cookieArray ( [wp-wpml_current_language] => fr ) Array ( [wp-wpml_current_language] => fr )

Introduction

La data science est l’art de collecter, combiner, analyser et modéliser des données (quantitatives et qualitatives, continues et discrètes) afin d’en déduire des règles de gestion clés, des algorithmes prédictifs ou des enseignements à intégrer dans ses processus métiers. Souvent le recours à ces approches d’analyse se justifie à cause de la volumétrie de données importante à traiter et/ou de l’hétérogénéité des données et des sources exploitables (ERP, fichiers bureau-tiques, progiciels métiers, données issues des réseaux sociaux).

Par essence, le secteur du luxe et par extension le retail génèrent un volume (maille possible :
client x point de vente) et une diversité de données de natures différentes, parfois complexes,
à recouper sur plusieurs dimensions (typologie clientèle, canaux de distribution, animations
commerciales/marketing, articles de ventes et PLV*, données des concurrents, informations
macro-économiques pays etc.).
La structuration et l’exploitation de ces données sont cependant déterminantes pour affiner et
cibler sa stratégie commerciale, calibrer son offre produits en fonction des attentes/spécificités
clients mais aussi mieux organiser ses opérations.

Adapter son réseau de points de vente et ses canaux

La collecte de données associées aux réseaux de points de vente actuels va permettre de
proposer des regroupements cohérents en isolant des comportements clients homogènes
(segments de points de vente) sur des axes pertinents : localisation, typologie zone commerciale, pression concurrentielle locale, typologie de points de vente, CA et/ou croissance par rayon, panier moyen, nature clientèle, etc., le tout en supprimant les critères corrélés à d’autres, ou sans impact notable.

L’analyse de performance ventes/stocks sur ces regroupements permet également :
• De qualifier les spécificités géographiques et régionales : performance produits (couleur,
modèle, palettes tailles), corrélation assortiment et qualité du stock ;
• De qualifier le profil de clients des points de vente ou des canaux : local vs tourisme, âge
moyen, pouvoir d’achat ;
• De quantifier les effets marketing par regroupement de points de vente : typologie et impacts
d’une opération commerciale par exemple.

Cibler son offre produits et affiner son assortiment

La revue des performances des articles et du croisement de leurs caractéristiques (hiérarchie
produits, modèle, couleur, matière, collection, etc.) permet également d’affiner la construction
de l’assortiment en l’adaptant selon les canaux de ventes (distributeurs, boutiques internes,
e-commerce) mais aussi sur des regroupements plus fins (comme des segments de points de
vente pour les réseaux de boutique et distributeurs).

Par ailleurs les approches utilisées servent également à repérer, isoler et utiliser les corrélations
entre :
• Les produits entraînants des ventes croisées (parures/set, couleurs, accumulations) ou des
cannibalisations entre références proches ;
• La largeur de l’assortiment (nombre de références présentées) et sa profondeur (nombre de
pièces ou tailles disponibles par référence) et le niveau des ventes générées par cet assortiment ;
• La performance des produits par famille en fonction des caractéristiques des points de
vente : merchandising, trafic, zone de chalandise, etc.

Mieux calibrer la demande prévisionnelle et les stocks à la maille fine dans son réseau

Dans le luxe, où la demande est souvent à la fois très faible au regard de la largeur d’assortiment
présentée et à la fois très volatile, il est primordial de pouvoir fiabiliser les calculs de projection
de ventes qui seront exploités par les Opérations pour dimensionner les besoins en stock, l’outil
industriel interne et la chaîne de sous-traitance.

Des simulations peuvent être alors entreprises pour tester plusieurs mailles d’agrégation et de
construction de la prévision (selon les axes produits, géographiques et/ou canaux). L’analyse de
plusieurs scénarios de regroupement sur un historique passé et un périmètre produit représentatif (plusieurs centaines ou milliers d’articles) permet de qualifier la pertinence de certains scénarios afin de gagner en fiabilité et en précision.
L’enjeu est alors de définir correctement le niveau d’agrégat produit que l’on souhaite optimiser
et à quelle fin (fiabilisation des besoins à la région, dimensionnement d’un stock central, etc.).

L’intégration des données de sell-out pour les distributeurs ou des données issues des réseaux
sociaux peut renforcer encore la qualité et la précision des prévisions de vente.

Le dimensionnement des stocks dans le réseau, et en particulier dans les boutiques, présente
également de nombreuses difficultés compte tenu souvent des volumes de ventes très faibles.
L’utilisation des ventes prévisionnelles (ou passées), des budgets ou du poids relatif des points
de vente permet de déterminer de façon optimale le stock de chaque référence à mettre dans
chaque boutique.

Sans passer par une approche normative classique (limitée face à la faible volumétrie), ces
croisements permettent d’obtenir une représentativité suffisante (stratégie merchandising,
nombre de tailles, etc.) pour assurer les ventes en boutiques.

Mettre à disposition les bons outils et l’expertise métier nécessaire à leur exploitation

Ces approches analytiques s’appuient généralement sur deux types d’outils :

• Des outils d’analyse, de consolidation et de modélisation de données (type Dataiku) qui ont
l’avantage de pouvoir intégrer un volume conséquent d’enregistrements (plusieurs millions ou
dizaines de millions de lignes), de compiler des données de sources hétérogènes, de simuler
plusieurs règles de gestion et d’isoler les plus pertinentes (avec le support ou non de Machine
Learning) ;
• Des outils de visualisation dynamique et interactive (type PowerBi) qui permettent d’illustrer
de façon simple et explicite des corrélations et des analyses croisées (ex : lien assortiment boutiques et panier moyen) en redonnant du sens métier aux chiffres exploités (ex : attentes personnalisation ou sophistication produits).

L’impact et la valeur ajoutée de ces outils sont proportionnels à l’implication d’experts métiers et
business permettant d’aiguillonner les analyses sur les bons sujets et de calibrer les modélisations et simulations au contexte.

AUTEURS

 

Fabrice Payet

Senior Manager

digital.france@argonandco.com

Plus d’articles