L’algorithmie permet la prédiction du choix des clients en magasin

L’analyse prédictive permettrait aux commerçants d’anticiper les choix de leurs clients et ainsi déterminer quel assortiment de produits mettre en vente pour une meilleure gestion des stocks.

La recrudescence des données collectées à l’heure du Big Data place les entreprises de retail face à des défis de taille dans le tri des informations. Toutefois, ces données se révèlent plus qu’utiles, devenant un réel outil stratégique pour les professionnels de la distribution. C’est le cas de Celect, startup qui s’est démarquée lors de l’événement DEMO Fall 2014 à San José en Californie et qui a remporté le prix dans la catégorie Smart Data.

Fondée par trois spécialistes du retail et du machine learning, la startup du Massachusetts compte en effet parmi ses fondateurs Devavrat Shah, professeur au MIT qui avait fait parler de lui auparavant grâce au développement d’algorithmes d’analyse prédictive. Ses travaux ont notamment porté sur la remise en cause des systèmes de recommandation, qui devraient plutôt laisser place aux données comparatives. Par exemple, si un client a le choix entre une bouteille de champagne à 40 dollars et à 20 dollars, il y aura de fortes chances pour qu’il choisisse celle à 20 dollars. En revanche, s’il a également le choix d’une bouteille à 200 dollars, il se sentira moins coupable d’acheter la bouteille à 40 dollars. C’est ainsi qu’il a décidé de fonder Celect et d’appliquer l’étude des choix des clients au retail.

"What to put where"

Pour les chaînes de magasins physiques, ou brick and mortar, l’optimisation des stocks et de l’assortiment des produits reste une préoccupation majeure. Si les professionnels ont accès à des données analytiques pour gérer leurs stocks, grâce à des logiciels tels que JDA ou Galleria, ils n’ont pas la possibilité d’anticiper le choix des clients et d’adapter leur offre en conséquence. C’est donc le pari de Celect que de deviner ce que le client va acheter en fonction du choix des marques et des produits qu’il a à sa disposition. Ainsi, le gestionnaire des stocks pourra déterminer quel produit placer dans tel magasin.

La technologie avancée utilisée par Celect est un savant mélange de Machine Learning et de Big Data qui a permis de mettre au point le Celect Choice Engine, premier outil de modélisation de choix des clients. Le logiciel prendra en compte les données issues des inventaires antérieurs, des CRM, et des préférences locales des clients d’une boutique spécifique pour les mettre en forme sur un tableau de bord. Celui-ci représente les différentes marques présentes dans le magasin sous forme de cadres qui sont plus ou moins gros selon le budget qui leur a été alloué durant les périodes de vente précédentes. Avec l’outil, le professionnel aura l’occasion de voir quelles sont les nouvelles marques potentielles à mettre en vente, ou encore le degré d’agressivité d’une marque par rapport aux autres, selon son prix. D’après ces données, la taille des cadres des différentes marques va changer pour indiquer quel budget augmenter ou réduire. Le logiciel de Celect est directement relié au logiciel d’inventaire, ce qui permet d’offrir une offre clés en main aux distributeurs et merchandisers.

Prédire le choix des clients, tâche ardue

C’est dans le but d’améliorer l’expérience client que les professionnels cherchent à toujours mieux anticiper les choix et les achats de leurs clients. Considéré comme un art, le retail nécessite d’être combiné avec la science des données analytiques d’après Celect et son slogan "Bring science to the art of retail". D’après les fondateurs, les résultats du logiciel de Celect ont la capacité d’augmenter les revenus des magasins de 7% et de multiplier le retour sur investissement par 10.

L’analyse prédictive contient donc un fort potentiel de développement dans le commerce, physique ou en ligne. En effet, Amazon a annoncé au début de l’année le dépôt d’un brevet pour la livraison anticipée. Le géant de l’e-commerce souhaiterait prédire les achats de ses clients et envoyer les colis avant même que le client n’ait validé son achat, en se basant sur ses recherches, son panier, ou le temps passé sur un produit. Néanmoins, prédire le choix des clients en se basant sur leurs achats antérieurs n’est pas une science exacte et il apparaît plus judicieux d’appliquer les algorithmes d’analyse prédictive sur un groupe de personnes plutôt que sur un client unique, dont les goûts et préférences sont aléatoires et changeants.