La data au service de la génération de trafic : l’exemple de la météo

Connaître la météo sur plusieurs jours ne servirait plus seulement à prévoir comment on s’habille mais aussi à comprendre l’activité sur notre site internet, dans nos enseignes et à activer certains leviers marketing en conséquence.

La météo a un fort impact sur la consommation et donc sur les ventes de nombreux secteurs (alimentation, loisirs, habillement…). Notre hiver à rallonge, couplé à la crise, l’a prouvé : -10% de ventes de textile au mois de mai. On est aujourd’hui capable d’analyser  l’impact du facteur météorologique sur les ventes d’une entreprise. Mais quels sont les enjeux ? Comment exploiter ces « data » ?D’une part, on est aujourd’hui en mesure de prédire ses ventes en fonction des prévisions météorologiques. En règle générale les modèles de prévisions des entreprises prennent en compte des informations relatives aux tendances du marché, aux promotions, au lancement de nouveaux produits, à la saisonnalité.  Prendre en compte dans la modélisation le facteur météorologique permet d’avoir des estimations plus proches de la réalité (sachant qu’aujourd’hui nous disposons de prévisions météorologiques fiables à 15 jours). Dans la grande distribution, par exemple, on sait que près de 30% de la croissance de la consommation en volume est imputable à la météo (source : étude  Climpact en partenariat avec SymphonyIRI - été 2009).D’autre part, l’analyse de l’aléa climatique permet de planifier ses actions marketing pour tirer bénéfice des variations climatiques. La démarche proactive consiste à programmer des campagnes emailing, paramétrer l’achat de mots clés en fonction de la météo ou encore booster certains produits en fonction du temps qu’il va faire dans les jours suivants.

Quelle méthodologie mettre en place pour intégrer la météo à ses prévisions de ventes ?

La première phase consiste à trouver la relation existant entre les ventes et la météo. Cette phase de diagnostic se base essentiellement sur l’historique des ventes, des variables impactant les ventes et des indicateurs météo.

1. Analyse des corrélations

On s’accorde d’abord sur les variables que l’on souhaite prédire. Il existe des variables d’intérêt : Chiffre d’affaires (ou variation du chiffre d’affaires), Nombre de transactions, Taux de conversion sur un site… Ou des variables proxy. En effet, parfois une relation claire ne peut pas être établie entre une variable principale et les indicateurs climatiques, on choisit alors des variables proches de la variable d’origine que l’on appelle proxys.On cherche ensuite des corrélations entre la/les variable(s) que l’on souhaite modéliser et les variables météorologiques. On construit pour cela une matrice de corrélation qui va détecter les variables qui sont le plus dépendantes entre elles (identifiées par les cases vertes ou rouges les plus foncées).Exemple : Extrait d’une matrice de corrélation  Dans l’exemple précédent on note qu’il existe une relation significative entre les ventes et certaines variables météo : le nombre de transactions sur le site est positivement corrélé à la température et négativement à l’humidité. En d’autres termes, plus il fait chaud plus il y a de ventes de la catégorie de produits analysée.  Parallèlement plus le temps est humide moins on fait de ventes en volume.  Par contre il est difficile de faire ressortir des corrélations entre le Chiffre d’affaires et les variables météo.

2. Création d’indicateurs météo

Lors de la 1ère étape, on s’est aperçu que nous avions une grande quantité de variables météo à prendre en compte. Pour alléger l’étude et conserver un maximum d’information lié au climat il est possible de créer des indicateurs synthétiques. Une analyse factorielle permet de générer ces « facteurs » constitués d’un ensemble de variables. Nous calculons ainsi des variables créées à partir des données météorologiques que nous intégrons dans le modèle prédictif.  En plus de réduire considérablement le nombre de variables explicatives,  cette démarche présente un autre avantage : ces facteurs ont une relation plus importante avec  la variable dépendante que les variables météo prises individuellement. 

Exemple de facteurs météo :

Facteur meteo1=  0,14 % Moy T° +  13,24 % Moy Humidité  +  3,77 % Moy Visibilité  +  1,20  % Moy vent                                      + 41,74 % Pluie  +  38,91 % Ecart Pluie   +   0,00 % Ecart T°

Facteur meteo2=  29,73 % Moy T°  +  21,17 % Moy Humidité  +  30,94 % Moy Visibilité  +   5,82  % Moy vent  +   5,65 % Pluie  +   6,06 % Ecart Pluie  +   0,63 % Ecart T°

 

3. Modélisation statistique

En 3ème étape, l’analyse statistique de la corrélation doit permettre de mettre en évidence le pouvoir explicatif des variables météo sur la demande (et donc  les ventes), et d’en déduire un modèle prédictif. Cette équation est notre graal qui va permettre de prédire ses ventes, optimiser sa gestion des stocks ou encore mettre en avant certains produits en prenant en compte la variable météo.


Exemple de régression linéaire :

 

Pour être complet, le modèle doit intégrer plus de  données météorologiques :

  • les données de ventes : articles vendus (accès au catalogue pour savoir quel type de produits s’achète en fonction de la météo), prix des articles, remises éventuelles, fréquence d’achat, panier moyen, taux de fréquentation.
  • les données de webanalytics : trafic, taux de transformation, conversion par canal d’acquisition.

De plus, plus l’analyse est fine, plus les prévisions seront fidèles au modèle. Voici quelques éléments qui permettent d’affiner notre analyse : 

  • Privilégier une analyse au niveau départemental ou des agglomérations plutôt qu’au niveau régional
  • Découper le catalogue en segments plus ou moins météo sensibles
  • Distinguer les ventes en ligne des ventes en boutiques qui peuvent se compenser. Les consommateurs étant peut être plus enclins à faire les boutiques par beau temps et à acheter en ligne quand il pleut. 

Enfin, une fois qu’un modèle robuste a été défini nous pouvons automatiser la démarche en intégrant les données météo au système d’information pour pouvoir les prendre en compte en temps réel.  Dans cette optique l’utilisation d’une plateforme unique permettant de gérer plusieurs sources de données différentes est un plus. On peut aller jusqu’à définir un (ou plusieurs) algorithmes permettant de prédire les ventes, de proposer des actions marketing cohérentes en fonction des prévisions météo et de calculer un revenu incrémental  si ces actions sont mises en place. A terme l’objectif est d’utiliser les facteurs météo à des fins business. 

Visualiser la météo sur plusieurs jours ne servirait plus seulement à prévoir comment on s’habille mais aussi à comprendre l’activité sur notre site internet, dans nos enseignes et à activer certains leviers marketing en conséquence. 

Autour du même sujet