Posts in Retail & Marketplace

Comment publier le catalogue produit parfait sur les marketplaces ?

mai 20th, 2020 Posted by Retail & Marketplace 0 thoughts on “Comment publier le catalogue produit parfait sur les marketplaces ?”

Pour un commerçant, pouvoir multiplier ses points de ventes est essentiel à la croissance de son organisation. Et avec l’importance de la vente en ligne, les marketplaces deviennent incontournables. La Fevad annonçait en 2019, que les 5 sites les plus visités en France sont des marketplaces (Source : Fevad 2019, les chiffres-clés de l’e-commerce). Aujourd’hui de nombreuses places de marché existent en B2C, C2C et on constate un essor des marketplaces B2B. Beaucoup de retailers choisissent de maximiser le potentiel de croissance en étant présents sur plusieurs marketplaces en plus de leur site ecommerce, et parfois leur réseau physique. Et vous avez beaucoup à y gagner ! 

 

Cependant, avant d’enregistrer vos premières commandes, vous allez devoir mettre en ligne votre catalogue produit. Et cette étape décisive est plus complexe qu’elle n’y paraît. Nous vous proposons dans cet article de faire une revue des difficultés pour avoir le catalogue parfait pour les marketplaces et quelques outils pour vous aider dans cette mission.

 

1- Qu’est ce qu’un catalogue parfait pour les marketplaces et pourquoi ? 

 

Cette question soulève plusieurs axes de réponse. En effet, chaque marketplace a ses propres exigences et a une structure propre. La structure d’une marketplace – ou d’un site ecommerce – se définit par les catégories et les attributs. Vous comprenez donc que la définition du catalogue parfait varie d’une place de marché à l’autre. Nous verrons un peu plus loin les difficultés que cette diversité de définition implique. Néanmoins, si on devait donner une définition générale cela pourrait être un catalogue dont les catégories et les attributs sont entièrement et correctement renseignés

 

Les catégories correspondent aux familles de produits ou services. Elles peuvent comporter plusieurs niveaux en fonction de la profondeur de l’offre. Les attributs présentent les caractéristiques qui aident à détailler l’offre au sein d’une catégorie, par exemple la taille, la couleur, la matière. 

 

Pourquoi les marketplaces veulent des catalogues parfaits de leurs vendeurs ? Pourquoi avez-vous intérêt à travailler votre catalogue produits pour les marketplaces ? 

L’organisation du catalogue – les catégories et les attributs – constitue le squelette de la marketplace et présente trois enjeux principaux. 

 

  • Le premier enjeu est de fluidifier l’expérience utilisateur. Les catégories représentent l’arborescence sur site, comme un fil d’ariane. Il est donc important qu’elles guident les internautes dans leurs parcours d’achats tout en offrant une navigation intuitive. Si un internaute perd du temps à se repérer, alors il ne fera pas d’achat. 

 

  • Le deuxième enjeu se concentre sur l’expérience de recherche. Les attributs font la base des critères utilisables dans le moteur de recherche. Une recherche facilitée et pertinente permet d’accélérer la prise de décision et l’acte d’achat. 

 

  • Le troisième enjeu se situe sur le SEO (Search Engine Optimization). Vous pouvez favoriser votre référencement naturel en améliorant les titres et contenus de vos pages catégories avec un choix de mots-clés pertinents, en créant un maillage adapté, et enfin en nommant correctement vos photos. 

 

Votre intérêt de vendeur à construire le catalogue parfait pour les marketplaces est principalement de réduire votre time-to-market (le temps de mise en ligne de vos produits) et d’optimiser votre taux de conversion et votre chiffre d’affaire.

 

2- Les difficultés du catalogue parfait pour les marketplaces

 

Si vous avez un catalogue avec une quantité restreinte de produits et une faible rotation, alors ce travail ne devrait pas représenter une trop grande difficulté. En revanche, si vous avez un grand nombre de produits et que vous en ajoutez régulièrement (dans la mode par exemple), alors le travail sera potentiellement titanesque. 

 

Au-delà des différences dans la catégorisation entre chaque marketplace, vous aurez aussi à prendre en compte la différence de nomenclature. En effet, comme ça, on se dit qu’un pull bleu sera assez simple à intégrer dans plusieurs marketplaces. Pourtant, vous serez confronté (si cela n’est pas déjà le cas) à différentes exigences pour nommer l’attribut couleur de ce produit, certaines auront simplement bleu, d’autres auront bleu clair / bleu foncé et puis encore d’autres auront une nomenclature plus fine avec du bleu ciel / bleu turquoise / bleu marine / etc. Et cela est valable pour tous les attributs, pour tous vos produits, pour tous vos catalogues et pour toutes les marketplaces. Les marketplaces peuvent se réserver le droit de refuser des produits s’ils ne correspondent pas à leurs exigences. 

 

Vous vous rendez donc vite compte que lorsque vous avez beaucoup de produits avec un cycle de vie court à mettre en ligne sur plusieurs marketplaces, la mise en ligne peut prendre plusieurs semaines. C’est un manque à gagner non négligeable à la fin de l’année. Nous vous alertons sur le fait que les catalogues produits sont des données délicates à manipuler et vous invitons à lire notre article à ce sujet. 

 

3- les outils pour un catalogue parfait pour les marketplaces

 

Si en arrivant à ce niveau de notre article, ce travail de traitement et mise en ligne des catalogues peut vous apparaitre comme titanesque, ne vous inquiétez pas. Il existe des outils pour vous aider à traiter les catalogues produits, nous allons faire ici un rapide éventail. 

 

Le data cleaning et le data management 

 

Les solutions de data management rassemblent toutes les informations de vos produits et font le lien entre différents systèmes de gestion de produits, mais ne les modifient pas en masse automatiquement. Typiquement, les Product Information Management (PIM) (par exemple Akeneo ou Quable) et les Master Data Management (MDM) (par exemple Tamr ou Talend) peuvent vous permettre de gérer vos données. 

D’autres solutions utilisent l’Intelligence Artificielle pour automatiser le nettoyage de vos données, comme UNiFAi, avec lesquelles vous pouvez traiter en masse automatiquement vos données de produits avant de les envoyer à des gestionnaires de flux ou directement dans les marketplaces. 

 

Les gestionnaires de flux 

 

Ces outils gèrent les opérations de génération et d’exportation de flux produits vers plusieurs marketplaces. Cela vous offre une mise en ligne rapide et conforme aux critères exigés par les différentes plateformes. Parmi les plus connus sur le marché français, vous trouverez Lengow, Iziflux ou ChannelAdvisor.

 

Les agences spécialisées 

 

Il existe aussi des agences e-commerces spécialisées dans la mise en ligne de catalogues sur les marketplaces. Selon les cas, elles peuvent se charger des shootings photos, de la publicité, et vous aider dans la mise en place des services fulfillment des places de marché. Pour n’en citer que quelques unes, vous avez TheAgent, TheOtherStore ou encore Shop&Cow.

Nous n’avons vu ici qu’une partie des outils à la disposition des commerçants pour réussir sur les marketplaces. 

 

Pour conclure, 

Vous l’avez compris, si vous êtes commerçant, les marketplaces sont un véritable atout pour le développement de votre entreprise. La multiplication de votre présence sur plusieurs places de marché peut devenir un véritable enfer si vous avez une grande quantité de produits et un renouvellement régulier de votre catalogue. La difficulté principale réside dans la gestion des catégories et attributs qui réduit votre time-to-marché et votre taux de conversion. 

 

Nous vous conseillons d’utiliser des outils pour vous aider à traiter vos données produits automatiquement mais aussi pour envoyer vos flux directement et simplement. 

Si vous voulez réduire votre temps de traitement, nous vous proposons de demander un audit gratuit avec Maximilien Baudry, CSO-cofondateur d’UNiFAi et docteur en Intelligence Artificielle. Il vous suffit de nous envoyer un email à contact@unifai.fr 

 

Les catalogues produits : des données délicates à manipuler

mai 14th, 2020 Posted by Data Science, Intelligence artificielle, Retail & Marketplace 0 thoughts on “Les catalogues produits : des données délicates à manipuler”

S’il y a bien une tâche au quotidien qui donne des insomnies à beaucoup de gens qui travaillent dans le domaine du retail, c’est le nettoyage de catalogues de produits. En effet, les personnes en charge de la qualité des catalogues produits – que ça soit au sein d’une marketplace, d’un distributeur, d’une marque ou d’une agence – sont confrontés à ce problème de qualité de données au sein de leur catalogue, et sont souvent amenés à devoir rectifier, nettoyer, enrichir leur catalogues de produits.

 

Bien que la tâche semble anodine, elle est d’une traître complexité à résoudre et souvent les tâches de nettoyage se font à la main et prennent énormément de temps. La complexité réside dans la nature hétérogène propre aux données de produits, mais également dans la variété de problèmes que l’on peut rencontrer en manipulant des catalogues de produits.

 

Cet article a pour but de mettre en exergue les raisons qui font que les tâches de nettoyage, et donc d’amélioration de la qualité des données de produit, sont complexes à résoudre et font que certains projets peuvent prendre plus de temps que prévu.

Introduction

La qualité des données de produit constitue une des clés les plus importante pour gérer des données de produits. En effet, des données de produits de bonne qualité permettent de construire de belles fiches produits, bien renseignées, précises et complètes. Lorsque l’on fait de la vente en ligne, c’est une composante essentielle pour bien vendre ses produits. Un produit bien décrit et détaillé, ça inspire confiance, on sait ce que l’on achète sans pour autant avoir vu le produit, et cette relation de confiance est essentielle pour éviter les mauvaises surprises lors de la réception du produit.

 

Plusieurs éléments constituent la chaîne de qualité de la donnée de produit, parmi lesquels on retrouve les données manquantes, les champs incorrects (mal remplis) ou encore les fiches produits doublonnées. 

 

Ces problématiques de qualité de données sont en général instigatrices de grands chantiers dont les gestionnaires de catalogues de produits sont responsables. Cette volonté forte d’automatisation de la chaîne de qualité de la donnée est motivée par un besoin de contrôle sur la vie de la donnée au sein d’une marketplace, mais également d’un besoin d’efficacité. 

 

En effet, le quotidien des gestionnaires de catalogues est trop souvent ponctué de travail manuel de vérification, de nettoyage et d’enrichissement, dont l’exécution est rébarbative et longue. L’automatisation de ces tâches permettrait au responsable de catalogue d’améliorer davantage la qualité de ses fiches produits, d’intégrer plus de catalogues, et surtout les intégrer beaucoup plus vite. 

 

Néanmoins, l’automatisation de la mise en qualité des fiches de produits n’est pas chose aisée, et est souvent très coûteuse en interne. Deux raisons à cela : la nature des données de produits et le type d’erreur rencontré. 

Particularité des données de produits

Les données de produits sont difficiles à manipuler car il s’agit d’un type de données bien particulier, qui est un mélange de données structurées (en général un tableau excel de valeurs, qui regroupe les catégories de produits et certains attributs propres aux produits) et de données non-structurées (des photos, des descriptions ou des catégories en texte libre). 

 

Il est assez rare de retrouver ce genre de données mixtes dans d’autres applications. On pourra citer notamment les données médicales, pour lesquelles on a en général des données d’imagerie associées à des données structurées, mais en règle générale c’est une caractéristique plutôt propre aux catalogues de produits.

 

Les méthodes pour traiter des données structurées et des données non-structurées sont fondamentalement différentes, et c’est là qu’intervient une des difficultés de travailler avec des données de produits. Certains acteurs sont très bons pour travailler avec des données non-structurées, et parmi ceux-ci, on distingue même souvent une distinction de spécialisation entre l’analyse d’images et l’analyse de texte (car les méthodes de traitement de ces deux types de données sont également bien distinctes). D’autres acteurs, sont spécialisés dans l’analyse de données structurées, et là encore, les méthodes d’analyse et les problèmes techniques rencontrés ne sont pas les mêmes.

Les images

L’analyse d’image est une discipline bien connue des data scientists, et consiste à extraire un certain nombre d’informations à partir d’images ou de photographies. Les méthodes d’analyse d’images consistent pour la plupart à décomposer l’analyse de l’image sur des parties très localisées de l’image, afin d’en déduire des associations de formes et de couleur et donc une disposition spatiale de l’image en termes de contenu (objets dans l’image par exemple). 

 

Les photographies des produits contiennent en général une grande quantité d’information sur le produit, notamment on peut déterminer sa catégorie principale ses sous-catégories en fonction de la nomenclature interne de classification, mais également déterminer précisément la couleur du produit et toutes les déclinaisons qui en découlent. 

 

Mettre en place un système d’analyse d’image pour un catalogue de produit permet de compléter automatiquement certains attributs des produits (par exemples, la catégorie, les sous-catégories, les couleurs, certaines caractéristiques techniques, etc.), et donc c’est un gain de temps notable comparé à l’exécution manuelle de la tâche.

 

Néanmoins, bien que l’intelligence artificielle permette de modéliser précisément certaines choses, il faut toujours garder en tête que ce n’est pas une baguette magique, et qu’on ne peut pas créer d’information. Ainsi, si l’information n’est pas présente dans les données, alors il ne faut pas s’attendre à ce qu’un modèle d’intelligence artificielle le fasse, car ça sera la déception à coup sûr.

L’analyse des descriptions des produits

L’analyse de texte consiste à extraire des informations cibles contenues dans un texte (souvent un texte libre), typiquement une description dans le cadre d’une fiche produit. Ce type de modélisation, dont les architectures à l’état de l’art permettent d’extraire des éléments assez subtils dans du texte, peut s’avérer utile lorsque les fournisseurs ne renseignent pas entièrement les catégories de leurs produits, et ne donnent qu’une brève description du produit.

 

Toutefois, ce type de modélisation est en général assez lourd à mettre en place, et est coûteux à entraîner (au même titre que les modèles d’analyse d’images). En règle générale on préfèrera mettre en place des modèles moins complexes, qui certes peuvent laisser passer quelques erreurs ou ne pas détecter autant de subtilités, mais qui vont chercher la bonne information rapidement, quitte à prévoir une boucle de rétroaction avec le gestionnaire de catalogue une fois en production.

 

Là encore, attention, comme tout modèle d’intelligence artificielle, on ne peut pas créer d’information. C’est à dire que si les descriptions des produits ne sont pas suffisamment exhaustives en termes de contenu, alors ce n’est pas la peine d’attendre d’un modèle de classification qu’il trouve l’information là où elle n’est pas.

L’analyse des catégories de produits

 

Les données structurées sont des données qui, comme leur nom l’indique, possèdent une structure, c’est à dire qu’on peut les ranger dans un joli tableau excel avec des colonnes bien définies et clairement nommées. Ce type de données est en général le plus rencontré, peu importe le secteur d’activité de l’entreprise, et contrairement à ce que l’on peut penser, ce ne sont pas les données les plus faciles à traiter

 

En effet, les problèmes de qualité de données les plus souvent rencontrés portent sur ce type de données. Valeurs manquantes, mal renseignées, partiellement renseignées, certains champs au mauvais endroit, autant de problèmes que l’on a déjà tous rencontré au moins un fois, et on en passe. 

 

Paradoxalement, les données structurées sont sans doute le format le plus important pour traiter des données de produits, étant donné que la plupart des systèmes de gestion de données de produit (Product Information Management, PIM) utilisés par les marketplaces sont conçus sur un schéma de données structurées. Et donc, pour que l’intégration d’un catalogue de produit sur une marketplace s’effectue correctement, chaque champ du catalogue doit être correctement renseigné, ce qui est assez lourd à construire, tant pour les marques que pour les marketplaces et tous les acteurs intermédiaires comme les agences ou les intégrateurs de flux.

 

Ainsi, le nettoyage et l’enrichissement d’un catalogue de produits prend du temps et nécessite souvent des interactions entre les fournisseurs et les intégrateurs. Cela a donc un coût non-négligeable, ce qui renforce l’intérêt d’une automatisation (au moins partielle) du nettoyage de catalogues de produits.

Quels problèmes rencontre-t-on dans des catalogues de produits ?

Des problèmes de qualité de données, on peut en trouver autant que l’imagination le permet. Les données de produits sont particulièrement sujettes à des problèmes de qualité. Ceci est principalement causé par le fait que les catalogues de produits sont en général des agrégats de plusieurs catalogues de marques, et donc sont la résultante d’un savoureux mélange de processus de gestion de données bien distincts. En effet, il n’y a pas de raison qu’un fournisseur A emploie les mêmes règles de remplissage de son catalogue qu’un fournisseur B. 

 

Plus généralement, ce genre de problème de qualité de données intervient lorsque les entreprises travaillent avec des données qui proviennent de sources multiples et hétérogènes. Par exemple, une marketplace doit gérer les données de plusieurs marques (fournisseurs) distinctes, au même titre qu’un CRM est alimenté par plusieurs canaux de communication (un formulaire de contact, une entrée en contact via LinkedIn, parmi tant d’autres).

 

Les données de produit sont particulièrement sujettes à des problèmes de qualité, et à cela s’ajoute une particularité propre aux données de produits : le caractère hétérogène, à la fois au niveau du contenu (une grande variété de produits différents, et les articles de mode ne se traitent pas de la même façon que les articles de bricolage), mais aussi au niveau du type de donnée (des images, du texte libre et beaucoup de catégories). 

 

Cet article passe brièvement en revue les trois problèmes de qualité de données les plus rencontrés lorsque l’on doit gérer des catalogues de données de produits.

Les champs manquants

Ce n’est pas prendre un grand risque que de dire qu’aucun gestionnaire de catalogue produit n’a reçu du premier coup un fichier de produits où tout était à sa place, sans aucun élément manquant. Les données manquantes sont probablement le problème le plus rencontré dans la gestion des catalogues de produits. 

 

Les raisons qui conduisent à ce phénomène s’expliquent en partie par le fait que le nombre de champs à remplir (catégories, sous-catégories, les descriptions en plusieurs langues, les caractéristiques techniques, etc.) est souvent élevé et très exhaustif. Par ailleurs, ce travail de remplissage de données de produits doit souvent répondre à une norme bien précise (qui dépend en général de la marketplace ou du retailer), et les fournisseurs (les marques) doivent compléter ce genre de fichier pour toutes les normes, ce qui est potentiellement rébarbatif.

 

L’imputation (le remplissage) de données manquantes est une tâche délicate qui dépend de la nature du phénomène qui a conduit au non-remplissage du champ, et qui est souvent négligée par les méthodes standard d’imputation qui utilisent l’intelligence artificielle. Néanmoins, dans le cadre du remplissage d’un catalogue de produit, les raisons qui conduisent au non-remplissage ne dépendent en général pas de la nature du produit, et donc l’intelligence artificielle permet de compléter efficacement les champs manquants à partir des éléments à dispositions (les images, les descriptions et les caractéristiques renseignées). 

 

Attention toutefois à l’excès d’enthousiasme, il faut que l’information figure dans les données renseignées pour que ce genre d’approche fonctionne, il n’existe pas de modèle magique qui crée de l’information.

Les champs incorrects

Ahhhh les champs incorrects quelle douleur ! Oui, vous en avez déjà vu, c’est certain. Des tailles de vêtement rangées dans la colonne du prix, des matériaux rangés dans la colonne des codes barres, on pense qu’on a tout vu jusqu’à ce qu’on découvre une nouvelle anomalie dans les champs.

 

Techniquement parlant, on parle ici de détection d’anomalies (valeur aberrante). Les manières de détecter ce genre d’anomalies sont assez standards, c’est à dire qu’on va regarder chaque champ un par un, et on va regarder les produits pour lesquels la valeur du champ en question n’est pas cohérente avec le reste des produits. 

 

Par exemple, on va analyser pour chaque ligne les valeurs renseignées dans le le champ “taille” (pour des données de mode), et lever une alerte s’il y a une incohérence, comme par exemple un prix en euro dans le champ “taille”, là où tous les autres champs valent soit une taille lettrée (S, M, L, XL, etc.), soit une taille chiffrée normé (38, 40, 42, etc.). 

 

Détecter ce genre d’anomalies équivaut à entraîner un modèle de machine learning à :

  • comprendre la nature de chaque champ dans le fichier de produit,
  • détecter les anomalies au sein des valeurs d’un même champ, conditionnellement à la nature du champ et à la nature du produit.

Ce dernier point est crucial car une anomalie dépend également de la nature du produit. Par exemple, la taille d’une cravate est souvent exprimée en centimètres, là où la taille d’une chemise est exprimée en lettres (S, M, L, …) ou en chiffre. 

 

Ainsi, la détection d’anomalies est une tâche qui nécessite qu’un modèle ait une compréhension fine du catalogue de produit et des éléments qui le constitue.

Les produits en doublons

Parmi les problèmes fréquemment rencontrés dans la gestion des catalogues de produits, on pourra citer le problème des fiches produits en doublons. Deux fiches produits sont considérées comme étant des doublons si elles réfèrent au même modèle de produit et à la même marque

 

Ce genre de phénomène est gênant car cela réduit drastiquement l’expérience utilisateur des visiteurs du site de vente en ligne. En effet, lorsqu’un utilisateur cherche un produit en particulier sur un site, il ne s’attend pas à avoir sous les yeux des copies d’un même produit. Ce n’est pas clair pour l’acheteur si les produits sont les mêmes ou non, et donc le taux de conversion est naturellement plus bas, car dans le doute l’utilisateur va acheter le produit ailleurs.

 

Corriger les doublons dans un catalogue de produit peut paraître simple, mais cela soulève quelques difficultés que l’on n’a pas tendance à identifier avant de se lancer. En effet, il peut arriver que certains fournisseurs disposent de plusieurs déclinaisons d’un même produit (par exemple avec des finitions légèrement différentes, quelques accessoires en plus, etc.). Ces déclinaisons présentent souvent des attributs communs (comme les photographies, les descriptions et la plupart des caractéristiques), ce qui a tendance à rendre le dédoublonnage difficile (les différences étant subtiles, l’information est difficile à identifier). A contrario, certaines fiches produits doublonnées (même modèle, même marque) peuvent présenter quelques différences, notamment dans la description ou encore dans le titre, et pour autant référer au même produit.

 

Il faut donc construire un modèle capable de faire la part des choses entre les petites différences que peuvent comporter les fiches produits, et leurs similarités. Ce juste milieu est compliqué à construire sans un a priori métier fort, c’est pourquoi il est souvent nécessaire de prévoir une boucle de rétroaction avec des gestionnaire de catalogues, pour ré-entraîner régulièrement le modèle à bien détecter les produits présents en doublons.

En conclusion

La qualité des données de produits a une influence forte sur la vitesse d’intégration et de mise en ligne des catalogues de produits. Cela représente un coût, en général un coût humain car les choses sont souvent faites à la main, et c’est le point de départ de nombreux projets de création de référentiels produits unifiés (RPU). 

 

Les données de produits présentent une particularité que l’on retrouve rarement ailleurs : elles ont des types de données multiples, avec des données non-structurées (les images, les descriptions), et des données structurées (les caractéristiques, les catégories, le tout rangé dans un tableur Excel).

 

Certains acteurs sont spécialisés pour travailler sur un type particulier de données, et très peu de solutions existent pour traiter l’ensemble de la chaîne de qualité de la donnée. Attention également avec les solutions basées sur des données non-structurées : en général les approches sont basées sur du Deep Learning, et les coûts d’entraînements et de maintenance sont en général plus élevés.
N’hésitez pas à nous contacter si vous rencontrez ce type de problématiques. 

Retail : Le détail qui fausse vos prédictions des intentions d’achats

mai 7th, 2020 Posted by Métiers, Retail & Marketplace 0 thoughts on “Retail : Le détail qui fausse vos prédictions des intentions d’achats”

Les acteurs de la vente au détail se livrent une concurrence féroce. Et pour tirer leur épingle du jeu, les détaillants ont, depuis plusieurs années, accès à de nombreuses sources de données : celles publiées sur les réseaux sociaux, l’historique des achats, les statistiques de la demande et les tendances du marché. Cette meilleure compréhension et connaissance des clients permet d’encourager les achats et fidéliser les consommateurs. Les retailers ont donc besoin de collecter toutes les informations pertinentes disponibles et de les analyser. 

 

Aujourd’hui, le volume de données collectées augmente, et leur nature est de plus en plus hétérogène. Les retailers savent que les informations contenues dans ces données ont beaucoup de valeur, mais les façons de les exploiter peuvent paraître encore obscures. 

 

Rassurez-vous, il existe des solutions utilisant l’Intelligence Artificielle pouvant vous aider à exploiter efficacement vos données. Ces nouvelles technologies peuvent vous aider à valoriser ces données en temps réel et à vous donner des informations pertinentes pour atteindre des résultats concrets sur votre chiffre d’affaires et votre satisfaction clients. 

 

Qu’est ce que l’analyse prédictive et le machine learning 

 

Avant de rentrer dans le vif du sujet, il convient de faire un petit point définition. L’analyse prédictive représente le fait d’apprendre du passé via les données pour émettre des hypothèses sur le Futur :  Que vont acheter les clients ?  Quel est le meilleur lieu de stockage ? Quel canal marketing convertis le mieux ? etc. 

 

L’analyse prédictive se base sur des techniques statistiques d’analyse de données (dont le machine learning fait partie), et se distingue de l’analyse descriptive des données (qui décrit un état, une photographie des données à un moment précis). 

 

En quelques mots, le principe du machine learning repose sur le fait de détecter automatiquement des patterns dans les données afin d’en déduire des prévisions sur une tâche bien précise.

 

Optimiser la chaîne logistique et prédire les envies de vos clients 

 

Jusqu’à aujourd’hui pronostiquer des tendances était surtout vu comme une sorte de jeu de devinette.  A partir d’échantillons des historiques de vente, de la demande des consommateurs et des tendances du marché, les retailers tentaient d’évaluer ce qui sera le best-seller la saison suivante. 

Maintenant, la diversité des sources et des données collectées associée à des technologies comme l’intelligence artificielle et le machine learning, offrent aux commerçants des possibilités d’optimisation quasi illimitées. Ils ont les moyens de collecter et d’analyser précisément l’historique des ventes avec des données non structurées y compris des itérations d’échantillons, de lots et de tailles pour déterminer l’association optimale de style, de couleur et de taille pouvant le plus plaire à leurs clients. De plus, l’analyse des sentiments de clients par rapport à des modèles des saisons passées peut aussi faire partie des éléments pris en compte pour la prédiction des achats. 

 

Prenons un exemple concret pour vous donner une idée du champs des possibles. Imaginez que vous souhaitiez prédire ce que vos clients vont vouloir acheter l’été prochain. L’analyse prédictive peut vous aider à déterminer la disponibilité des matériaux auprès de fournisseurs externes, à intégrer les prévisions météorologiques pouvant affecter les conditions de transport ou créer le besoin de porter des vêtements de plages, et même recommander les quantités, le prix, l’emplacement en rayon et le canal marketing. Tout cela vous donnera un meilleur ciblage et donc de meilleures conversions. L’analyse prédictive peut même intégrer des mesures à base de volume ou de marge pour optimiser les ventes boutique par boutique ou selon les objectifs fixés.

 

Les écueils à éviter 

 

Vous l’avez compris vos données représentent une vraie mine d’or. Cependant vous devez faire attention que cet or ne se dégrade pas. En effet, la multiplicité des sources de collecte et les différences entre les données structurées et non structurées engendrent généralement des erreurs dans les analyses si aucun traitement des données n’est prévu en amont. 

Bien que les solutions de modélisation et de prédiction soient très puissantes il ne faut pas négliger l’étape de traitement des données, au risque de construire une stratégie sur des prédictions erronées. 

 

Vous allez donc devoir mettre en commun les données hétérogènes et les rendre intelligibles. Pour ce faire, nous vous conseillons de mettre en place un Référentiel Client Unique mais aussi un Référentiel Produit Unique. Si le premier est déjà intégré dans de nombreuses organisations, notamment dans le secteur Retail, le deuxième est souvent sous-estimé. 

 

Or, la mise en place d’une procédure de traitement de données produits dans le cadre d’un Référentiel Produit Unique, représente un élément essentiel de la fiabilité des prédictions. Seulement, ce travail est rendu particulièrement complexe par la multitude de dénominations pour un même produit. Et la complexité est proportionnelle au nombre de personnes qui enrichissent le catalogue produit. Avec des équipes d’acheteurs ou category manager de plus en plus en grande, le nombre de doublons devient difficilement traitable. Dans ce cas, il existe des solutions, comme UNiFAi, basée sur l’Intelligence Artificielle et le Machine Learning, capables de retrouver les produits en doublons avec nomenclatures différentes. 

 

Une fois vos données rassemblées et traitées, vous pouvez vous lancer dans l’analyse et la modélisation pour prédire les tendances d’achats de vos clients. Vous augmentez la finesse et la fiabilité de votre stratégie.

 

Pour conclure, 

 

Qu’elles soient utilisées pour vos process d’approvisionnement, tout au long de la chaîne logistique, ou bien par le service marketing pour du merchandising, de la publicité, jusqu’à l’expérience client, les entreprises qui déploient des solutions technologiques pour analyser leurs données ont de réelles chances de voir des améliorations notables de leur conversion et de la satisfaction client.  

Malgré tout, les analyses prédictives restent limitées. En effet, bien que les algorithmes et les modélisations soient performantes, elles ne peuvent pas prédire à 100% d’exactitude. Les données vous donnent les moyens de réduire les risques. Encore faut-il être sûr de la fiabilité des données analysées. Ceci fera l’objet d’un prochain article, si vous ne pouvez pas attendre, n’hésitez pas à nous posez vos questions directement par email. 

 

Data et IA : l’arme magique des équipes marketing ?

mars 16th, 2020 Posted by Data Science, Intelligence artificielle, Procurement, Retail & Marketplace 0 thoughts on “Data et IA : l’arme magique des équipes marketing ?”

L’intelligence artificielle est en train de révolutionner de nombreux secteurs et de nombreux métiers. Les métiers du marketing ont été parmi les premiers à utiliser l’IA. Grâce à cette nouvelle technologie, les entreprises peuvent désormais profiter d’analyses et d’informations plus pertinentes. Parmi les bénéfices de cette technologie, on peut inclure l’optimisation et la meilleure orientation des campagnes grâce à une connaissance client plus fine et l’anticipation des tendances futures. Toutefois, il y a quelques écueils à éviter. 

 

Les données en marketing

 

Ces dernières années, le volume de données disponibles pour les marques ne cesse d’augmenter. En effet, le développement du e-commerce, des objets connectés, des nouveaux canaux de communication (les réseaux sociaux, les tchats en ligne, etc.) ont permis aux marques de récolter un très grand nombre d’informations sur leurs clients, leurs prospects, malgré la récente mise en place d’une réglementation rgpd stricte. Ainsi, les marques peuvent croiser leurs sources d’informations pour connaître en détail le profil de leurs acheteurs : leur âge, leurs loisirs, leur environnement, leurs centres d’intérêts, leurs achats, leurs retours, leurs visites en boutique, etc. 

 

L’objectif de cette collecte de données est d’atteindre le Graal de toute équipe marketing : la satisfaction du client dans son expérience avec la marque. Une expérience client ou utilisateur réussie, c’est lorsque vous avez comblé, voire surpassé, les besoins et attentes de votre client en laissant un souvenir positif et fort. Pour y arriver, la première étape est de connaître vos clients pour personnaliser leur expérience. Vous comprenez donc l’intérêt de collecter un maximum d’informations et de les analyser ensuite. Vous pouvez ainsi prendre des décisions éclairées pour parvenir à vos objectifs.

 

Dans le contexte actuel de forte concurrence, les équipes marketing vont devoir redoubler d’efforts pour atteindre ce Graal. Pour collecter des données et les utiliser, l’intelligence artificielle aura un véritable impact pour les métiers marketing. 

 

L’IA en pratique dans les métiers marketing

 

L’IA pour prédire

 

Une fois collectées, les données doivent être analysées pour être utilisées à bon escient. La puissance de l’intelligence artificielle mise au service de l’analyse des historiques de vente, et l’analyse sémantique sur les réseaux sociaux, permet aux marques d’en déduire des prévisions de vente et de détecter des tendances. Ces résultats les aident à optimiser leurs stocks pour satisfaire la demande sans rupture, optimiser les livraisons. Prévoir l’avenir en détectant des tendances a un impact direct sur le chiffre d’affaire : moins d’invendus, des clients satisfaits et donc plus fidèles, plus de vente. Mais surtout sur les marges, avec des prévisions justes, il est plus facile de négocier avec ses fournisseurs et d’anticiper ses coûts logistiques. 

 

L’IA pour communiquer

 

La satisfaction des clients passe aussi par la relation qu’ils entretiennent avec la marque. La démultiplication des canaux de communication a renforcé ce besoin de communiquer des consommateurs pendant ou après l’acte d’achat. Le challenge des équipes marketing se trouve aussi dans la rapidité et la pertinence des réponses apportées. Dans ce contexte, l’intelligence artificielle a permis l’essor de solutions de chatbot permettant de répondre aux questions rapidement et sans interruption. L’IA aide aussi les conseillers en relation client en les guidant dans leur conversation et en les assistant en poussant les bonnes informations. 

 

L’IA pour personnaliser

 

Pouvoir dresser des profils détaillés de ses clients et prospects permet aux marques d’établir une segmentation plus fine. Par conséquent, les marketeurs peuvent personnaliser l’expérience client, notamment en e-commerce. Les sites peuvent dynamiquement et intelligemment s’adapter à l’internaute pour lui fournir une expérience personnalisée, pour lui proposer des articles qui lui correspondent. Vous augmentez ainsi les chances de vendre. La personnalisation du discours améliore considérablement l’expérience client. 

 

Dans la continuité de personnalisation, vous pouvez utiliser l’intelligence artificielle dans les campagnes de publicité. Les algorithmes sont capables de vous aider à proposer des promotions ciblées selon les goûts, les envies, les besoins de vos différents profils de clients. L’analyse concurrentielle avec de l’IA vous donne la possibilité d’optimiser les prix en quasi-temps réel. Longtemps dédiée à l’hôtellerie et aux transports, cette pratique de prix dynamiques s’étend à de plus en plus de secteurs. 

 

Quelques conseils 

 

L’intérêt et l’impact, que peut avoir l’intelligence artificielle sur les métiers du marketing, ont déjà fait leurs preuves. Cependant, nous souhaitons aussi aborder les points sur lesquels être attentifs. Il ne s’agit pas là de relativiser le pouvoir de l’intelligence artificielle, mais plutôt de vous alerter pour vous permettre de réussir vos projets d’IA. 

 

La qualité des données 

 

Le premier point que nous souhaitons mettre en lumière est certainement le plus important de cette dernière partie. L’intelligence artificielle est puissante si et seulement si les données sont fiables. Autrement dit, si elles sont propres : aucun doublon, une nomenclature unifiée, les informations complètes, etc. Une nomenclature non unifiée dans vos données entraîne de nombreux doublons. Le danger des doublons est réel. Si vous avez beaucoup de doublons dans votre base client, votre connaissance client sera faussée. Dans ce cas, non seulement votre relation client risque d’en pâtir, mais vos prévisions seront fausses, ce qui vous entraînera vers de mauvaises décisions. Si vous multipliez les doublons dans vos produits, au-delà d’une expérience utilisateur complexe, vous risquez aussi de pénaliser votre SEO : en effet Google traque les “duplicate content” sur les sites internets et ne référencera pas des fiches produits en doublons trop nombreux par exemple. 

 

Plus vous avez de données, plus ce travail de traitement est long. Plus vous avez de sources de collecte, plus ce travail est fastidieux. Le temps que cela représente, et donc le coût, amène de nombreuses entreprises à sous-traiter. Les risques d’erreurs augmentent, car la connaissance métier des données est essentielle. Aujourd’hui, il existe des solutions d’automatisation du traitement des données par l’intelligence artificielle, comme UNiFAi. 

 

Avec l’essor du Big Data, tout le monde s’est mis à collecter et stocker des données. Mais si vous basez vos analyses, vos actions automatisées sur des données de mauvaise qualité, vous obtiendrez des résultats de très mauvaise qualité. Les risques sont évidemment principalement financiers, mais votre image peut aussi être touchée. 

 

Le déploiement de l’IA

 

Les possibilités de l’intelligence artificielle sont si larges que les projets représentent très souvent un grand terrain de jeu dans lequel on peut vite se perdre. Nous vous conseillons de bien cadrer les projets un à un et de les implémenter un à un. L’objectif est aussi de pouvoir réduire le temps de mise en place de ces projets et intensifier le déploiement à grande échelle. 

 

Présente chez les acteurs “digital-natives” depuis leurs créations, les acteurs traditionnels ont plus de difficultés à implémenter cette nouvelle technologie. C’est, en effet, plus complexe car, pour beaucoup, ils sont encore en phase de digitalisation. La conduite du changement d’aussi grands effectifs et de processus ancrés augmente le temps nécessaire à une adoption intégrale. Les acteurs traditionnels ne voulant pas louper le train de l’IA, ont trouvé une bonne alternative en développant des équipes Data pour ne pas prendre trop de retard. 

 

Pour conclure, 

 

Les données à la disposition des équipes marketing sont nombreuses. Elles augmentent leur valeur lorsqu’elles sont utilisées avec de l’Intelligence Artificielle. Au service de l’expérience et la satisfaction de vos clients, ce combo devient une arme magique pour les équipes marketing. 

Si vous souhaitez échanger sur vos données, Maximilien Baudry, notre co-fondateur et Docteur en IA sera ravi de pouvoir vous conseiller.  

 

10 startups qui installent de l’IA dans le retail

février 7th, 2020 Posted by Intelligence artificielle, Retail & Marketplace 0 thoughts on “10 startups qui installent de l’IA dans le retail”

L’Intelligence Artificielle s’intègre dans de plus en plus d’industries. Le retail n’y échappe pas non plus. En effet, les nouvelles habitudes des consommateurs ont amené des contraintes aux acteurs d’un marché ultra-concurrentiel. Un des avantages des distributeurs réside dans leur capacité naturelle à produire énormément de données, notamment d’usage consommateurs. Exploitées par l’IA, ces dernières permettent d’optimiser toute la chaîne du retail : le marketing, la production, la logistique, les achats. Cela, pour, in fine, mieux satisfaire des clients de plus en plus exigeants. Il existe de nombreuses startups qui installent de l’Intelligence Artificielle dans le retail. Voici une petite sélection.

Webotit, pour des conversations avec les clients

 

Créée en 2017, cette startup française propose aux marques une plateforme de commerce conversationnel pour répondre en masse à leurs clients sur leur site internet et les plateformes de messagerie. Webotit a aussi développé une solution de paiement par messagerie. En combinant de l’IA, des chatbots, cela permet aux agents conversationnels à vocation transactionnelle de répondre 24/24h avec un gain de productivité important.

Belive.ai, pour digitaliser les magasins

 

Believe.ai est une startup picarde qui a créé une suite de solutions cloud basée sur la reconnaissance d’images par l’IA. Elle met à disposition de ses clients, entre autres, une gondole intelligente qui signale les ruptures de produits, un panier de courses qui encaisse automatiquement, mais aussi pour la restauration un plateau qui encaisse vos plats automatiquement.

Emersya, pour mieux visualiser les produits en ligne

 

Depuis 6 ans, cette startup propose aux marques de présenter les produits en 3D dans des vitrines interactives à partager et incruster dans les sites de e-commerce. Les internautes peuvent changer les rendus à la volée et d’interagir avec les produits pour en visualiser des animations ou des éclatés. La dernière innovation proposée par Emersya est l’essayage instantané de produit en réalité augmentée sans quitter le site web.

OneStock, pour les stocks des distributeurs

 

OneStock permet aux distributeurs d’avoir une vue unifiée des stocks de références présentes en boutiques, le stock web et le stock des grossistes. La solution proposée par cette startup toulousaine, permet aussi de diriger les envois depuis le point de stockage pouvant honorer la totalité de la commande. L’objectif est de réduire les ruptures de stocks et optimiser les coûts d’expédition.

Focal Systems, pour des caddies intelligents

 

Fondée en 2015, cette startup anglaise a pour objectif de doter les caddies d’intelligence artificielle. Dans un premier temps, Focal Systems propose d’installer des caméras sur les caddies pour filmer les rayons pendant les courses des clients. L’intelligence artificielle détecte les produits manquants et avertir les équipes sur le terrain pour un réapprovisionnement. Depuis peu, ils proposent une solution basée aussi sur des caméras, pour analyser les produits déposés dans le caddie et ainsi permettre le paiement automatique, sans passage en caisse.

Vekia, pour une meilleure gestion des stocks

 

Cette startup lilloise propose une solution en saas pour prédire et mieux anticiper les fluctuations de la demande. Elle est basée sur des algorithmes alimentés par des données de sources variées : météo, réseaux sociaux, historiques d’achat, temps d’acheminement jusqu’au point de vente, etc. Grâce à Vekia, les distributeurs peuvent ainsi mieux gérer les approvisionnements, leurs stocks.

Verteego, pour prédire les ventes

 

Verteego, est une startup qui fournit, entre autres, un outil d’aide à la décision capable de résoudre des problématiques spécifiques comme la possibilité de comparer les produits, les prix et les délais de livraison proposés par deux fournisseurs.

S4M, pour analyser les visites en magasin

 

Cette startup parisienne s’est spécialisée dans le “drive-to-store” et la publicité programmatique. S4M a développé une plateforme technologique, permettant de générer, mesurer et optimiser en temps réel les visites incrémentales en points de vente physiques et en ligne.

Revers.io, pour l’expérience après-vente

 

Revers.io a décidé de s’intéresser à la dernière étape de l’expérience client, l’après-vente : rétractation, échange, retour ou réparation. Cette startup propose une plateforme SaaS qui permet de traiter instantanément les demandes de retours. La connexion à l’ensemble des acteurs logistiques simplifie et automatise la gestion des retours, qui devient plus rapide aussi bien pour les consommateurs que pour les retailers.

UNiFAi, pour améliorer la qualité des catalogues produits

 

La dernière startup qui installe de l’intelligence artificielle dans le retail que nous vous présentons, c’est nous! UNiFAi est une startup parisienne qui propose une solution pour nettoyer, enrichir, et unifier les catalogues produits en quelques clics. L’objectif principal est de réduire le time-to-market des distributeurs sur les marketplaces.

Pour conclure,

Le retail peut compter sur les startups pour installer l’Intelligence Artificielle dans ce marché. Les acteurs de la distribution vont ainsi pouvoir optimiser chaque étape de la chaîne. Avec l’avènement du Big Data, l’exploitation des données devient cruciale pour faire face à la concurrence croissante. Nous avons présenté ici une dizaine de startups. Il en existe encore beaucoup d’autres, tout aussi intéressantes. Nous en parlerons dans nos prochains articles

4 conseils pour se lancer sur les marketplaces

février 5th, 2020 Posted by Retail & Marketplace 0 thoughts on “4 conseils pour se lancer sur les marketplaces”

Ces 10 dernières années, l’e-commerce s’est fortement développé. Selon leur dernier rapport, la Fevad comptabilise, en 2019, 180 000 sites marchands actifs en France. Elle prévoit, en 2019 un chiffre d’affaire de 92,3 milliards d’euros, en France, soit 13,4 % de plus que l’année dernière.

Dans ce marché, les marketplaces ont su tirer leur épingle du jeu. Selon les chiffres du premier trimestre 2019 de la FEVAD, la croissance de CA des places de marché a augmenté de 17 %. Cela représente 32 % du poids total des ventes Internet. D’ailleurs, les trois sites e-commerce les plus visités, en 2019, en France, sont des marketplaces : Amazon, CDiscount, et Fnac.

Vous l’avez compris, les places de marché représentent une réelle opportunité pour développer son chiffre d’affaire en ligne. Toutefois, il y a quelques éléments à prendre en compte avant de se lancer sur les marketplaces. Cela représente un tournant dans une stratégie commerciale pour un commerçant. Voici nos conseils pour se lancer sur les marketplaces.

Le choix des marketplaces

 

Depuis l’apparition des places des marchés au début des années 2000, leur nombre n’a pas cessé d’augmenter. La France est un des pays où l’on trouve le plus de marketplaces. Par conséquent, la première chose que vous allez devoir faire est de choisir sur quelles marketplaces vous allez vendre.
On en distingue deux types : les généralistes, comme Amazon et CDiscount, et les spécialisées, comme ManoMano pour le bricolage et le jardin. Cela dépend du profil de vos acheteurs cibles. Un mélange des deux peut aussi être une stratégie efficace, selon vos produits.

Pour un choix pertinent, une analyse des audiences de ces sites est nécessaire, à la fois sur les profils des acheteurs, mais aussi sur leur volume de visites et de ventes. Il convient de s’intéresser également aux coûts de vente de chacune des places de marchés visées.

L’intégration du catalogue produits

 

Une fois votre choix de plateformes et votre compte marchand créé, vous devez passer à la mise en ligne de vos produits. Bien que tous les catalogues produits se ressemblent dans les grandes lignes, chaque commerçant a ses spécificités. Les marketplaces n’échappent pas à la règle. Elles ont chacune un cahier des charges différent. En tant que marchand, vous devez donc adapter votre catalogue produit à la nomenclature et aux contraintes de chaque marketplace choisie pour votre développement.
Il est important d’évaluer le temps passé à la transformation et l’intégration de votre catalogue. En effet, plus ce temps sera long, plus vos produits tarderont à être disponibles à la vente.

Lorsque vous avez plusieurs milliers de produits, ce travail peut représenter une grosse difficulté. Le degré de difficulté est exponentiel lorsque le nombre de personnes dédiées aux marketplaces est faible. Rassurez-vous, dans ce cas, il existe des outils pour vous aider à réduire le “time-to-market”. Vous pouvez vous équiper d’agrégateur de flux, comme Lengow, et de solution comme UNiFAi pour catégoriser, unifier et enrichir votre catalogue.

La gestion des stocks et le service client

 

Une des raisons qui vous conduit à être présent sur des marketplaces est le développement de votre chiffre d’affaire. L’audience des marketplaces peut générer une augmentation significative des ventes pour un commerçant. Il est nécessaire de s’y préparer, car vous devrez être capable d’absorber ces nouveaux flux. La gestion de stocks va donc être stratégique. Il convient d’anticiper les besoins, tant en produit qu’en logistique. Il existe des solutions de prévision des stocks basées sur l’Intelligence Artificielle pour vous aider.

Dans la continuité des ventes, vous devez aussi penser à la gestion du service client. Si les marketplaces multiplient les ventes, elles décuplent les questions, les retours produits et les demandes de remboursement. Une équipe renforcée et des logiciels bien choisis, vous permettront de gérer sereinement cette croissance.

Le suivi des ventes et de la concurrence

 

Enfin, comme tous canaux de distribution, vous devez suivre vos performances pour profiter pleinement des avantages de la marketplace, mais aussi pour vous assurer que c’est une stratégie rentable. Vous devez mesurer le temps passé (de l’intégration des produits au service client), la commission prélevée et le bénéfice net. Il se peut que les investissements en temps pour la mise en place prennent quelques mois pour être rentabilisés.

Si les marketplaces vous offrent une visibilité plus grande que votre seul site ecommerce, elles y présentent certainement aussi vos concurrents. Vos produits vont se retrouver “à côté” de vos concurrents. Il sera donc plus facile pour les clients de comparer, notamment par le prix. Le suivi de la concurrence est ainsi indispensable dans une stratégie de développement sur les marketplaces.

 

Pour conclure,

L’intégration des marketplaces dans une stratégie de développement peut être un véritable levier pour un commerçant. En profitant de leurs grandes audiences, vous pouvez augmenter votre chiffre d’affaire. Selon une étude de Oxatis et Ernst&Young de janvier 2019, 45 % des TPE/PME déclarent que l’impact des places de marché sur leur CA est important (11 % à 20 % de leur CA) à très important (21 % à 100 %).

Avant de se lancer, il a quelques points à prendre en compte. Vous allez devoir choisir les marketplaces les plus adaptées à votre cible, préparer l’intégration de vos catalogues produits, assurer les ventes (gestion des stocks et service client) et, évidemment, mesurer les performances. N’hésitez pas à nous contacter pour vous aider dans l’intégration de vos catalogues produits.

Ce qu’il faut savoir avant l’implémentation d’un PIM

janvier 30th, 2020 Posted by Retail & Marketplace 0 thoughts on “Ce qu’il faut savoir avant l’implémentation d’un PIM”

Le PIM, Product Information Management, permet de mettre à disposition de différents canaux en temps réel un maximum d’informations pertinentes relatives aux produits. Il s’agit de créer un référentiel commun, qui pourra être partagé avec toutes les filiales ou partenaires sans risquer de perte ou erreur du contenu. Il convient aussi bien aux PME qu’aux grands groupes. L’implémentation d’un PIM est une étape importante dans la transformation digitale d’une entreprise. Comme tous les projets, l’implication des différents équipes est une des clés de la réussite. Mais cela ne fait pas tout, il y a quelques étapes de préparation et éléments à savoir avant l’implémentation d’un PIM. 

L’analyse de l’existant et des besoins

 

La première étape consiste à faire le point sur votre organisation existante, vos procédures internes, votre modèle de données et vos besoins. Le but est d’analyser votre organisation telle qu’est elle aujourd’hui puis de déterminer les points faibles, les actions récurrentes et celles qui prennent du temps pour définir ce dont vous avez besoin et le cadre de votre projet PIM. Vous devez lister les outils utilisés, les flux et formats d’échanges de données, les échéances de production, les canaux à alimenter, la gouvernance des données, les équipes impliquées, etc. Pour cette étape, nous vous invitons à écouter les retours d’expériences de vos collaborateurs. 

La qualité des données

 

L’objectif d’une solution de PIM est de créer des informations produit structurées, nettoyées et fiables, qui vont se transformer en source de référence principale pour l’ensemble de l’entreprise. La qualité des données va donc être le point le plus critique du projet. Bien que les sources soient différentes, votre PIM doit représenter toutes ces sources d’information au sein d’un référentiel unique. Vous devez donc sélectionner le type de données que vous voulez et vous assurez qu’elles sont fiables et exactes.

Attention, un PIM n’est qu’une base de donnée relationnelle et non un outil de gestion de flux. Une fois votre projet PIM en place, vous devrez instaurer une maintenance en continue de la qualité des donnéesIl est important de réfléchir à la question de la qualité sous deux angles :

-comment assurer que les données mises en place à l’initialisation du PIM sont correctes, car rien ne sert de construire de belles fondations sur du sable.

-une fois que vous avez un existant propre, comment pouvez-vous vous assurer que les données qui rentrent sont d’une qualité suffisante et ne vont pas polluer le travail de mise aux normes qui a été entrepris jusqu’à maintenant ?

La sécurité de votre solution PIM sera aussi un enjeu de taille à ne pas négliger.

L’expérience utilisateur

 

La réussite d’un projet d’implémentation de PIM repose sur l’utilisation de nouveau logiciel par les équipes métiers. Lors de votre sélection de “l’outil parfait”, vous devez analyser la facilité de prise en main. En effet, bien que le projet PIM soit principalement conduit par l’équipe IT, il sera utilisé par des personnes qui n’ont pas toujours d’appétence à la technologie. Il est donc important que l’interface soit adaptée aux niveaux des utilisateurs.

Pour une implémentation opérationnelle, l’idéal est de pouvoir proposer un outil pensé pour les métiers. Il est également nécessaire de prendre en compte la multiplicité des profils qui vont être amenés à interagir avec les données produit : les fabricants, le marketing, le responsable de produit, etc. ont tous des besoins différents et doivent être capables de collaborer au sein de cet outil pour que vous en tiriez le maximum. 

La gestion du changement 

 

L’implémentation d’un PIM va certainement représenter une petite révolution interne. Vous devez donc prendre le temps et être patient pour réussir ce projet. Chaque partie prenante doit comprendre les intérêts du projet. Nous vous conseillons d’impliquer les équipes utilisatrices dès le début, et nommer une équipe d’«utilisateurs clés» qui seront comme des sponsors internes auprès des équipes et faciliteront leur adhésion au projet. Il est plus facile de répondre aux questions et aux inquiétudes de ceux dont on partage le même quotidien. Une formation interne peut être une bonne solution pour accompagner l’implémentation. 

 

Pour conclure, 

Créer un référentiel produit avec l’implémentation d’un PIM est un projet d’envergure. Lorsque ce projet est bien mené, il permet de gagner en efficacité au quotidien, de maîtriser l’intégralité de ses informations produit, et de contrôler leur qualité. Mais il représente une transformation en profondeur de la gestion des données produit, vous ne devez pas le prendre à la légère. Nous vous avons partagé quelques-uns de nos conseils. Si vous avez des questions sur l’implémentation d’un PIM, n’hésitez pas à contacter notre équipe. 

5 usages de l’intelligence artificielle dans le retail

janvier 24th, 2020 Posted by Intelligence artificielle, Retail & Marketplace 0 thoughts on “5 usages de l’intelligence artificielle dans le retail”

Le marché du retail est un des secteurs le plus en avance dans sa transformation digitale. Achats effectués depuis un smartphone, promotions diffusées sur les réseaux sociaux, recommandations fondées sur l’historique d’achat… Les usages et les attentes des consommateurs évoluent et bousculent le marché. En boutique ou en ligne, ils attendent une expérience taillée sur mesure. Les retailers historiques mais aussi les pure-players online comme les marketplaces collaborent avec les startups pour les satisfaire.

Les solutions d’intelligence artificielle, concept sur lequel travaillent les scientifiques depuis 60 ans, semblent être plébiscitées dans le retail. En 2019, ils sont 67% à travailler actuellement à ce déploiement, selon une étude menée par Octopeek. Une des raisons de ce plébiscite est la forte adaptabilité de l’intelligence artificielle comparée à des solutions plus classiques utilisant des règles métiers qui deviennent rapidement caduques dans un milieu en transformation permanente. L’intelligence artificielle est présente de la reconnaissance du consommateur à l’accompagnement de l’acte d’achat, en passant par la supply chain et le SAV. En effet, l’intelligence artificielle dans le retail n’est pas seulement dédiée à l’expérience client mais aussi à l’optimisation des métiers et des process de l’ensemble de la chaîne.  

 

L’IA pour gérer vos stocks 

 

La première étape de la satisfaction client est très certainement la capacité à lui délivrer le produit qu’il souhaite. Mais, de plus en plus ces dernières années, il s’agit de lui livrer l’article le plus vite possible. Avec l’émergence d’Amazon dans le retail et sa capacité de livraison rapide a forcé le marché à optimiser la gestion des stocks dans ce sens. L’intelligence artificielle et la robotisation ont permis d’améliorer l’organisation des entrepôts, d’accélérer et faciliter la manutention, mais aussi la coordination du transports pour répondre aux exigences des consommateurs. Certaines solutions de supply chain intègrent l’Intelligence Artificielle pour analyser les ventes et ainsi anticiper l’évolution de la demande et les besoins de restockage.

 

L’IA pour améliorer votre relation clients 

 

La démocratisation des réseaux sociaux a participé à la modification des attentes des clients concernant la communication avec les marques. Elles ont donc dû s’adapter pour proposer un service après et avant vente sur leurs sites mais aussi sur les réseaux sociaux. La majorité des questions des consommateurs peuvent être répondues grâce à des solutions de chatbot basées sur l’intelligence artificielle, et même acheter directement dans Facebook messenger, par exemple.

La publicité et les incitations à l’achat sont aussi optimisés pour personnaliser les messages. L’intelligence artificielle arrive à analyser des attitudes d’achat, à les prédire et à suggérer aux consommateurs le produit le plus adapté à ses attentes du moment. Selon une analyse réalisée par Salesforce dans 30 pays, les recommandations de produits boostées par l’intelligence artificielle ont ainsi, en moyenne, généré, lors de l’édition 2017 du Black Friday, 30 % des revenus de la vente en ligne et 24 % de ceux réalisés lors du Cyber Monday.

 

L’IA pour optimiser l’expérience client

 

Que ce soit en magasin ou en ligne, les marques ont plusieurs possibilités pour améliorer l’expérience de leurs clients. Dans les magasins, des solutions d’intelligence artificielle permettent d’analyser le parcours des clients et révéler les zones chaudes pour optimiser le merchandising. Il existe des solutions fondées sur la reconnaissance faciale (aux US pour le moment) qui permettent de reconnaître les clients étant déjà venus en magasin. Elle peut aussi effectuer des analyses statistiques de la fréquentation en temps réel : âge, sexe et même émotions sont détectables. Les vendeurs ayant accès à ces données peuvent alors adapter leur comportement à l’état d’esprit du client. On peut également citer le tour de force d’Amazon qui a réussi à créer un concept de magasins sans personnel en utilisant une batterie de capteurs pour suivre et mettre à jour le panier de ses clients tout au long de leur visite.

 

L’IA pour optimiser les coûts 

 

En analysant les données les marques ont les moyens d’optimiser les coûts. Les outils dotés d’intelligence artificielle peuvent prédire les ventes, améliorer des descriptions produits, ajuster les prix selon la concurrence, peuvent nettoyer et unifier les catalogues fournisseurs pour mieux négocier, etc. Pour les marques qui veulent se développer sur les marketplaces, elles ont à leur disposition des solutions pour mettre à jour les catalogues intelligemment en quasi temps réelLe double enjeu d’améliorer le côté expérience client et logistique au sens large avec de l’intelligence artificielle pourrait permettre des économies de plus de 300 milliards de dollars d’ici quelques années d’après une étude menée par CapGemini.

 

Pour conclure

 

Pour répondre aux challenges de la transformation digitale, les retailers et marketplaces se tournent de plus en plus vers l’intelligence artificielle. Elle intervient tout au long de la chaîne : recommandations produit, prédictions et analytics, aide à la gestion de l’approvisionnement, chatbots… Bien que la mise en place de cette technologie soit relativement récente, les derniers rapports d’études montrent déjà des résultats significatifs pour le retail. L’un des enjeux de l’AI dans le retail pour les prochaines années semblent être la formation des équipes à ces nouvelles technologies pour une meilleure exploitation. 

N’oubliez pas que l’intelligence artificielle se base sur la donnée, il est donc important de travailler avec des données de qualité !

Newsletter

Ne manquez pas nos articles ! (1 email/mois)