Contexte

Il faudrait vivre dans une caverne pour ne pas avoir constaté que nos habitudes ont été très bouleversées dû à la pandémie du Covid-19, notamment en termes de courses alimentaires gérées principalement par la grande distribution. Selon LSA, magazine de la grande consommation en France, environ 1,2 millions de ménages ont fait les courses via le drive au début du confinement en mars 2020 (DENEUX ,2020). Les courses effectuées en ligne représentaient 10% en avril 2020, contre 6% en avril 2019.

Ainsi, La grande distribution, considérée comme l’un des secteurs essentiels à l’économie d’un pays, comme nous avons pu le constater tout au long des confinements de l’année 2020, fait actuellement face à l’accélération forcée de sa transformation digitale. En effet, elle doit s’adapter à l’émergence du nouveau consommateur 5.0, dont les caractéristiques sont les suivantes.

• Le consommateur 5.0 (DURAND, 2021) est un consommateur collaborateur. Il peut créer du contenu, mais aussi participer à la co-conception de l’offre d’une entreprise.
• Le consommateur 5.0 est un consommateur hédoniste. Il prête une attention particulière de son expérience client, notamment digitale.
• Le consommateur 5.0 est engagé. Il se préoccupe autant de sa responsabilité vis-à-vis des dimensions éthiques, sociales ou politiques que celle du produit qu’il consomme.
• Le consommateur 5.0 est en recherche de sens et de significations dans ses habitudes de consommation.
• Comprendre les besoins et les envies du consommateur 5.0 pour leur offrir la meilleure expérience digitale possible est un enjeu essentiel pour la grande distribution.

Le premier confinement a surligné la difficulté de la grande distribution à proposer à ce nouveau type de consommateurs 5.0 une expérience digitale fluide (site web saturé, dégradation de la qualité des services, attente longue au drive…). Or, dans la grande distribution, la gestion opérationnelle et logistique s’avère une question clé dans l’amélioration de cette expérience : il est en effet crucial pour les points de vente à dominance alimentaire de pouvoir gérer le flux de demande.

Comment la grande distribution peut-elle anticiper cette demande du drive et de la livraison en vue d’adapter sa gestion opérationnelle et favoriser une meilleure expérience client ?

L’une des solutions serait, grâce à l’exploitation des données, notamment de l’Open Data, de modéliser cette demande fluctueuse pour que les entreprises puissent s’y préparer à l’avance et donc fournir un service de meilleure qualité. C’est ainsi que nous proposons comme solution un tableau de bord “E-Grocery Smart Vision” qui permettra aux équipes de services en ligne de mieux prévoir l’évolution de la demande.

Objectifs de l’étude

De nombreux facteurs pourraient avoir un impact sur la demande globale des consommateurs dans les services en ligne. Les conditions météorologiques et la saisonnalité sont des éléments souvent pris en compte dans la gestion du “retail” (Steiner et al. 2017 ; Moon et al. 2018). Nous nous intéressons dans notre projet à deux variables supplémentaires en particulier qui sont étroitement liées à la crise sanitaire que nous traversons, à savoir la mobilité individuelle (Visser & Lanzendorf 2004) et la propagation du coronavirus. Une étude récente sur les données taïwanaises a montré qu’un cas de contamination supplémentaire pourrait augmenter les ventes de nourriture en ligne de 6% et le nombre de clients de 5% (Chang & Meyerhoefer 2020).

Ainsi, nous proposons de tester et mesurer la corrélation entre les quatre variables explicatives : saisonnalité, pandémie, mobilité, météo et la variable dépendante qui est la demande de services de livraison à domicile et drive chez les grands distributeurs des deux dernières années.

Exploitation des données Open Data

Afin de quantifier le besoin des consommateurs vis-à-vis de la livraison à domicile et du drive proposés par les distributeurs, nous avons utilisé l’indicateur Google Trends. En effet, celui-ci permet de comparer la “tendance” des mots-clés recherchés sur Google. Néanmoins, ce dernier ne fournit pas le détail concernant le nombre de recherches qui y sont associées. Nous supposons que plus un mot est recherché, plus le consommateur est intéressé par le produit ou le service qu’il représente. Ainsi, nous avons comparé l’indicateur Google Trends pour les mots[1] suivants en France entre 2019-2020 : Livraison Carrefour, Drive Carrefour, Livraison Leclerc, Drive Leclerc, Livraison Intermarché, Drive Intermarché, Livraison Auchan, Drive Auchan.

Par la suite, nous avons identifié une série de variables explicatives qui qui auraient potentiellement un lien de corrélation avec nos indicateurs Google Trend : la pandémie du Covid-19, la mobilité du public, les conditions météorologies ainsi que la saisonnalité. Le jeu des données choisi pour la mobilité en 2020 provient de la plateforme “Google Mobility Covid”. Il permet de comprendre l’évolution de la mobilité du public depuis le début de la pandémie. Le jeu de données de la pandémie, quant à lui, provient de l’API du gouvernement. Il permet aux grands distributeurs de repérer et d’anticiper le seuil à partir duquel le gouvernement peut hypothétiquement envisager une stratégie de confinement ou de couvre-feu et par conséquent, calculer son impact sur la demande de livraison à domicile et le drive. Les data sets de la météo et la saisonnalité proviennent des Open Data du gouvernement. Ils permettront de visualiser à quelle période et à quelle température, la demande de services de livraison à domicile ou de drive s’accentue.

Après avoir extrait ces jeux de données, il est nécessaire de les nettoyer afin de les relier et créer notre Dashboard. N’ayant accès qu’à un certain type de data sets gratuitement en Open Data, et dans un souci de cohérence des données, nous avons dû arbitrer sur les paramètres suivants :

• Pour avoir les données de 2019 et 2020 sur la livraison et le drive, Google trends ne propose en termes de période que la notion hebdomadaire. Or, les données de la pandémie, de la saisonnalité et de la mobilité étant en données journalières, on a décidé de convertir le data set de Google trends en données journalières en décuplant le même indice dans une même semaine.
• De plus, les données du Google Trends étant au niveau national et ceux de la météo au niveau départemental, nous avons décidé de définir une moyenne nationale de la température par date.
• La pandémie et la mobilité ne sont disponibles que pour 2020, nous relierons ces données avec Google trends que durant l’année 2020.
• Par ailleurs, nous avons choisi, en ce qui concerne la pandémie, l’indicateur “nombre de patients hospitalisés” et pour la mobilité, l’indice “Retail and Recreation”.

Tests statistiques

Pour s’assurer de la pertinence des variables explicatives que nous avions choisies, nous avons réalisé trois tests statistiques sur le logiciel IBM SPSS (voir annexes), à savoir :

• Test de corrélation bivariée sur les données Drive et Livraison ;
• Régression linéaire multiple sur les données Drive (variable dépendante) et les variables explicatives ;
• Régression linéaire multiple sur les données Livraison (variable dépendante) et les variables explicatives.
• D’après notre analyse, les données Drive et Livraison présentent une bonne corrélation à travers la période 2019-2020. En revanche, les deux régressions linéaires ont montré qu’il n’y a pas de relation linéaire significative entre aucune des deux variables dépendantes et la variable “saisonnalité”. Nous avons décidé donc d’écarter celle-ci dans notre étude.

Description du tableau de bord

Ce tableau de bord se décompose en deux parties.

Une première partie avec une visualisation principale nous rappelant le nombre de cas confirmé au Covid-19 en France depuis le début de la pandémie en temps réels.

Une deuxième partie composée de trois graphiques associés à deux indicateurs statistiques, dont le but est de faire une analyse sur le drive et la livraison à partir de trois facteurs influents (météo, pandémie & mobilité).

Les deux indicateurs statiques utilisés pour établir notre analyse sont :

• R2 qui est un coefficient de détermination. Ce coefficient varie entre 0 et 1, et détermine si la prédiction est faible (proche de 0) ou forte (proche de 1).
• Bêta qui est un coefficient de régression standardisé, détermine si nos courbes ont la même tendance ou pas. Le symbole est tiré de l’alphabet grecques et se note β.

A partir de ces indicateurs, nous avons pu établir trois visualisations nous indiquant :

• Le nombre de recherche de livraisons à domicile et au drive en fonction de la température national moyenne.
• Le nombre de recherche de livraisons à domicile et au drive en fonction du nombre patients hospitalisés.
• Et enfin, le nombre de recherches de livraisons à domicile et au drive en fonction de la mobilité

Axes d’amélioration

Comme toute solution innovante, la nôtre admet des limites. Nous vous citerons ci-dessous quelques-uns.

Le problème d’échelle

Lors de la collecte de données, nous avons remarqué que nous n’avions accès qu’à certains jeux de données en Open Data, et dans un souci de cohérence des données, nous avons fait un arbitrage sur la périodicité. Ainsi, nous avons décidé de convertir le jeu de données de Google trends en données journalières en décuplant le même indice dans une même semaine. Cette solution momentanée peut effectivement être améliorée si l’organisation se procure des données plus détaillées. Ce qui améliorera la précision de l’analyse statistique prédictive.

La divergence des facteurs et absurdité statistique

L’analyse statistique dépends de la pertinence des thèmes représentés par les variables explicatives. L’analyse devient absurde lorsque le thème n’est plus d’actualité ou que le consommateur se comporte différemment vis-à-vis d’un sujet lié à ce thème. Par exemple, la variable pandémie va devenir absurde lorsque la crise sanitaire arrivera à sa fin. L’utilisateur va alors devoir surveiller en permanence la pertinence des indicateurs afin de prendre la bonne décision au bon moment.

La périodicité de publication des sources de données

Malgré nos efforts pour automatiser les flux de données en temps réel nous avons fait face à plusieurs obstacles parmi lesquelles nous retrouvons la périodicité de publication des fichiers de données. Par exemple, le jeu de données de la pandémie qui provient de l’API de gouvernement permet de connaitre les statistiques de la pandémie, mais le fichier que nous utilisons est publié à récurrence quotidienne. Par conséquent, il nous est impossible pour l’instant d’avoir la donnée réellement à la minute.

La multiplicité des plateformes et la dépendance

Afin de réaliser ce tableau de bord nous avons utilisé plusieurs outils tels que le langage R, SPSS, KIBANA…  Cette multiplicité rend la solution particulièrement vulnérable vis-à-vis de la disponibilité des outils, mais aussi lente en termes de temps de passage du flux de données d’une plateforme à une autre. Elle pose aussi un problème de sécurité tout au long du processus. L’utilisation d’une plateforme sécurisée qui inclura l’ensemble des flux de données peut être une solution à pourvoir.

Et pour finir…

L’unicité de la solution proposée réside dans la multi dimensionnalité et la mise à jour automatique des indicateurs-solution proposés. Grâce à notre Dashboard, il serait possible d’avoir une vue générale journalière sur l’ensemble des facteurs annexe (liés à l‘évolution de la pandémie, la mobilité et météo) affectant la demande digitale des grandes surfaces, à savoir le drive et la livraison à domicile.

Toutefois, il faut savoir que les indicateurs proposés prouveront leur indéniable efficacité lorsqu’ils seront déployés dans le processus de planification de la demande. Il est tout à fait possible de les associer aux calculs des prévisions de la demande digitale en tant que contraintes afin d’ajuster au mieux les résultats. Parallèlement, l’organisation va pouvoir mieux maîtriser les besoins du marché numérique et ainsi optimiser sa logistique physique en augmentant la fiabilité de son « forecasting« .

[1] Le choix des 4 noms d’enseignes de la grande distribution utilisées dans cet article a été fait uniquement à titre d’exemple.