “louche”.
La fraude commise par les employés peut être difficile à arrêter. Mais avec la puissance de la Data Science, les contrôleurs peuvent être en mesure de créer plus de transparence dans les activités internes.

 

Conclusion

Ces utilisations innovantes de la Data Science améliorent réellement l’expérience client et ont le potentiel de dynamiser les ventes des détaillants. Les avantages sont multiples : une meilleure gestion des risques, une amélioration des performances et la possibilité de découvrir des informations qui auraient pu être cachées.
La plupart des détaillants utilisent déjà des solutions liées à la Data Science pour augmenter la fidélisation de la clientèle, renforcer la perception de leur marque et améliorer les scores des promoteurs. Comme la technologie continue d’avancer, une chose est certaine : la Data Science a encore beaucoup à apporter dans le monde du retail !


Par Youssef Bennani Senior Data Scientist
Data
DataScience
Machine Learning
Retail
Actualité

Mener à bien un projet data : une route encore semée d'embûches

En 2020, les investissements des entreprises dans les projets data devraient dépasser les 203 milliards de dollars au niveau mondial. Mais à l'heure où beaucoup se revendiquent être des Data Driven Companies, nombre de projets data se soldent encore par un échec.

15/10/2018 Découvrir 
Actualité

Tutoriel : Quelques bases en python pour la prédiction de séries temporelles

Dans ce tutoriel, nous introduisons quelques concepts élémentaires en séries temporelles afin de pouvoir effectuer “rapidement” des prédictions de valeurs futures sur des données temporelles. Loin d’être exhaustif, ce premier tutoriel présente quelques outils de base en Python permettant d’effectuer de premiers traitements. Le code permettant de retrouver ces résultats est ici : https://gitlab.com/margo-group/public/SeriesTemporelles.

11/09/2018 Découvrir 
Actualité

Kaggle Challenge : Ad Tracking fraud detection pour TalkingData

TalkingData est la plus grande plateforme indépendante de services Big Data en Chine, couvrant plus de 70% des appareils mobiles actifs dans tout le pays. Ils traitent 3 milliards de clics par jour, dont 90% sont potentiellement frauduleux. Afin de garder une longueur d'avance sur les fraudeurs, ils se sont tournés vers la communauté Kaggle pour obtenir de l'aide dans le développement de leur solution. Le sujet du challenge : créer un algorithme qui prédit si un utilisateur va télécharger une application après avoir cliqué sur une annonce d'application mobile.

31/05/2018 Découvrir 
Actualité

Introduction aux Chatbots avec Dialogflow

DialogFlow est un très bon outil pour apprendre à créer des Chatbots qui pourront ensuite être intégrés dans vos propres sites web ou applications. Dans cet article, je commencerai par introduire quelques notions sur Dialogflow et les Chatbots, puis je vous expliquerai comment créer simplement un Chatbot sur cette plateforme.

07/05/2018 Découvrir 
Actualité

Introduction aux systèmes réactifs

Les systèmes réactifs sont un style d’architecture permettant à de multiples applications individuelles de se fondre en une seule unité, en réagissant à leur environnement, tout en restant conscientes les unes des autres. La première formalisation de ce terme a vu le jour avec la création du « Reactive Manifesto » en 2013 par Jonas Boner qui, en rassemblant certains des esprits les plus brillants dans l’industrie des systèmes distribués, souhaitait clarifier la confusion autour de la réactivité (qui est devenu un « buzz-word ») et construire une base solide pour un style de développement viable.

04/05/2018 Découvrir 
Actualité

Mise en place d'une plateforme centralisée de gestion des logs avec la suite Elastic

Les cas d’usage de la suite elastic sont nombreux. Nous citons à titre d’exemple la correction d’un dysfonctionnement applicatif par la récupération des erreurs explicites (exception, message d’erreur ..etc) et le suivi de la charge d’une application (mémoire consommée, CPU ..etc), ce qui permet d’avoir une vision globale de la production. De même au niveau métier, il est possible d’exploiter la suite pour valider une chaîne de workflow par l’extraction des données spécifiques et leurs analyses.

04/05/2018 Découvrir