Le 13 Juillet 2016

Commerce prédictif : anticiper les attentes de nos clients pour mieux y répondre

Commerce prédictif : anticiper les attentes de nos clients pour mieux y répondre

Pour satisfaire les clients, quel meilleur moyen que de prédire leurs besoins et leurs envies ? Grâce au « Big Data » — ou ensemble de données collectées — c'est aujourd'hui possible. De plus en plus, nous nous intéressons à ce « commerce prédictif », qui permet d'analyser les comportements de nos clients pour in fine leur proposer le produit ou le service qui leur correspond le mieux.

D’où proviennent les données ?

Dans nos points de vente, nous recueillons les données avant tout grâce aux cartes de fidélité. « Nous disposons d'une riche base de 9,5 millions de porteurs de carte, explique Charles Giannesini, responsable du marketing client de l’enseigne. Nous utilisons surtout les données tirées des historiques d'achats. Le passé aide à anticiper l'avenir. ». Pour les courses en ligne – avec une livraison à domicile ou dans un Drive – les données sont collectées grâce aux commandes des clients et aux formulaires remplis. Notre base e-commerce comporte plusieurs centaines de milliers de comptes client.

En point de vente comme en ligne, les données recueillies sont de trois types : les données clients — avec leurs attributs, leur fréquentation, leurs préférences alimentaires ; les données transactionnelles, qui concernent les commandes passées ; et les données produits, qui varient en fonction des catégories de produits que nous souhaitons mettre en avant - nouveautés, premiers prix, marques propres… « Nous utilisons également des données non structurées, issues des réseaux sociaux ou d'études démographiques, mais dans une très faible proportion pour l'instant », précise Pierre Maertens, Directeur e-commerce multicanal.

Une offre personnalisée

L'objectif principal du commerce prédictif, on l’a dit : cibler au mieux les besoins des clients. « La personnalisation et la contextualisation sont au cœur du commerce prédictif, poursuit Pierre Maertens. Nous personnalisons les assortiments, les produits mis en avant, les promotions… » Grâce au « Big Data », nous pouvons également faire de nouvelles propositions d'achats à partir de recoupements : « Les clients qui ont acheté ce produit ont aussi aimé ce produit ». Le commerce prédictif est un moteur de cross-selling et d'up-selling. Pour Charles Giannesini, « si une partie de nos clients ne consomme pas bio chez nous mais achète peut-être des produits bio ailleurs, c'est à nous de trouver comment les attirer vers ces produits dans notre enseigne. »

Devancer les attentes

À terme, la personnalisation et l'anticipation pourront même permettre de devancer les demandes des clients. « Dans le magasin de demain, nous vendrons un service, plus qu’un produit, poursuit Charles Giannesini. Par exemple, nous pourrons préparer les courses des clients quatre fois par mois, pour un montant donné, en fonction de leurs goûts et y joindre des idées recettes… Les listes de courses rébarbatives n'existeront plus. Et avant qu'un client soit en rupture de couches, nous aurons devancé son besoin. »

Pour en arriver là, les moyens techniques sont fondamentaux. Chez Intermarché, notre équipe e-commerce injecte chaque jour dans notre outil de e-merchandising les données clients, les données transactionnelles et les données produits afin de définir un « scénario » : pour quel client, dans quel contexte, sur quel rayon ? « L'intelligence ne vient pas encore de l'outil, il est paramétré par l'équipe dans une optique de vente particulière, précise Pierre Maertens. Mais c'est un premier pas vers les nouvelles pratiques qui gravitent autour du prédictif et de l'intelligence artificielle. Par ailleurs, nous allons revoir l'ensemble des plates-formes e-commerce et sites de l'enseigne dans les douze prochains mois. Les techniques prédictives seront alors utilisées de façon beaucoup plus poussée. »

Croiser les compétences

Afin d'accélérer le processus, nous avons noué des partenariats, côté marketing clients, mais aussi côté Drive pour optimiser la gestion de nos stocks en entrepôt. Nous discutons également avec des start-ups, qui créent des modèles d'interprétation de jeux de données et des modèles prédictifs. Pour Pierre Maertens, « en fonction de tel historique et de tel événement, nous pourrions grâce à ces modèles prévoir les ventes, les taux de rupture, l'activité des préparateurs Drive… ». Par ailleurs, des travaux de recherche sont initiés avec des universités comme l’Irisa (Université de Rennes) afin d’approfondir la qualité des modèles utilisés.

retour