WATCH : Conforama successfully transitions to a more streamlined and efficient cross-channel strategy by integrating an AI solution for personalized product recommendations.

Conforama is the second largest home furnishings retailer in France and is present in seven countries, with 300 stores, including 200 in France. The company sells furniture and decorative items in kit form and posted sales of 1.7 billion euros in 2022.

As a gateway brand, Conforama’s goal is to “Make what people want most accessible at the best price.” It’s an ambition backed by a transformation plan to deliver an omnichannel experience through data and AI. An initial audit and data marketing vision with Artefact identified and prioritized 12 use cases and 25 technical and organizational enablers. The first use case was to integrate a personalized product recommendation into the company’s weekly emails.

Este caso de uso planteaba varios retos:

  • ¿Cómo entender las necesidades de tres millones de clientes y recomendarles los productos más relevantes de un catálogo con 42.000 referencias?
  • ¿Cómo proponer sólo productos en stock, en promoción y que no se hayan sugerido ya a los clientes?
  • ¿Cómo manejar y mantener fácilmente la solución técnica?

Ahorrar tiempo a los consumidores y mejorar la productividad de las empresas

Mediante el uso de algoritmos de aprendizaje automático para analizar al usuario data, como sus preferencias, historial de compras y comportamiento en línea, la recomendación de productos basada en Inteligencia Artificial sugiere productos relevantes para los consumidores de forma personalizada. Esto permite a las empresas comprender mejor las necesidades de sus clientes y recomendarles productos que se ajusten a sus intereses, lo que se traduce en un aumento de las ventas y de la fidelidad de los clientes.

One of the main benefits of this solution is that it saves customers time. Rather than scrolling through countless product pages to find what they’re looking for, customers can quickly access a selection of recommended products that specifically meet their needs. AI-based product recommendation can enhance the online shopping experience and encourage customers to return for more purchases. A strategic advantage, given that 72% of consumers only interact with marketing messages that are personalized and tailored to their interests.

In addition, AI-based product recommendation can boost business productivity: machine learning algorithms can analyze large amounts of data in real time, allowing companies to continuously monitor customer trends and buying behavior. This can help organizations better understand customer desires and quickly adapt their product offerings accordingly. It can also enable companies to optimize their inventory by offering products that are more likely to sell, which can lower costs and maximize profits.

Por último, la recomendación de productos basada en AI puede ofrecer importantes ventajas comerciales. Al sugerir productos relevantes y personalizados a los clientes, las empresas pueden mejorar su tasa de conversión, aumentar las ventas y reforzar su imagen de marca. Desde una perspectiva de mercado, se ha demostrado que la recomendación de productos basada en AI proporciona un crecimiento incremental del +2,5%.

Un primer caso de uso centrado en la personalización de campañas por correo electrónico

Antes de este proyecto, todos los clientes de Conforama recibían correos electrónicos con los mismos ocho productos seleccionados cada semana por los equipos de marketing. Se trataba de una tarea muy laboriosa, ya que requería identificar los ocho productos con más probabilidades de interesar a tres millones de clientes, cada uno de los cuales tenía intereses únicos. Todo este tiempo dedicado a analizar data podría haberse empleado en actividades más estratégicas, como la creación de contenidos editoriales para esos correos electrónicos.

En la actualidad, cada martes se envía un correo electrónico a cada cliente de Conforama con ocho recomendaciones de productos. Pero estas recomendaciones se personalizan en función del historial de compras y se filtran exclusivamente por productos que están en oferta, disponibles en tiendas y que no han aparecido en activaciones anteriores.

La solución AI implementada incluye 4 pasos principales de procesamiento data :

  • Recopilación de historiales de transacciones, referencias de clientes y productos y, a continuación, preparación de data ;
  • Construcción del modelo "Collaborative Filtering" para calcular el apetito de los clientes por el catálogo de productos;
  • Filtrado de productos basado en el inventario disponible, noticias comerciales (ventas, promociones, etc.), activaciones y compras anteriores;
  • Producto data enriquecimiento (fotos, precios, descripciones, etc.) para la activación.

This solution is based on 16 data tables, 25 transformation and modeling steps, and 40 automated quality tests. Dozens of iterations of the model made it possible to choose the most efficient approach based on transaction history. Thanks to this solution, Conforama now generates several million recommendations each week in 45 minutes at a cost of 50 euros per week.

En otras palabras, si contamos los costes de desarrollo y funcionamiento, así como las ventas incrementales, el punto de equilibrio del proyecto se alcanza en una semana, con una solución automatizada y fiable.

“Time savings, yes, but above all a business benefit for our CRM teams. Because thanks to this personalization, customers click more and therefore buy more. We’ve gained 15% of the click rate following the personalization of these emails, which represents several million in incremental sales.”
Mélodie Charles, Marketing Director Conforama

Una transición fluida a AI: lecciones del éxito de Conforama

Para muchos jugadores, existen tres retos relacionados con su nivel de madurez:

  • Nivel 1: Personalización de un punto de contacto basado actualmente en reglas mediante un enfoque algorítmico AI ;
  • Nivel 2: Ampliación de la recomendación personalizada basada en AI a todo el recorrido del cliente (productos similares / productos complementarios / sugerencias basadas en el historial de compras);
  • Nivel 3: Optimización de la orquestación de recomendaciones en todos los canales para garantizar una experiencia omnicanal.

El nivel 1 suele ser el más difícil, ya que requiere sentar las bases de cuatro dimensiones distintas: visión del objetivo, experiencia del usuario y prioridades; data fuentes; herramientas tecnológicas; equipo del proyecto y método de trabajo.

El ejemplo de Conforama Servicios valiosas lecciones sobre estas cuatro dimensiones:

  • Seleccionar un primer caso de uso y funcionalidades que puedan implantarse y medirse rápidamente para poner a la organización en la senda del éxito. Por ejemplo, gracias a esta primera victoria, Conforama ya puede planificar el despliegue de recomendaciones de productos en las tiendas o la mejora de su algoritmo gracias a la navegación data.
  • Asegúrese de que data es fiable. Una buena modelización de data se basa ante todo en una buena calidad de data. En el caso de Conforama, se realizaron análisis exploratorios de más de 50 tablas para seleccionar las fuentes de data en ámbitos como el conocimiento de los clientes, los repositorios de productos y las transacciones.
  • Utilizar tecnologías que permitan a los equipos desplegar una solución técnica de forma rápida y colaborativa. Conforama seleccionó las herramientas más adecuadas para este tipo de flujo de trabajo: DBT, BigQuery ML y Vertex AI por su rendimiento, modularidad y portabilidad.
  • Crear un equipo especializado capaz de abordar todos los problemas potenciales y adoptar un enfoque de prueba y aprendizaje. Para ello, se formó un equipo multidisciplinar de TI/empresa de Conforama y se adoptó un enfoque de sprints de 2 semanas.