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.
Plusieurs challenges doivent être adressés grâce à ce cas d’usage :
- Comment comprendre les besoins de 3 millions de clients et proposer les produits les plus pertinents parmi un catalogue de 42 mille références ?
- Comment proposer uniquement des produits en stock, en promotion, n’ayant pas été déjà proposés aux clients ?
- Comment facilement opérer et maintenir la solution technique ?
La recommandation produit grâce à l'intelligence artificielle : gain de temps pour les consommateurs, et amélioration de la productivité business
La recommandation produit basée sur l'intelligence artificielle consiste à utiliser des algorithmes d'apprentissage automatique (Machine Learning) pour analyser les données des utilisateurs, telles que leurs préférences, leur historique d'achat et leur comportement en ligne, afin de leur proposer des produits pertinents pour eux de façon personnalisée. Cela permet aux entreprises de mieux comprendre les besoins de leurs clients et de leur recommander des produits qui correspondent à leurs intérêts, ce qui se traduit par une augmentation des ventes et de la fidélisation de la clientèle.
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.
Enfin, la recommandation produit basée sur l'IA peut offrir des bénéfices commerciaux significatifs aux entreprises. En proposant des produits pertinents et personnalisés à leurs clients, les entreprises peuvent améliorer leur taux de conversion, augmenter les ventes et améliorer leur image de marque. D’un point de vu marché, on constate +2.5% de croissance incrémentale grâce à la recommandation produit basée sur l'IA.
Un premier cas d’usage centré sur la personnalisation des campagnes de mailing
Avant ce projet, l’ensemble des clients recevaient les mêmes 8 produits, préalablement sélectionnés chaque semaine par les équipes marketing. Une tâche fastidieuse, puisqu’elle consistait à identifier les 8 produits qui seraient les plus susceptibles d'intéresser 3 millions de clients ; chaque client ayant des intérêts différents ! Autant de temps consacré à des analyses de données qui n’était pas utilisé sur des activités plus stratégiques comme le contenu éditorial des e-mails.
Aujourd’hui, un email est envoyé à l’ensemble des clients Conforama tous les mardis avec à l’intérieur une recommandation de 8 produits. Cette recommandation est personnalisée en fonction de l’historique d’achat, et filtrée uniquement sur des produits en promotion, disponibles en stock et qui n’ont pas été mis en avant dans des activations précédentes.
La solution IA implémentée repose sur 4 grandes étapes de traitement des données :
- Collecte des historiques de transaction, des référentiels clients et produits, puis préparation de la donnée,
- Construction du modèle de « Collaborative Filtering » pour calculer l’appétence des clients sur le catalogue produit,
- Filtrage des produits en fonction des stocks disponibles, de l’actualité commerciale (soldes, promotions, etc.), des activations et achats passées,
- Enrichissement des données produits (photos, prix, description, etc.) pour l’activation.
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.
Autrement dit, si on compte les coûts de développement et d’opération, ainsi que les ventes incrémentales, le point de rentabilité du projet est atteint en 1 semaine, avec une solution automatisée et 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
Réussir sa transition vers l’IA : les 4 enseignements de la success story Conforama
On constate chez de nombreux acteurs, 3 enjeux en fonction du niveau de maturité :
- Niveau 1 : Personnaliser un point de contact aujourd’hui rule-based via une approche algorithmique d’IA,
- Niveau 2 : Étendre la recommandation personnalisée AI based sur l’ensemble du parcours client (produits similaires / produits complémentaires / suggestion en fonction de l’historique d’achat),
- Niveau 3 : Optimiser l’orchestration des recommandations sur l’ensemble des canaux afin de garantir une expérience omnicanale.
Le niveau 1 est souvent la marche la plus difficile à franchir puisqu’elle nécessite de poser des fondations au regard de 4 dimensions : Vision, cible expérience utilisateur et priorités ; Sources de données ; Outils technologiques ; Équipe projet et méthode de travail.
L’exemple Conforama permet de faire émerger des enseignements au regard de ces 4 dimensions :
- Sélectionner un premier cas d’usage et des fonctionnalités réalisables et mesurables rapidement, cela permettra d’embarquer l’organisation sur le chemin du succès. Par exemple, aujourd'hui c’est grâce à ce premier succès que Conforama peut se projeter sur le déploiement de la recommandation produit en magasin ou encore l’amélioration de l'algorithme grâce aux données de navigations.
- S’assurer que les données sont fiables. Une bonne modélisation de données repose avant tout sur des données de bonne qualité. Avec Conforama, nous avons réalisé des analyses exploratoires sur plus de 50 tables afin de sélectionner les sources de données sur des domaines comme par exemple la connaissance clients, les référentiels produits, ou encore les transactions.
- Utiliser des technologies qui permettent aux équipes de déployer rapidement et de manière collaborative une solution technique. Nous avons notamment sélectionné avec Conforama les outils les plus appropriés pour ce type de workflow : DBT, BigQuery ML, Vertex AI pour leur performance, modularité et portabilité.
- Constituer une équipe dédiée qui sera capable de traiter l’ensemble des problèmes potentiels, et adopter une approche test & learn. Pour cela, nous avons constitué une équipe multidisciplinaire IT / business Conforama, et une approche par sprint de 2 semaines.
