Les retailers conquièrent leur marché grâce au machine learning

Pour répondre à des consommateurs toujours plus exigeants et devenir leader d’un marché de plus en plus digitalisé, les retailers doivent s’appuyer sur des solutions performantes, améliorant la prise de décision.

La prévision de la demande est un sujet de plus en plus stratégique pour les enseignes. Longtemps basés sur des caractéristiques relativement simples (type d’article, couleur, taille), les calculs de prévision des ventes font aujourd’hui leur révolution grâce aux avancées du machine learning. Pour répondre à des consommateurs toujours plus exigeants et devenir leader d’un marché de plus en plus digitalisé, les retailers doivent s’appuyer sur des solutions performantes, améliorant la prise de décision.

La distribution : un secteur en pleine mutation

A l’ère d’Internet et des smartphones, s’opère une profonde mutation du secteur du retail qui voit naître un nouveau consommateur : le consommateur 2.0. Exigeant, il veut tout, tout de suite et c’est lui qui dicte les règles. Cet "enfant gâté" du web génère une quantité importante de données qui ne cesse d’augmenter, à un rythme exponentiel.

Le retail est l’un des secteurs qui collecte le plus de données. Et, bien qu’assis sur cette mine d’or d’informations, les retailers semblent pour la plupart dépassés au moment d’exploiter ces informations dans leurs prévisions de vente. Ces derniers utilisent encore trop souvent une approche d’analyse de données traditionnelle. Elle conduit souvent à des prévisions manquant de finesse et de précision car elle ne prend en compte qu’une poignée de caractéristiques produits. Pour preuve, l’écart béant entre la demande véritable et les prévisions de vente, aboutissant à des surstocks et des ruptures, facteurs de hausses des coûts pour l’entreprise et de clients frustrés.

Le machine learning permet des pas de géant dans l’exploitation des données

Loin d’être une discipline nouvelle, le machine learning, aujourd’hui en plein essor, est utilisé par des géants du digital comme Google, Amazon et Netflix pour comprendre les préférences de leurs consommateurs et leur faire les suggestions adéquates. Il se présente comme l’outil indispensable pour exploiter efficacement et intelligemment de grandes quantités de données.

Cette science, basée sur la donnée, étend les statistiques traditionnelles via de nouvelles approches algorithmiques qui tirent profit de la quantité d’informations et de la puissance des ordinateurs actuels. Elle permet de modéliser les relations entre les causes et les conséquences par des combinaisons de facteurs sous-jacents, dont le lien n’est pas forcément évident de prime abord. Le modèle ainsi construit pourra ensuite être utilisé pour prévoir la demande et optimiser la "supply chain".

Contextualisation et croisement de caractéristiques

Parce qu’aucune caractéristique du produit ou élément de contexte ne peut, à lui seul, donner une vision fiable et précise sur les ventes futures, il est nécessaire de fouiller automatiquement un nombre potentiellement grand d’informations pour identifier les vraies combinaisons de facteurs qui déterminent les quantités vendues. Par exemple, pour prédire efficacement les ventes dans le secteur textile, il est absolument déterminant d’associer de nombreuses caractéristiques telles que le prix, les promotions, la période de l’année, le lieu de vente, la météo, le style et la matière d’un vêtement, la taille... C’est l’identification des combinaisons de ces facteurs qui est cruciale : le prix peut avoir un impact plus fort sur les ventes pour une chemise à manche courte de style détendu et de couleur blanche que pour une chemise "ville" de couleur anthracite.

La grande force du machine learning est justement d’être capable d’identifier, dans un océan d’informations, le bon mix d’attributs de manière optimale en sachant dépasser les a priori et intuitions parfois erronés qui accompagneraient une analyse comparable effectuée par un humain.

Là où les statistiques classiques se contentent d’optimiser les paramètres d’un modèle élaboré manuellement, les algorithmes du machine learning, comme les forêts d’arbres de décision aléatoires ("Random forest") ou les combinaisons de processus gaussiens, permettent de découvrir automatiquement le modèle le plus explicatif possible d’un phénomène donné.

Le machine learning : une opportunité unique de devenir un acteur gagnant

Le monde appartient aux entreprises qui savent satisfaire le consommateur où qu’il se trouve, avec un produit unique, exceptionnel, dans des délais de plus en plus courts et avec le prix le mieux placé du marché.

Dans cette configuration, une entreprise qui ose le machine learning est une entreprise qui se donne les moyens de gérer sa "supply chain" efficacement (couverture des délais et des stocks) et de réellement entrer dans le cercle prisé des entreprises digitales.

En accompagnant les décideurs dans leur stratégie d’entreprise et en rendant des services opérationnels quotidiens, le machine learning offre aux retailers les moyens de se recentrer sur le commerce avec une offre attrayante et une excellente relation client, en phase avec les attentes du consommateur 2.0 et prêt à s’adapter à toutes ses évolutions futures.

Machine Learning / Retail