digital

Le Big Data dans le retail

Les opportunités et les possibilités offertes par le Big Data dans le commerce de détail, en particulier dans les cinq dimensions principales des données – les données relatives aux clients, aux produits, au temps, au lieu et au canal. Une grande partie de l’augmentation de la qualité des données et des possibilités d’application provient d’un mélange de nouvelles sources de données, d’une application intelligente des outils statistiques et de la connaissance du domaine combinée à des idées théoriques.

Lire également Analyse des Big Data en retail : 6 erreurs à éviter

Expériences intégrées en ligne et hors ligne

Selon certaines estimations, Walmart collecte environ 2,5 pétaoctets (1 pétaoctet = 1 million de gigaoctets) d’informations chaque heure sur les transactions, le comportement des clients, la localisation et les appareils. Un cabinet d’analystes informatiques Gartner estime qu’il y aura 20 milliards (13,5 milliards dans le secteur de la consommation) d’appareils connectés dans l’Internet des objets (IoT). Imaginez la quantité de données qui seront générées par ces appareils. Imaginez un jour où les données de la vente au détail en ligne et hors ligne fourniront une vue complète du comportement d’achat des clients, et encore mieux si les données sont reliées au niveau du client individuel pour permettre des calculs de la « vraie » valeur à vie du client.

Imaginez un jour où les données que l’on pensait n’exister que dans la vente en ligne, par exemple les données sur le parcours du consommateur, existent à l’intérieur du magasin grâce à la RFID et à d’autres technologies de suivi par GPS. Imaginez un jour où des expériences intégrées en ligne et hors ligne seraient menées et fourniraient des variations permettant d’inférer des causes sur des sujets importants du marketing et de la vente au détail, tels que l’efficacité du courrier électronique, des coupons, de la publicité, etc. Imaginez un jour où les données de suivi oculaire ne seront pas seulement collectées en laboratoire à partir de moniteurs, mais sur le terrain grâce à des dispositifs de balayage rétinien intégrés dans les étagères.

Aussi futuristes que ces sources de données puissent paraître, elles existent toutes aujourd’hui (même si elles ne sont pas omniprésentes) et feront bientôt partie des informations que les spécialistes du marketing (au sein et en dehors de la distribution) utilisent pour comprendre le client et optimiser l’entreprise. D’un point de vue simple et heuristique, ces sources de données ajouteront des « colonnes » à nos bases de données (et beaucoup de colonnes !) qui permettront de mieux prévoir le comportement des clients et les implications du marketing sur celui-ci. Maintenant, ajoutez à cela la technologie (c’est-à-dire le suivi des adresses IP, le suivi des cookies, la connexion des utilisateurs enregistrés, l’utilisation des cartes de fidélité, pour n’en citer que quelques-unes) qui permet aux entreprises de collecter ces données auprès de millions de clients, à chaque instant, liées à chaque transaction, liées à chaque point de contact au niveau de l’entreprise, et liées à travers les plateformes de distribution, et nous avons le big data qui envahit la presse populaire aujourd’hui.

Si l’attrait du big data est tentant, la révolution du big data est en réalité une révolution du « mieux-disant », notamment dans le commerce de détail. Ce cadre reflète la définition de l’analyse commerciale qui comprend l’analyse descriptive, l’analyse prédictive et l’analyse prescriptive.

Les sources du big data dans le retail

Il est possible d’exploiter les vastes flux d’informations dans un espace à cinq dimensions, à travers les clients, les produits, le temps, l’emplacement géo-spatial et le canal.

1. Clients

Lorsque la plupart des gens pensent au big data, ils pensent à des ensembles de données comportant de nombreuses lignes, et ils ont raison. Les technologies de suivi ont permis aux entreprises de passer des analyses de données agrégées, qui dominaient les études d’efficacité marketing lorsque les données étaient limitées, à des analyses de données au niveau individuel qui permettent un ciblage beaucoup plus granulaire. En fait, on pourrait dire que l’une des grandes missions d’une entreprise est d’augmenter le nombre de rangées (via l’acquisition de clients, c’est-à-dire plus d’identifiants uniques) et plus de transactions par client avec une plus grande valeur monétaire. Dans le commerce de détail, la capacité de suivre les nouveaux clients et de relier les transactions dans le temps est essentielle. La fidélisation, très répandue aujourd’hui, est la forme la plus courante d’un tel suivi ; toutefois, les cartes de crédit, les adresses IP et les identifiants d’utilisateurs enregistrés sont également monnaie courante. Outre un plus grand nombre de rangées, les entreprises disposent également de bien meilleures mesures concernant chaque rangée, ce qui, dans le commerce de détail, peut inclure un lien entre les données relatives aux transactions des clients provenant d’un système de gestion de la relation client, les données démographiques provenant des informations relatives aux cartes de crédit ou aux cartes de fidélité, les données d’enquête liées à l’adresse électronique et les informations relatives aux visites en magasin qui peuvent être suivies de diverses manières. Si l’on inclut les données des médias sociaux et, plus largement, le contenu généré par les utilisateurs, qui peut être suivi jusqu’au comportement individuel, les données relatives aux clients deviennent alors extrêmement riches et nuancées.

2. Produits

En marketing, les informations sur les produits ont été et seront probablement toujours définies par un ensemble d’attributs et de niveaux pour ces attributs qui définissent le produit. Cependant, dans l’environnement riche en données d’aujourd’hui, nous constatons une expansion des informations sur les produits sur deux dimensions.

  • Tout d’abord, ces informations peuvent être disponibles aujourd’hui pour des centaines de milliers d’UGS dans le magasin, ce qui fait que l’ensemble de données sur les produits comporte beaucoup de lignes.
  • Deuxièmement, la quantité d’informations sur chaque produit ne doit pas nécessairement être limitée à un petit ensemble d’attributs, ce qui augmente la largeur des colonnes de la matrice d’informations sur les produits.

Les informations sur les produits selon ces deux seules dimensions (au niveau du magasin) peuvent permettre une multitude d’analyses en aval – comme celle des primes de marque, ou des similitudes de produits et donc des structures de regroupement et des limites de sous-catégories. Ainsi, les détaillants disposeront de matrices d’informations sur les produits qui seront à la fois dynamiques et beaucoup plus descriptives, permettant une plus grande variation des variétés de produits qui sont micro-ciblées vers les consommateurs. En outre, étant donné qu’un plus grand nombre d’attributs et de niveaux peuvent être recueillis pour chaque produit, les détaillants pourront mieux comprendre des produits qui n’ont jamais été modélisés auparavant (par exemple, les biens d’expérience), parce qu’ils comportaient trop d’attributs, ou des attributs difficiles à mesurer, pour permettre une représentation parcimonieuse.

3. Temps

Si les grands ensembles de données décrits dans les parties « client » et « produit » ci-dessus peuvent sembler importants, imaginez la troisième dimension – le « temps » – qui multiplie littéralement la taille de ces données. En effet, alors que les analyses historiques dans le commerce de détail ont porté sur des données agrégées au niveau mensuel, voire hebdomadaire, les données dans le commerce de détail d’aujourd’hui sont accompagnées d’un horodatage qui permet de mesurer en continu le comportement des clients, l’assortiment de produits, les ruptures de stock, les présentations en magasin et les environnements, de sorte que supposer que quelque chose est statique est au mieux une approximation. Imaginons par exemple qu’un détaillant essaie de comprendre comment le fait d’accorder une remise ou de changer l’emplacement d’un produit modifie le flux de clients dans le magasin, combien de temps les clients passent à un emplacement donné, ce qu’ils mettent ensuite dans leur panier et dans quel ordre ? Une base de données qui contient les mouvements des consommateurs en magasin liés à leurs achats pourrait désormais répondre à cette question en raison de la dimension temporelle qui a été ajoutée. En outre, en raison de la nature continue du flux d’informations vers un détaillant, les décisions quotidiennes historiques concernant les niveaux de stock, le réapprovisionnement, les commandes, etc. ne sont pas assez granulaires et les solutions en temps réel directement liées aux systèmes de point de vente et à la base de données de CRM sont désormais plus accessibles.

4. Localisation

La célèbre citation selon laquelle il faut « délivrer le bon message au bon client au bon moment » n’a jamais été aussi vraie qu’à l’ère du big data. En particulier, les deux premiers éléments (« le bon message » et « le bon client ») occupent une place importante dans la littérature sur les tests de copie, les plans expérimentaux et le marketing personnalisé depuis au moins 40 ans. Cependant, la possibilité d’utiliser l’emplacement spatial du client à un moment donné a ouvert une toute nouvelle voie pour les détaillants, où l’emplacement géospatial du client pourrait avoir un impact sur l’efficacité du marketing, changer l’offre à faire, déterminer à quelle profondeur de marketing faire une offre, pour ne citer que quelques exemples. Lorsque la localisation géo-spatiale du client est également liée à la base de données CRM d’une entreprise, les détaillants peuvent débloquer une valeur énorme où l’historique d’achat d’un client est alors lié aux produits qu’il côtoie physiquement pour permettre un hyper-ciblage au niveau le plus granulaire. Toutefois, bien que cet hyperciblage soit certainement attrayant et qu’il permette de maximiser les revenus à court terme, les détaillants devront tenir compte des effets boomerang potentiels et éthiques que de nombreux clients ressentent lorsque les produits sont hyperlocalisés.

5. Circuit de distribution

Ce siècle a vu une augmentation définitive du nombre de canaux par lesquels les consommateurs accèdent aux informations sur les produits, l’expérience, l’achat et l’après-achat. Par conséquent, les consommateurs ont tendance à se livrer à des « achats de recherche », c’est-à-dire à accéder à des informations par un canal tout en achetant par un autre. Cela a conduit à des efforts pour collecter des données provenant de multiples points de contact (c’est-à-dire de différents canaux). La collecte, l’intégration et l’analyse de ces données omnicanales sont susceptibles d’aider les détaillants de plusieurs manières :

  • comprendre, suivre et cartographier le parcours du client à travers les points de contact ;
  • évaluer l’impact sur les bénéfices ;
  • et une meilleure allocation des budgets marketing aux canaux, entre autres.

Conscientes que la collecte d’informations et l’achat proprement dit peuvent avoir lieu à des moments différents, et que les consommateurs ont souvent besoin d’aide pour prendre leurs décisions d’achat, les entreprises ont commencé à expérimenter des idées relativement nouvelles comme le Showrooming – dans lequel le client fait des recherches dans les canaux hors ligne et achète en ligne, et le Webrooming – dans lequel le comportement du client est inverse.