Le big data au service du e-merchandising

Le merchandising en ligne, ou e-merchandising, suit les mêmes règles que le merchandising traditionnel en magasin. En effet, il a pour objectif de proposer le bon produit au juste prix et dans le bon contexte à chaque client potentiel en s’appuyant sur des informations commerciales ou sur des solutions fondées sur les données.

La différence principale, c’est que le e-merchandising peut bénéficier de l’aide du big data, qui est une formidable source d’informations. Par le biais de la collecte, de l’analyse et de l’activation de données, le big data nous permet de prévoir les comportements clients et d’optimiser le merchandising en recueillant des informations issues de plusieurs sources différentes :

• Signaux digitaux : comment les utilisateurs interagissent-ils avec une application ou un site e-commerce, avec ses produits et ses offres ? Combien d’entre eux ont récemment partagé des contenus ou visionné une vidéo de marque ?
• Bases de données CRM : quel est le profil socio-démographique et l’historique des achats de ces utilisateurs ? Appartiennent-ils à un segment de clients en particulier ?
• Caractéristiques produit : quel est l’impact de la disponibilité, du prix et des évolutions saisonnières de chaque produit ?

Malgré cela, les questions commerciales continuent de jouer un rôle essentiel dans la définition d’une stratégie merchandising :

Quels sont les principaux objectifs de notre merchandising ?
Quels sont les KPI les plus pertinents pour en évaluer les performances ?
Quelle approche faut-il adopter concernant notre offre : faut-il mettre en avant les best-sellers, les produits dont la marge est la plus élevée, ou encore ceux dont le stock est le plus important ?
Et les nouveaux produits dans tout ça ?

Toutes ces questions doivent effectivement informer les objectifs commerciaux. Cependant, lorsqu’il s’agit de calculer et de prédire en temps réel la meilleure stratégie pour un merchandising optimal, le cerveau humain peut s’avérer limité, surtout si on le compare aux algorithmes et aux solutions de machine learning.

Voici donc ce qu’une approche fondée sur les données peut apporter concrètement aux e-commerçants.

Recueillir des informations pour informer objectivement les règles du merchandising

Catalogue & sélection de produits

Les responsables marketing savent faire preuve d’intuition et de perspicacité pour prédire certaines tendances en s’appuyant sur des indicateurs clés de performance (Quels sont mes best-sellers ? Quelles sont leurs caractéristiques principales ? Comment trouver d’autres produits similaires pour élargir mon catalogue et garantir des ventes ?). Cependant, le big data peut également calculer et prédire des tendances ou de futurs best-sellers en fonction de l’historique des achats. Il peut aussi former des groupes de produits en tenant compte de schémas observés au sein des données (comme la gamme de prix, la couleur, la taille, le style, la marque…). Pour le cerveau humain, prendre en compte plus de trois dimensions s’avère déjà complexe. Le big data peut quant à lui traiter des données aux dimensions multiples pour segmenter des produits. On évite ainsi les erreurs d’assortiment dues à un simple pressentiment concernant les habitudes des consommateurs.

Pricing & offres spéciales

De la même manière que de nombreux acteurs de l’industrie du voyage pratiquent la tarification en temps réel (ou yield management), il est aussi possible de calculer et d’afficher des offres spéciales sur un site e-commerce : au lieu d’appliquer manuellement une réduction de 30 % sur tous les produits que vous souhaitez déstocker, le big data peut vous aider à prévoir quelle réduction sera la plus efficace pour un produit donné, vous permettant ainsi d’optimiser votre marge, votre chiffre d’affaires ou vos stocks selon les objectifs commerciaux qui sous-tendent l’offre spéciale en question.

Offres localisées

Pour les e-commerçants, il est essentiel de mettre en œuvre une vision internationale tout en préservant aussi certaines spécificités locales. Le big data peut les aider à identifier des groupes de pays où les habitudes d’achats sont similaires afin d’adapter leur stratégie de vente. Il peut également détecter des tendances qui ne sont pas mondiales mais locales, leur permettant ainsi de modifier leur catalogue en conséquence et de recommander certains produits pour des régions ou des villes spécifiques. Ce type d’informations et d’analyses peuvent ainsi être prises en compte bien plus vite que si elles devaient être traitées par un analyste puis validées par un comité avant d’être mises en application. De plus, dans ce second cas de figure, les tendances pourraient avoir changé quatre fois depuis l’extraction des données. La fameuse anecdote sur Netflix est éloquente à cet égard : le géant des médias avait organisé un concours pour déterminer la meilleure façon d’organiser sa liste de films. Grâce à ses connaissances en matière de films, de leurs critiques et de leur genre, un être humain a réussi à battre les algorithmes ! Mais le cerveau humain a atteint ses limites lorsqu’il s’est avéré que la sélection gagnante allait devoir être actualisée régulièrement. En effet, étant donné la rapidité à laquelle les tendances évoluent, le gagnant aurait dû tout recalculer chaque jour, ce qui aurait pris énormément de temps et laissé trop de place à l’erreur…

Segmentation des utilisateurs

Pour un e-commerçant, savoir qui sont ses clients ou ses prospects est également un enjeu crucial. Avec une base de données CRM élémentaire, on peut déjà segmenter sa clientèle en fonction de caractéristiques comme le lieu, le profil socio-démographique, et ainsi de suite. Mais le big data permet en plus d’enrichir cette analyse en prenant en compte des dimensions multiples et des données nouvelles comme le comportement sur site (ou au sein de l’application) et les parcours de navigation, l’historique des achats voire même des données 3rd party pour identifier les grands moments de vie des clients (déménagement, naissance, nouvel emploi, etc.).

Offrir une expérience d’achat optimisée en temps réel

Vous trouverez ci-dessous les deux grands domaines pratiques sur lesquels nous nous concentrons généralement chez 55 lorsque nous exploitons le big data pour améliorer la façon dont nos clients gèrent leur e-merchandising :

Optimiser l’ordonnancement des produits

Sur un site ou une application e-commerce, le classement des produits joue un rôle crucial pour permettre aux visiteurs de découvrir le catalogue du distributeur puis d’atterrir sur une page produit (et avec un peu de chance de faire un achat). De la même manière que le classement des résultats de recherche Google est essentiel, un classement produit optimisé est également un facteur majeur de réussite dans la mesure où les utilisateurs ont tendance à concentrer leurs clics et leur attention sur les premiers résultats figurant en haut d’une liste.
Lorsque vous décidez de l’ordre de présentation de vos produits, il faut toujours respecter au minimum les règles métiers de base : mieux vaut éviter de mettre en avant des produits qui ne sont plus en stock, ou la collection hiver pendant les soldes d’été. Mais en plus de collecter des variables comme les caractéristiques produit, l’historique de navigation ou les données d’achat, il est également possible de combiner tous les « signaux faibles » (ou « soft signals ») liés au comportement des utilisateurs, afin de prédire les interactions. Bien sûr, tous ces signaux et ces données d’entrée pour les algorithmes de machine learning doivent être définis et sélectionnés par un cerveau humain (qui travaille de préférence chez 55) conformément à des objectifs commerciaux donnés. Enfin et surtout, le big data nous permet également de tester des hypothèses, comme par exemple les performances à venir d’un nouveau produit. En plaçant le produit en question en haut des listes, on obtient très vite un aperçu de ses performances inhérentes pour valider l’hypothèse. Chez fifty-five, grâce à notre méthodologie et à nos algorithmes, nous avons aidé un distributeur à augmenter son chiffre d’affaires par visiteur de 4,5 % au premier trimestre 2017.

Personnaliser les recommandations produit

Partons d’un chiffre très simple : 35 % des ventes d’Amazon sont générées par le biais de son moteur de recommandations, qui suggère des produits populaires aux nouveaux visiteurs. Les recommandations produit sont fondamentales dans la mesure où, étant donné la taille généralement conséquente des catalogues e-commerce, il y a peu de chances qu’un visiteur les consulte dans leur intégralité lorsqu’il navigue sur un site ou une application. C’est précisément pour cette raison que lorsqu’un visiteur atterrit sur un site marchand, il est important d’afficher des produits pertinents afin de personnaliser l’expérience d’achat de ce dernier en temps réel, notamment en lui suggérant des produits liés à sa navigation actuelle et passée, aux derniers produits qu’il a consultés, à sa wishlist, au contenu de son panier et à ses achats précédents. Cela ne veut pas dire pour autant que tout le monde va acheter les mêmes produits dans la mesure où, grâce aubig data, nous sommes en mesure de proposer des recommandations personnalisées, c’est-à-dire de dresser des listes uniques de recommandations pour chaque visiteur ou pour chaque segment de visiteurs.

Comme vous pouvez le constater, non seulement le big data permet aux distributeurs d’obtenir des informations précieuses sur leur propre offre ou leur propre stratégie produit et de les analyser, mais cela leur permet aussi d’automatiser leur e-merchandising de manière intelligente afin d’offrir une valeur ajoutée à leurs clients. Les mécanismes de machine learning peuvent compenser le manque d’interactions humaines avec un vendeur sur une interface web, et peuvent même aller encore plus loin grâce à leur capacité de calcul. Ainsi, ce n’est sûrement pas une coïncidence si Early Birds, startup française spécialisée dans le e-merchandising, a appelé l’une de ses solutions prédictives « Personal Shopper ».

Envie de vous lancer dans le machine learning ?
Pour garantir le succès de tout projet de machine learning, voici quelques conseils fondamentaux qui ont fait leur preuve chez 55 :

• Partez des objectifs commerciaux pour construire le projet
• Concevez une architecture solide permettant l’automatisation
• Testez toujours le modèle pour en mesurer la plus-value et accélérer la courbe d’apprentissage
• Mettez en place des alertes en cas de problème
• Anticipez les événements spéciaux qui peuvent avoir un impact sur le modèle : ventes privées, buzz sur les réseaux sociaux (qu’il soit positif ou négatif)