Black Friday, Cyber Monday et fêtes de fin d’année, comment prédire ses ventes et surfer sur la vague ?

Selon une récente étude de l’INSEE, le mois de novembre est devenu tout aussi important que celui de décembre dans la vente à distance quand ce dernier représentait déjà plus de 15% des volumes en 2018 et pour certaines activités (horlogerie, librairie, tech, etc.)

Alors qu’une “peak season” ratée peut plomber un atterrissage de fin d’année, effectuer un bon forecast des ventes est devenu crucial pour permettre aux marketeurs, logisticiens, responsables informatiques, et autres acteurs de l’entreprise de prendre les bonnes décisions.

Tout d’abord parce que cette période de fêtes est marquée par une tradition bien ancrée, au cours de laquelle les consommateurs changent leurs habitudes et sortent de leurs achats récurrents afin de ravir leurs proches. Leurs attentes vis-à-vis des distributeurs sont différentes tant en termes d'expérience d’achat que de produits. Certains sont des acheteurs pressés et cherchent de l’inspiration pour accomplir avec efficacité leur devoir de cadeaux, d’autres, très bien préparés, connaissent le produit recherché, allant jusqu’à décaler leur achat à la quête de la meilleure offre au meilleur moment. Enfin, certains céderont lâchement au rush de dernière minute !

Cette période connaît dorénavant de nouveaux événements inédits tant par leur concentration que leur ampleur. Importée des Etats-Unis, la “cyber week”, qui englobe Black Friday et Cyber Monday, est l'occasion d'une semaine entière de promotions en continu.  Entrée dans les habitudes de consommation il y a peu, elle est maintenant complètement adoptée du consommateur français, en atteste la multiplication par 3 des requêtes contenant le mot “Black Friday” entre 2016 et 2018 (source : Google trends). 

Une prédiction des ventes efficace devra permettre de passer avec succès le cap de fin d’année en apportant des réponses aux tendances consommateurs tout en profitant de cette période promotionnelle.

Quelle méthodologie pour établir sa prédiction des ventes ?

C’est un fait, un trop grand nombre de projets de prédiction s'embourbent au point de ne jamais passer le cap de l’expérimentation. Comme tout projet de data science, la mise en place du modèle de prédiction des ventes doit comporter certaines phases nécessaires à son succès : une phase de cadrage, une analyse exploratoire, suivie par une étape de mise en compétition et d’optimisation des algorithmes, et enfin une phase d’industrialisation.

Le cadrage doit permettre une bonne compréhension des objectifs mais également des limites de cet exercice. Quels indicateurs sont les plus pertinents à modéliser ? Les ventes, le chiffre d’affaires, les visites sur le site ou en magasin ? A quel niveau de finesse ? Produit ou catégorie de produit ? Magasin, région ou pays ? Jour ou semaine ?

Quels sont les principaux écueils à éviter ? La nécessité de prioriser les facteurs à inclure dans le modèle. Think big, start small !

Outre l’historique des ventes et les effets de saisonnalités, l’évaluation de l’impact des différents facteurs dans la prédiction des ventes pourra s’appuyer sur la collecte et l’analyse des données de campagnes Marketing (Media, CRM, Offline, etc.), des données de la concurrence, des spécificités géographiques, des données publiques (météo, etc.) ou encore de données comportementales comme les navigations sur le site et les volumes de recherche de mots clés. La qualité des sources de données, leur format ainsi que la disponibilité d’un historique sont à évaluer dans l’exercice de prévision. Sauf que, dans la plupart des organisations, l’effort nécessaire pour cheminer d’un facteur identifié vers une donnée prête à l’emploi demeure bien souvent sous-estimé.

Le succès du projet, tout comme le choix de l’algorithme, reposeront in fine tant sur cette qualité de données que sur la capacité des équipes projet à arbitrer entre complexité du modèle et moyens alloués à l’exercice.

Afin que vos prédictions des ventes soient diffusées aux bonnes personnes, au bon moment, au bon format et via l’outil approprié, il est impératif de se poser les bonnes questions dès la phase de lancement du projet. Dans quel environnement le modèle sera-t-il déployé ? Quelles seront les ressources nécessaires au déploiement et à la maintenance des prédictions ? Qui vont être les utilisateurs cibles des prédictions ? Quels processus existants seront impactés ? Quelles évolutions des Systèmes d’Information impacteront les données entrantes ? L’architecture data en place permet-elle l’industrialisation de modèles de machine learning ?

Bien souvent, l’incompatibilité entre les besoins réels des équipes, les ressources allouées et la prise en compte des contraintes de mise en production condamne les projets de data science dès les premières phases.

Seuls des modèles prédictifs industrialisés et intégrés de manière pérenne à leurs processus opérationnels permettront aux entreprises d'adapter leurs décisions. Anticiper l’industrialisation, c’est s’assurer du bon déroulement du développement et de la capacité de déploiement à grande échelle.