Ysance - Your Data in Action

    Intelligence artificielle (IA) pour les retailers : retours d'expérience pour surfer sur un océan de data

    [fa icon="calendar"] 05/02/19 11:04 / par Aurélien Bénard

    Blog big data

     

    Vous n’avez pas fini de l’entendre, l’IA se révèle de plus en plus comme l’un des meilleurs leviers de réduction des coûts et de génération de nouveaux revenus réalisés sur l’ensemble de la chaîne de valeur, transformant le marketing, le merchandising et jusqu’à la supply chain. Avec le machine learning ou l’analytics, ces technologies continuent de révolutionner le monde du retail et des points de vente tel que nous le connaissons.


    En effet, en permettant de déployer des applications comme la recommandation personnalisée de produits, la détection d’intentions d’achats, la prédiction de ventes ou encore l’optimisation de la tarification, les algorithmes d’IA aident à identifier en temps réel les tendances de marché, à repenser la relation client et à anticiper le comportement des consommateurs à chacun des moments clés de la customer journey.


    Mais si la valeur de ces technologies pour les entreprises n’est aujourd’hui plus à démontrer, ces solutions d’IA sont très gourmandes en données, et les alimenter efficacement peut se révéler délicat… Les retours d’expériences des pionniers de l’IA dans le retail nous renseignent sur les grandes typologies de problèmes rencontrés. Voici un petit tour d’horizon de quelques problèmes récurrents, accompagné de conseils pour réussir le déploiement d’un moteur de recommandation personnalisée de produits, par exemple, ou la mise en œuvre de solutions concrètes comme la détection d’intentions d’achats, la prédiction de ventes ou encore l’optimisation de la tarification en temps réel.

     

    RÉCONCILIER UN OCÉAN DE DATA.

    La première typologie de problèmes rencontrés est la grande volumétrie des données. Certaines enseignes se sentent tout simplement dépourvues, submergées face à de gros volumes de données. Elles ne savent alors ni de quelle manière consolider leurs datamarts, ni comment répondre à leurs problématiques business.
    En tout premier lieu, l’étape de réconciliation des données clients apparaît comme fondamentale, car sans réconciliation, pas de maîtrise possible et surtout pas de vision client unifiée. Faire appel à une équipe de Data Scientists semble souvent indiqué pour mettre en place une solution de réconciliation – adaptée et conçue pour la gestion de grands volumes – comme le Référentiel Client Unique (RCU).


    Parfois – toujours en vue d’exploiter un maximum de données disponibles – ce référentiel s’accompagne d’une phase préalable d’exploitation des données non structurées telles que les posts sur les réseaux sociaux. A partir de réseaux de posts, il est possible de trouver les pôles d’influence ainsi que des règles comportementales apprises après extraction des graphes d’informations.
    Rappelons simplement qu’une fois que toutes ces volumineuses données sont réconciliées (données d’achats du client, des programmes de fidélité, données socio-démographiques, de transactions, de navigation online, données exogènes…), les applications possibles sont multiples :

    • Le choix du meilleur canal de communication. Rappelons que le canal mobile pour l’envoi de SMS est souvent recommandé pour améliorer le taux de transformation.
    • La personnalisation. Beaucoup de retailers voient la personnalisation des emails améliorer les ventes online et en magasin de manière très conséquente.
    • Le ciblage commercial sur mesure. On peut obtenir jusqu’à 5-7% d’économie dans les investissements médias uniquement en excluant certaines typologies de clients.
    • Le ciblage L’utilisation de profils clients récents pour cibler des profils en tous points similaires. Cette technique assez simple peut booster les taux de conversion jusqu’à +240% en comparaison avec une campagne standard.

     

    VALORISER. ENRICHIR. RÉCOLTER.

    La seconde typologie de problèmes est liée à la valorisation des données. Passer l’étape de la réconciliation, encore faut-il avoir une idée de la manière de valoriser ses données, de leur trouver le ou les meilleur(s) moyen(s) de les enrichir. La question de la valorisation se pose plus particulièrement avec les données non structurées, et nous sommes ici au cœur des compétences cibles d’un Data Scientist.


    Il est fondamental d’exploiter le maximum des données existantes pour consolider une vision client à 360 degrés. Il existe heureusement différentes techniques. Le feature engineering, le croisement des variables et le scraping sont des techniques reconnues qui permettent de procéder à l’enrichissement des données.


    Le feature engineering et le croisement des variables permettent généralement de calculer de nouveaux indicateurs pertinents pour améliorer la performance des résultats d’un algorithme. Le scraping quant à lui est une technique d’extraction de contenus web qui permet d’enrichir la base de données avec des variables exogènes, comme les données des réseaux sociaux.
    Ces méthodes sont actuellement fondamentales pour consolider une vision client en temps réel. A titre d’exemple, le croisement des données démographiques, de localisation et des réseaux sociaux permet à des équipes comme celle de Ysance de déterminer avec précision les déclencheurs d’achats, c’est-à-dire pour quelles raisons, comment et à quel moment les clients ont été amenés à acheter.
    Cet enrichissement vient doper les algorithmes d’IA qui seront d’autant plus efficaces que les données seront riches, et d’autant plus à même de parfaire la plupart des processus industriels, comme par exemple les problèmes de logistique. Citons cette application qui a permis de faire de la prévision de rupture de stocks… sans données sur les stocks (!), mais simplement en travaillant sur d’autres ensembles de données de l’entreprise réconciliées et enrichies. La mise en œuvre d’une solution de supply chain optimisée par l’IA a rendu possible l’enrichissement du datamar d’entrée avec plusieurs dizaines d’indicateurs permettant un meilleur pilotage dans l’activité de gestion des stocks en magasin.

     

    En résumé, il y a principalement un double enjeu autour de l'IA dans le secteur du retail. Il s'agit d'abord de réconcilier les parcours online et offline des clients pour proposer des expériences toujours plus ciblées. Ensuite, il est question de libérer les équipes des activités chronophages afin qu'elles puissent se consacrer aux tâches les plus utiles telles que la satisfaction des clients.

     

    Big Data Paris 2018

     

    avec le témoignage de 

    L'OccitaneRetrouvez Ysance au congrès Big Data Paris les 11 et 12 mars prochain stand A42 et ne manquez pas :

    • Lundi 11 mars à 16h00 : Notre workshop "Solutions de Machine Learning as a Service (MLaaS) et Intelligence Artificielle (IA)
    • Lundi 11 mars à 16h40 : La conférence plénière avec le témoignage de Gabriel Gorge de L'Occitane : "Mise en place d'un Data Hub Big Data dans le Cloud permettant de mieux comprendre les comportements clients"

    Réservez votre pass pour Big Data Paris 2019

     

    Thèmes : Ysance, Data Scientist, Machine Learning, Data Scientist, Data Services, Big Data

    Aurélien Bénard

    Par Aurélien Bénard

    Lead Data Scientist

    S'abonner au blog