Après une étape dominée par le branding et la RSE, l’objectif actuel des retailers est de maximiser le ROI des actions de marketing pour écouler le stock accumulé pendant les mois de fermeture, ainsi que pour communiquer les nouveaux lancements à un consommateur qui a adopté de nouvelles habitudes d’achat. Dans l’environnement en ligne, qui revêt désormais une importance stratégique, les applications de data science dans les e-commerces du secteur retail tentent depuis longtemps d’optimiser l’efficacité des magasins en ligne, d’automatiser les processus et d’améliorer l’expérience de l’utilisateur pour qu’elle se traduise par un maximum de ventes.
Application de data science dans le secteur retail
Bien que des enquêtes telles que la Big Data and AI Executive Survey 2019 menée par NewVantage Partners aient indiqué que seul 30 % des entreprises aux États-Unis se considéraient comme étant data-driven, la crise déclenchée par la pandémie de SRAS-CoV-2 a accéléré la transformation digitale. Les retailers opérant dans des environnements en ligne et appliquant déjà des techniques de data science ont un avantage concurrentiel en période de crise. Nous examinons ci-après trois des applications les plus importantes :
1. Gestion des prix avec une approche basée sur les données
Gérer la politique des prix en s’appuyant sur des insights réels plutôt que sur l’intuition est un outil précieux pour stimuler les ventes lors des périodes creuses et tirer parti des augmentations de la demande pendant les pics d’activité. Ceci est possible à condition que le retailler soit en mesure d’unifier ses données en fonction de caractéristiques communes et sans exclure aucun canal de vente.
Avec cette classification initiale, où les données sont stockées dans des data lakes, traitées et utilisées pour alimenter des modèles de machine learning, il serait possible de :
- Personnaliser la politique de remise ou de prix en fonction de l’utilisateur : l’analyse des données est chargée de détecter des modèles communs et d’identifier des groupes de clients en fonction de leur comportement en ligne antérieur et de leur historique d’intérêts et d’achat. Il est ainsi possible de concevoir une stratégie de promotion très bien adaptée aux types d’utilisateurs rencontrés et, par conséquent, offrant une plus grande probabilité de conversion.
- Définir les prix par segments : dans ce cas, le catalogue de produits et de services ainsi que le prix sont fixés en tenant compte de segments d’audience plus larges. Une option serait d’avoir, par exemple, des prix standardisés pour la majorité des utilisateurs, mais aussi d’intégrer une autre stratégie avec des remises plus agressives visant les clients dont le moteur d’achat est exclusivement le prix ou, d’autre part, d’inclure des offres premium avec des services ou des caractéristiques spéciales pour ceux qui recherchent une sécurité supplémentaire.
2. Recommandations personnalisées d’« upselling » et vente croisée en e-commerce
L’une des grandes références dans ces techniques de data science est Amazon et son algorithme avancé pour montrer des recommandations aux utilisateurs du marketplace. Dans ce sens, les modèles de machine learning les plus implantés sont conçus pour :
- Proposer une version améliorée du produit choisi (upselling).
- Recommander d’autres produits liés à l’article acheté comme, par exemple, un ballon de fitness avec sa pompe à air.
- Suggérer des articles que des utilisateurs similaires ont achetés en même temps. Il s’agit d’un phénomène très courant dans les e-commerce de mode, où l’objectif est de stimuler la vente d’outfits complets.
L’avantage de l’utilisation du machine learning pour gérer ces recommandations est que l’on gagne en efficacité vu qu’il n’est pas nécessaire de réaliser des centaines de tests A/B pour prendre des décisions : c’est l’algorithme lui-même qui détermine les produits à afficher à chaque utilisateur de manière personnalisée. Pour ce faire, le modèle est soumis à un entraînement préalable, c’est-à-dire qu’il est nécessaire de classer les données au préalable et de définir des caractéristiques qui relient les articles entre eux. Après leur implémentation, ces algorithmes affinent la sélection des recommandations et l’optimisent de manière constante. Ils deviennent très précis, car ils sont alimentés par un historique de données de plus en plus large qui leur permet d’analyser en détail les réactions des utilisateurs face aux suggestions présentées.
3. Les modèles d’attribution avancés avec machine learning
La complexité des parcours d’achat des utilisateurs dans le secteur retail s’est accrue en raison de la mise en œuvre d’une stratégie omnicanale dans laquelle les frontières entre las actions en ligne et hors ligne s’atténuent, de l’augmentation du nombre de plateformes de vente et de l’apparition de nouveaux environnements publicitaires tels que TikTok. En marketing, l’analyse du buyer’s journey a toujours fait l’objet d’étude, mais jusqu’à présent il n’avait pas été tracé avec un niveau de précision aussi élevé. Et ceci se doit aux modèles d’attribution avancés avec machine learning.
Les modèles d’attribution qui fonctionnent avec le machine learning permettent de radiographier le comportement en ligne de l’utilisateur à tout moment. Pour ce faire, ils intègrent les données recueillies sur des plateformes externes (par exemple, celles provenant de campagnes publicitaires de différents canaux) et des informations provenant du site lui-même. Sur la base de ce scénario réaliste, il est possible de contrôler la rentabilité de chaque canal, de redistribuer les budgets ou d’évaluer l’efficacité du réseau d’affiliés. Un autre avantage de ce type de modèle d’attribution est sa capacité à détecter les clics frauduleux.
La data science : une source de certitude pour les retailers
Prendre les bonnes décisions est devenu crucial pour la survie de nombreux retailers, qui tentent de se frayer un chemin dans un environnement de consommation profondément marqué par l’incertitude. C’est pourquoi les retailers qui appliquent ces techniques de data science dans leur e-commerce auront une longueur d’avance sur leurs concurrents puisqu’ils pourront enrichir l’expérience en ligne de leurs utilisateurs et disposer de toutes les informations nécessaires pour réagir de manière flexible et rapide face aux changements.
