Le Big Data au service du Web to store

Le Web to store est un sujet souvent évoqué sur ce blog. Celui-ci se développe à un rythme effréné, grâce notamment à l’émergence des objets connectés et des big data. Le Big Data permet en effet de perfectionner une stratégie de Web to store en identifiant le client et en réutilisant ces informations à bon escient en magasin. J’ai rencontré récemment Vincent Heuschling d’Affini-Tech. Nous avons eu une discussion intéressante durant Vincent nous a parlé des Big Data, et expliqué leur utilisation dans le cadre de Web to store. Il nous a également présenté deux cas concrets menés par son entreprise.

Comment le Big Data aide-t-il à améliorer le web to store ?

Je vais prendre un exemple : un de nos clients nous a sollicité. Celui-ci avait une activité en magasin, et finançait des campagnes publicitaires sur le web. Pourtant, il ne connaissait pas l’impact de ses activités sur les ventes en magasin. Dans quelle mesure, cette activité sur le Web, très couteuse, peut-elle être rentabilisée ? Et comment l’optimiser ? Dans ce cas, nous parlons de « Data science » : c’est-à-dire trouver les meilleurs algorithmes de la donnée, pour saisir les corrélations. Nous avons donc regardé les catégories d’articles les plus appétantes, puis de créer des promotions sur le web pour générer par la suite des visites et des achats en magasin. Il est important de réussir à trouver une liaison entre des activités bien « trackées » (traffic web) et d’autres qui le sont moins facilement (traffic en magasin).

tunnel de conversion
Créer un tunnel de conversion en magasin est moins simple que sur le Web, mais il existe des outils permettant d’unifier les deux parcours, et ainsi mieux servir le client.

Pour créer ce tunnel de conversion, nous avions distribué des cartes de fidélité aux clients qui venaient en magasin. Ceci permettait d’avoir un suivi de l’individu dans sa visite sur le web, de savoir combien de temps après ceci il venait en magasin, et si ce client-là avait fait un achat qu’il avait vu sur le web. Ce système permet donc d’avoir une identification plus précise.

Pour les autres, c’était plutôt de la projection de cette identification sur des grandes masses de population. Dans ce cas, nous n’avons pas un individu, mais une zone géographique qui est la zone d’échelle d’indice d’un magasin. Par exemple : nous avons eu beaucoup de visites sur une catégorie d’article, et quelques jours plus tard, nous avons eu une augmentation de l’achat dans ces catégories d’articles. Il y a toujours dans ces sujets Big Data une certaine marge de manœuvre, mais également une incertitude qui reste malgré tout.

Nous parlons donc de corrélation et non pas de cause à effet ?

Pour les clients qui sont encarté, et qui ont eu des visites identifiées sur le Web et en magasin, puis un achat en magasin, nous parlons d’une vraie causalité. Un vrai impact de la visite et de la promotion sur le web d’un article a eu lieu.

Sur la grande masse effectivement, nous ne pouvons nous dire qu’il y a une probabilité que la projection du comportement de ces clients très fiables qui sont encartés soit valable sur le reste de la population.

Un grand volume de visite est-il donc nécessaire ?

Typiquement, le volume doit être suffisamment important pour pouvoir écarter les épiphénomènes, pour éviter l’impact des effets météorologiques sur des zones localisés, etc. Il faut donc un minimum de données de taille importante pour pouvoir tester les scénarios.

Pouvez-vous nous fournir des chiffres ?

Sur ce projet, on parlait de dizaine de milliers de visites par jour. Chaque rayon spécialisés de ce retailer ramenaient à des volumes assez consistants. Néanmoins, il faut très vite écarter les choses qui n’ont aucune appétances et sur lesquelles la zone de certitude est trop faible. Ceci est très important. Nous avions des articles pour lesquels il y avait dans certains cas une corrélation, et d’autre où il n’y avait aucune corrélation. C’est pour cela qu’il faut très rapidement savoir où il faut être fiable dans ce genre de démarche.

Cette corrélation est-elle liée a un lieu ?

Nous pouvons imaginer que les gens qui consultent dans une zone de chalandise vont acheter dans cette zone-ci. Toutefois, les gens sont mobiles : certains vont par exemple consulter cher eux, et acheter dans le magasin qui est près de leur lieu de travail. C’est un deuxième phénomène qui amène un biais. Ils vont parfois consulter des articles pendant la semaine, et le week-end, pendant qu’ils sont à la campagne, acheter ces articles. Ce sont des biais qui peuvent s’introduire également à ce niveau-là. Néanmoins, dans les grandes masses, on arrive à faire un système d’attribution. Nous parlons du fait de trouver une formule d’attribution de l’effort marketing, de pouvoir trouver sa résultante.Nous pouvons ainsi commencer à justifier les investissements marketing plus facilement.

Vous avez également mené une deuxième expérience avec un autre de vos clients, en utilisant le Wi-Fi. 

Le Wi-Fi a deux facettes. Il y a tout d’abord le fait de demander aux gens de se connecter au travers d’un portail pour être identifié ; dans de nouveaux pays, il y a des restrictions assez fortes. Mais le Wi-Fi a une autre vertu. À chaque fois qu’une antenne Wi-Fi d’un smartphone passe à proximité d’une bande Wi-Fi, elle va « pinger » cette bande et envoyer son ID, pour essayer de démarrer une transaction avec la bande, et s’y connecter. Et quand bien même vous ne vous êtes pas enregistré sur le réseau Wi-Fi de cette bande-là, votre passage sera détecté par la bande. Et donc par triangulation, en utilisant le signal de plusieurs bornes, nous arrivons à localiser à quelques mètres près les gens dans un magasin. Ainsi, de nouveau, nous retombons sur ce que nous disions tout à l’heure. Nous allons pouvoir commencer à faire des analytics que l’on faisait sur le web, et à pouvoir les faires pour les gens « dans la vraie vie ». C’est-à-dire que nous allons commencer à identifier un individu, son parcours dans un magasin, et le passé de cet individu. Même si l’individu est anonyme, nous pouvons savoir qu’il est revenu plusieurs fois dans le magasin, qu’il a passé X temps devant tel article, devant tel rayon. Nous pouvons aussi détecter quels sont les rayons qui drainent un maximum de gens, et donc réorganiser le magasin de manière à mettre à proximité les rayons qui ne sont aujourd’hui pas forcément très visités. C’est le même principe que sur le Web, pour amener le visiteur vers une autre page, en pied d’une page, etc.

Installer un dispositif comme celui-là doit être relativement lourd..

En effet, il y a une nécessité de traiter énormément d’informations, d’avoir des chaines de traitement complexes, parce que le signal est extrêmement moleté. À cause d’une distorsion du signal, les gens peuvent être quelques mètres plus loin. Il y a donc beaucoup de travail de calibrage au départ. De plus, il y a des chaines de traitement qui acquièrent des données dans le cloud et qui les restitue comme des informations qui devaient être présentées de manière géographique mais en topologique sur le magasin. Le cloud est l’un de nos outils favoris pour traiter les Big Data. Nous avons des volumes de données très importants : chaque visiteur a un nombre de points de passage important.

Si l’on préfère ne pas se lancer dans ce genre de projet, la solution alternative serait-elle le Beacon ?

Le Beacon pourrait être complémentaire. En utilisant le Beacon, nous obtenons un dispositif qui va déclencher une application, et une action que l’on souhaite avoir sur une application qui a été installée au préalable dans le téléphone. L’intérêt de ce Beacon, est de pouvoir alerter un rayon de la présence d’un individu dont on connait tout. A ce moment-là, nous arrivons à des scénarios qui peuvent aller jusqu’à la personnalisation de l’interaction avec l’individu en utilisant par exemple un moteur de recommandation. Je crois que Burberry utilise ce genre de systèmes. Ceci fait que les vendeurs Burberry ont sur une tablette les différents articles qui seront les meilleures ventes additionnelles pour le client qui rentre en magasin. Ceci car le client a pu être identifié grâce à cette technologie.

Les retailers et les distributeurs mettent-ils véritablement en œuvre ces solutions ?

Aujourd’hui de nombreux retailers sont dans l’incubation technologique pour faire des tests et pour détecter le comportement des individus devant les rayon. Je crois que Darty est assez avancé sur ce sujet : ils ont essayé de faire un lien entre leurs activités internet et leurs activités en magasin, ce qu’ils font très bien.

Aujourd’hui, nous en sommes encore dans les balbutiements du Web to store.

Oui, je pense que nous en avons beaucoup parlé. Beaucoup de choses ont été montrées lors de la NRF cette année. Je pense que dans les années à venir, ce sont des choses que l’on va nécessairement avoir puisque les scénarios d’engagement entre les clients et les commerçants peuvent vraiment se faire au travers de ce type de technologie. Et on va pouvoir commencer à porter le « Unfair Advantage » du commerce connecté. On va pouvoir le porter dans le magasin au prix de l’adoption de ce type de technologie.

Pouvez-vous nous en dire plus sur Affini-Tech ?

Affini-tech est une Start-up qui intervient sur les projets Big Data. Nous accompagnons le client dans les trois grandes phases d’un projet Big Data :

  • Le Big Data : quelle est sa finalité ? Comment mon organisation pourra utiliser le Big Data ?
  • Ensuite une fois que nous avons trouvé le bon sujet, nous parlons de« Data science » : Comment faire parler les données ? Comment trouver les bons algorithmes pour créer de la valeur à partir des données ?
  • La dernière grande phase d’un projet Big Data, consiste à se poser les questions suivantes : Comment construire des applications ? Comment utiliser les ressources à disposition pour faire tourner ces applications ? On peut donc dire que c‘est typiquement un métier qui tourne autour du « cloud ».
Le Big Data au service du Web to store was last modified: décembre 1st, 2015 by Yann Gourvennec
Yann Gourvennec
suivez moi !

Yann Gourvennec

PDG & fondateur chez Visionary Marketing
Yann Gourvennec a créé le site visionarymarketing.com en 1996. Il est intervenant et auteur de 4 ouvrages édités chez Kawa. En 2014 il est devenu entrepreneur, en créant son agence de marketing digital Visionary Marketing, en association avec Effiliation. Il est directeur de programme du Mastère Spécialisé Digital Business Strategy de Grenoble Ecole de Management depuis 2015
Yann Gourvennec
suivez moi !

10 réflexions sur “ Le Big Data au service du Web to store ”

Votre avis nous intéresse :