Devenir data-driven et en récolter des bénéfices immédiats n'a jamais été aussi facile

En 2022, les conditions de marché particulièrement chahutées ont bousculé le secteur de la distribution en matière de politique de prix et de supply chain. Si l’optimisation des prix a toujours été une préoccupation au quotidien pour cette industrie, la hausse de 5,2% des prix à la consommation sur l’ensemble de l’année 2022 (contre 1,6% en 2021) et son accélération au premier trimestre 2023 a renforcé l’urgence à réagir. On doit prendre beaucoup plus de décisions d’ajustement de prix tous les jours, pour absorber des hausses de coût ou réagir aux repositionnements des compétiteurs, et les déployer dans son réseau de magasins immédiatement.

Facteur de complication conjoncturel, un voile plane au-dessus des chaînes d’approvisionnement, hérité des perturbations liées à la pandémie. Dans bien des cas, les enseignes n’ont plus la certitude de pouvoir proposer tous les produits faute de les avoir en stock.

Pour répondre à ces deux défis, les acteurs capables de s’appuyer massivement sur leurs données, et de les traiter dans l’instant et à grande échelle par le machine learning, se démarquent. Bien sûr, on ne parcourt pas tout le chemin de data-rich à data-driven en un jour, mais, contrairement à une crainte répandue, la maturité des technologies est telle que des premières briques déployables en quelques semaines, portent très rapidement leurs premiers fruits.

L’inflation a accru l’attention des distributeurs sur le défi quotidien de l’optimisation des prix : comment identifier les produits les plus sensibles aux variations de prix (élasticité) ? Quels sont les produits qui façonnent l’image de prix d’une enseigne (known value items) ? Comment réagir en temps réel aux repositionnements des concurrents ? Puisque les promotions représentent une part croissante des ventes (les consommatrices et consommateurs étant plus qu’auparavant à la recherche de bonnes affaires compatibles avec un budget contraint) comment les optimiser sans impacter la profitabilité ? Toutes les réponses sont dans la data ! La data client et l’historique de ventes propres peuvent être combinées à des données externes tels que les relevés des prix et promotions chez les concurrents, la saisonnalité, les évènements du calendrier, et, oui, la météo (!) pour prendre les bonnes décisions. Tout ça, les équipes de pricers, de category managers des distributeurs l’ont toujours fait. Malheureusement pour elles, souvent dans Excel et avec un temps disponible à y consacrer contraint par leurs très nombreuses autres responsabilités.

Quoi de neuf alors ? Ce qui est nouveau c’est la disponibilité aujourd’hui d’algorithmes sur étagères éprouvés qui automatisent les prises de décision les plus simples, ce qui est nouveau c’est la disponibilité massive de data third party de façon fluide dans le marché, ce qui est nouveau surtout c’est la facilité de prise en main des stacks technologiques qui permettent de brasser des millions de transactions en quelques millisecondes. Aujourd’hui, on peut construire en 3 mois une plateforme data croisant toutes ses données de transactions, de promotions, de stock, sa hiérarchie produits, sa hiérarchie magasins, ses données client, etc... Et, laisser son partenaire technologique gérer dans le cloud la tuyauterie, le déploiement de ressources, les dimensions réseau par ses services managés. Aujourd’hui, comme monsieur Jourdain, si on connait Excel et PowerPoint, on est un data analyst sans le savoir : on peut en quelques jours prendre en main des data dans un BigQuery (Google), Synapse (Microsoft) ou Snowflake et se construire des tableaux de bord interactifs dans Looker, Power BI ou Tableau.

Ces dernières années, le contexte sanitaire et géopolitique a également mis à mal les supply chains. Aujourd’hui, le taux de service des fournisseurs varie d’une semaine à l’autre et les délais de livraison peuvent devenir très hypothétiques. Les modes d’écoulement se sont aussi grandement complexifiés : il faut non seulement approvisionner les magasins, mais aussi servir des commandes à domicile, en click and collect, via des partenaires… Ici encore, la data science vient au secours des distributeurs en leur permettant de contrôler – au mieux - la gestion des stocks. En s’appuyant sur le machine learning, on peut aujourd’hui analyser les tickets de caisse en temps réel pour détecter immédiatement les ruptures en rayon, on peut calculer la propagation des incertitudes sur tous les maillons de la chaîne pour mieux dimensionner ses stocks tampon, ou encore optimiser sous un nombre infini de contraintes l'allocation des stocks (pour optimiser ses coûts, pour raccourcir les délais de livraison, pour optimiser son empreinte carbone…).

Dans un métier où les marges sont tellement serrées que l'excellence opérationnelle est une nécessité, la notion de "data-driven company" est loin d’être nouvelle. Ce qui change aujourd’hui, c’est la simplicité d'accès et d'utilisation des plateformes technologiques.

Si la technologie n’est plus une barrière, l’enjeu reste de rendre ces solutions disponibles au plus grand nombre. Pour en démocratiser l’usage, il faut déployer des solutions simples, mais massivement à l’échelle, il faut multiplier les programmes de formation des collaborateurs, à la carte ou plus intensifs, ou encore organiser des événements (e.g. hackathons) qui emballent les managers acteurs de la transformation. Data is about people. C’est la tagline d’Λrtefact, à raison.

Cerise sur le gâteau, la donnée représente également en elle-même une mine d’or grâce au retail media et au data sharing. A mesure que la captation des signaux digitaux se complique, les milliards de transactions et d’interactions avec les clients, générés par les distributeurs sont devenus pour eux un avantage stratégique déterminant. Ces données qui permettent de comprendre en profondeur les attentes des consommateurs ont, en effet, un fort potentiel de monétisation. Mais il s’agit ici d’une transformation très profonde, existentielle, du business model du distributeur : on passe d’un modèle auto-financé (BFR négatif) mais de marge très étroite, à un modèle où les investissements initiaux sont conséquents mais la marge élevée. Une révolution copernicienne, peut-être pas la plus facile à engager pour tous les acteurs.

Dans le grand supermarché des opportunités dans le retail, les technologies data sont aujourd'hui en tête de gondole, en libre-service. Profitez sans attendre de ces offres imbattables !