Quelle utilisation du Big Data dans un modèle de distribution multicanal ? L’exemple du Groupe Yves Rocher


Auteur :

  • Pierre-Antoine Grosbras (Data & Business Intelligence Director, Groupe Yves Rocher)
  • Propos recueillis lors du séminaire organisé par l’ANVIE, animé par Romain Zerbib, Directeur de publication de Management & Data Science, sur le thème « Comment mettre le big data au service du marketing et de la satisfaction client ? »

Pour télécharger et citer cet article :

téléchargementGROSBRAS, P-A. (2018). Quelle utilisation du Big Data dans un modèle de distribution multicanal ? L’exemple du Groupe Yves Rocher. Management & Data Science, 2(1), 31-33.

 


 

Enjeux

L’explosion de la quantité de données produites par les objets connectés ou sur les réseaux sociaux et leur circulation rapide confrontent les décideurs au règne de l’instantanéité. La veille s’effectue en quasi temps réel et le rythme de la prise de décision connaît une accélération sans précédent. De nouveaux concurrents peuvent faire irruption à tout moment sur le marché et faire vaciller des leaders solidement établis. Leur maturité digitale leur permet d’adopter un positionnement original et une approche agile, à l’écoute des nouveaux besoins des clients. Les entreprises ont plus que jamais besoin d’appréhender de manière efficiente les données pour en tirer pleinement parti et innover. Tout l’enjeu pour les décideurs consiste désormais à repérer les opportunités et les menaces de leur écosystème avec un maximum d’anticipation et de réactivité pour agir en conséquence. Quelles sont les clés pour sélectionner l’information utile parmi la masse de données et la conjuguer avec une vision stratégique, seule à même de lui donner du sens ? Jusqu’où une approche data-driven peut-elle permettre d’améliorer la connaissance client ? Quelles opportunités de création de valeur et d’innovation offrent le big data et l’open data ?

L’entreprise

Yves Rocher est un groupe familial créé en 1959 et géré depuis lors par des générations «d’entrepreneurs-créateurs » (capital toujours détenu par la famille à hauteur de 99%). Le succès initial de l’entreprise repose sur une idée très originale à l’époque : vendre des produits de beauté à distance, permettant d’entrer en contact avec une clientèle largement rurale, qui ne consommait pas des produits de cosmétique et de beauté. Yves Rocher est certes présent en France (30 % du chiffre d’affaires environ) mais également dans le monde entier.

A l’origine pur VPCiste, Yves Rocher a toujours eu la donnée au cœur de son modèle économique. L’entreprise s’est depuis emparé du Big Data, à travers plusieurs initiatives notables.

Solution

Mettre la donnée au cœur du modèle marketing et de distribution

Yves Rocher vend ses produits par correspondance depuis l’origine de l’entreprise. Les données sont essentielles à la vente par correspondance : la mesure des résultats des offres adressées permet une optimisation permanente de celles-ci. Cela permet in fine une optimisation des investissements, des contenus, des médias et du portefeuille produits.

Les informations recueillies permettent de bâtir des segmentations et des typologies de clients/contacts, de personnaliser les contacts et de scorer les plans de contacts. Dans ces processus, des éléments essentiels sont mobilisés :

  • des protocoles de test ;
  • la qualité des SI ;
  • la pertinence des méthodes statistiques ;
  • le partage par toute l’entreprise de la donnée et de l’objet statistique, conséquemment à un modèle économique bâti autour de la donnée. Le Marketing est clairement animé par une « culture du chiffre ».

Yves Rocher pratique certes la vente à distance, mais dispose également de boutiques (700 magasins en France, la quasi-totalité n’étant pas détenus en propre). Le modèle de vente en boutique s’inspire du modèle de vente à distance. Ainsi, la quasi-totalité des achats sont reliés à des clientes détentrices de la carte de fidélité. Des offres marketing sont directement adressées aux clientes, ce qui génère une partie du trafic en magasin. Par ailleurs, les procédés marketing et commerciaux à l’œuvre reprennent largement ceux utilisés en vente à distance : les clientes et leurs achats sont connus, et les données qui en émanent sont capitales. En outre, les offres adressées sont analysées et optimisées en continu.

Réorganiser la vente à distance vs. la vente en magasin

La digitalisation des contacts accentue encore davantage le rôle et le poids des datas. Les sources de données se diversifient (réseaux sociaux, données de navigation) et les équilibres économiques sont différents. Les médias « sociaux » sont moins coûteux, mais également moins performants que la publicité classique. De plus, la problématique de la protection des données personnelles doit naturellement être prise en compte. Yves Rocher, enfin, doit être en capacité de trouver la meilleure articulation entre la vente en magasin et le digital.

Quelques différences entre les deux modèles (vente à distance et vente en magasin) doivent néanmoins être notées :

  • l’emplacement et les caractéristiques du lieu de vente physique jouent un rôle important sur les ventes
  • le lien entre la force de vente et les clients conditionnent les ventes
  • et tout n’est pas maîtrisable : la météo par exemple

Cas d’usage

L’algorithme Look Alike

Lorsque une nouvelle cliente se présente, l’entreprise recueille des informations la concernant (notamment d’ordre géographique). A partir de ces données, des ressemblances sont établies entre cette cliente et certains profils de clientes fidèles. Sur la base d’observations des achats réalisés par des clientes au profil ressemblant, des recommandations personnalisées sont proposées à la nouvelle cliente. Les calculs à réaliser sont énormes : environ un million de nouvelles clientes tous les ans, et un million de clientes fidèles… d’où le besoins de recourir à un algorithme extrêmement puissant, qui tient compte de nombreuses variables – près de 80. Ressort du croisement de toutes ces variables une « distance » entre les nouvelles clientes et les clientes fidèles ressemblantes. Et de cette distance découle la recommandation de tel ou tel produit.

Des données d’ordre géographique sont utilisées certes pour personnaliser l’offre, mais également pour faire évoluer le parc de magasins. Les données permettent, par exemple, de calculer le potentiel théorique de magasins par zone de vie, de rechercher des opportunités réelles (centre-ville vs. centres commerciaux), de fixer des prévisions de rentabilité, etc. A noter que la donnée seule ne suffit pas dans ce cadre : elle ne permet pas de modéliser un potentiel de manière parfaite. Le concours des acteurs de terrain, qui connaissent parfaitement celui-ci, est indispensable. Il faut toutefois que ces acteurs de terrain soient en capacité de s’approprier le travail de modélisation et de traitement des données faits en amont.

En se dotant d’outils de géomarketing, Yves Rocher a pu développer sa connaissance de ses magasins, en ne se cantonnant plus à l’analyse brute du chiffre d’affaires. Il est désormais possible d’analyser beaucoup plus finement l’évolution de la zone de chalandise, d’établir des typologies de magasins selon des critères sociodémographiques (ce qui permet de mieux les comparer, de fixer des objectifs plus précis pour chacun d’entre eux).

Un prototype Big Data

Le lancement d’un prototype s’explique par le fait que la donnée, la statistique, est considérée comme une réelle plus-value en termes de valeur ajoutée. Yves Rocher ne peut pas se permettre d’avoir « un train de retard » en la matière, au risque de perdre un avantage concurrentiel.

Le prototype en question, mené sur une durée de 7-8 mois, visait à comprendre en quoi les données de navigation permettent d’améliorer la connaissance client. Il s’agissait également de mettre en œuvre des KPIs jusqu’alors impossible à industrialiser et, d’un point de vue RH et managérial, de permettre le passage du métier de « statisticien » à celui de « data scientist ».

Autres applications

L’exploitation des données massives permet d’envisager d’autres applications, comme notamment :

  • appréhender de nouveaux modèles de stockage de données et de nouveaux logiciels
  • élaborer des contacts plus pertinents avec les clientes

Plusieurs enseignements ont été tirés de cette expérience :

  • des études concrètes en data science ont été menées.
  • des KPIs clientes en magasin ont été établis.
  • un nouveau moteur de recommandation pour les nouvelles clientes a été construit, ainsi qu’un prototype technique des KPIs sur mobile.

Conclusion

« Les bénéfices du prototype sont réels : la connaissance client s’est améliorée. Par exemple, le type de navigation par type de clientes est désormais beaucoup mieux connu et, surtout, quantifié. Les produits vus et les produits achetés le sont également. Par ailleurs, les KPIs sont beaucoup plus précis, car ils ne sont plus calculés sur la base d’échantillons. Leur calcul est également plus rapide. D’un point de vue RH et métier, le fait de parler désormais de data scientist permet d’attirer davantage de jeunes talents et de faire évoluer les statisticiens – leurs perspectives de carrière s’en trouvent améliorées. Enfin, les contacts s’avèrent plus pertinents qu’auparavant ; pour autant, il a été décidé, en l’état, de ne pas en tenir compte dans l’évolution des plans de contacts, qui sont somme toute très efficaces. » Pierre-Antoine Grosbras