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 ?

Lire la suite

Le Big Data au service du Web to store was last modified: décembre 1st, 2015 by Yann Gourvennec