Citer
Imprimer
Partager

Comment optimiser la performance d’une marketplace e-commerce ?

  • Résumé
    Cette analyse porte sur l’étude de l’activité commerciale des Marketplaces. Ces plateformes de vente en ligne revêtent des enjeux stratégiques au sein de l’économie numérique. A travers une étude de cas sur l’activité de la plateforme brésilienne de e-commerce Olist, nous avons mené un travail de business intelligence. L'objectif était de mettre en place un tableau de bord composé de différents indicateurs, qui permettent de monitorer les performances commerciales; notamment, l’impact géographique et la catégorie de produits vendus sur le chiffre d’affaires. Nous avons suivi une méthodologie analytique reproductible en passant par le nettoyage, la jointure des différents jeux de données et la sélections des indicateurs pertinents.
    Citation : RASOANANDRASANA, O., ANDREUTTI, L., Guye, V., & Oursel, C. (Avr 2022). Comment optimiser la performance d’une marketplace e-commerce ?. Management et Datascience, 6(2). https://management-datascience.org/articles/19978/.
    Les auteurs : 
    • Ornella RASOANANDRASANA
       (ornella.mahafaly2@gmail.com) - Paris School of Business
    • ANDREUTTI Léa
       (lea_andreutti@hotmail.com) - Paris School Of Business
    • vanessa guye
       (vanessaguye66@gmail.com) - PSB
    • Clara Oursel
       (ourselclara@gmail.com) - PSB
    Copyright : © 2022 les auteurs. Publication sous licence Creative Commons CC BY-ND.
    Liens d'intérêts : 
    Financement : 
    Texte complet

    Contexte

    Les marketplaces se démocratisent de plus en plus comme étant indispensables à nos modes de consommation numérique actuels. Il s’agit de plateforme qui facilitent la visibilité, l’accessibilité et la consommation de produits et services, généralement à travers une application. C’est donc dans le cadre de l’étude de ce modèle économique qui a fait le succès de géant tels que que Booking et Amazon, que nous intervenons afin d’apporter un outil de business intelligence pouvant permettre d’optimiser les résultats commerciaux à la lumière de la data.
    Dans ce contexte, notre mission était de construire un tableau de bord qui puisse répondre à la problématique suivante:

    Quelles sont les catégories de produits les plus attrayantes pour les consommateurs ?

    Pour mettre en place notre solution, nous baserons notre étude sur les données de l’entreprise Olist, qui est une marketplace brésilienne spécialisée dans le commerce en ligne et qui propose notamment une variété de services destinées aux entreprises du monde entier afin qu’elles puissent vendre leurs produits. Le rôle de Olist en tant qu’intermédiaire est de proposer à ses clients, aussi bien les acheteurs que les vendeurs, des solutions adaptées en fonction de leur besoins commerciaux. Cela passe notamment par la dynamisation des ventes, l’optimisation de la gestion, mais également par le monitoring des performances.

    Objectifs

    Les néo consommateurs, également appelés consommateurs 2.0 sont de plus en plus exigeants. En effet, les modes de consommation ont complètement évolué, les offres se sont diversifiées et la circulation de l’information est beaucoup plus importante, ce qui emmène globalement l’ensemble des consommateurs à élever leurs standards. Les clients exigent une diversité de choix, des produits de qualités et délais de livraison de plus en plus court.
    Dans ce contexte, gagner en visibilité devient primordial. On dit d’ailleurs à raison que « ce qui ne se voit pas sur Internet ne se vend pas ». Il se joue donc un double enjeu de visibilité et d’attraction des consommateurs.
    De ce fait, notre analyse a pour objectif de mettre en place un tableau de bord qui pourra permettre, à partir des données d’une marketplace, de déterminer rapidement les informations clés sur les articles les plus attractifs, avec pour objectif final de booster le chiffre d’affaires globale de la plateforme.

    Description des jeux de données

    Afin de pouvoir répondre à notre problématique, nous avons exploité un essemble de jeux de données mis à disposition par la plateforme Olist en open source sur kaggle.
    Il s’agit d’un jeu de données, composé de 8 sous-tables qui apportent chacun différent niveau d’informations sur près de 100 milles commandes réalisées entre 2016 et 2018 sur la plateforme Olist :

    • olist_orders_dataset : Contenant les commandes et les ID client, ainsi que les étapes de suivi. Cela permet de suivre la commande du client durant toutes les étapes de la commande et ce jusqu’à sa livraison.
    • olist_order_items_dataset : Contenant des informations sur les produits achetés pour chaque commande
    • olist_order_payments_dataset : Regroupement des données liées aux paiements des commandes.
    • olist_order_reviews_dataset : Correspondant aux données de commentaire et des notes liées au traitement de la commande.
    • olist_customers_dataset : qui comprend les informations d’identification des clients et leur localisation.
    • olist_geolocation_dataset : Contenant les coordonnées géographiques (latitude et longitude) de chaque ville. On a ainsi des informations sur la localisation des vendeurs et des acheteurs.
    • olist_products_dataset : Correspondant aux données détaillées du catalogue produit de la plateforme.
    • olist_sellers_dataset : Contenant les informations relatives aux vendeurs et leurs données géographiques.

    Méthodologie

    Afin construire un tableau de bord pertinent à partir de ces données, nous avons suivis un cheminement en plusieurs étapes :

    Exploration des diverses données à notre disposition

    Il était question dans un premier temps d’analyser en profondeur le contenu des 8 jeux de données. Ainsi en parcourant l’aperçu des premières lignes des fichiers et en lisant la documentation explicative des colonnes, nous avons pu identifier les données pertinentes pour la suite.

    Choix des indicateurs

    Un indicateur est une métrique qui permet de mesurer un élément de performance business. Il est donc impératif de pouvoir définir clairement ces indicateurs avant même de se lancer dans toutes opérations techniques.

    Il s’agit donc tout d’abord de prendre un axe directeur pour le tableau de bord, qui a été dans notre cas l’impact de l’attractivité des catégories produits. Il faut ensuite définir les indicateurs par des phrases simples qui donneront une vision plus claire des indicateurs. Par exemple :

    • La catégorie de produit ayant générée le plus de vente
    • Les localisations où se concentrent le plus de consommateurs
    • L’évolution de vente des produits au cours des années

    Jointures sur les différentes tables

    Afin de réunir l’ensemble des informations qui permettent de construire une visualisation représentant les indicateurs choisit, il a fallu consolider les différents jeux de données reçu par des jointures.

    Par exemple pour faire ressortir les produits les plus commandés, nous avons liés les jeux de données sur les produits commandés (olist­_order_Items_dataset / items) avec les détails des produits (Olist_products_dataset/ products)

    Ainsi, pour mettre en place tous nos indicateurs, nous avons donc réalisé plusieurs jointures en se servant de l’outils Tableau Prep. L’ensemble des transformations effectuées sont les suivantes :

    Elaboration des visualisations

    Le travail de préparation nous a permis d’obtenir 2 jeux de données consolidés qui ont servi de base à la réalisation de notre tableau de bord. Cette dernière étape a été effectuée à l’aide de Tableau Desktop avec lequel nous avons réalisé les différentes visualisations et designer le tableau de bord final.

    Nous avons ainsi mis en place des visualisations mesurant le chiffre d’affaires, le nombre de commandes, leurs répartitions dans le monde, la répartition des ventes par villes, l’évolution des commandes par catégories et les catégories des articles les plus vendus et commentés.

    Tableau de bord

    Le résultat final de notre tableau de bord se présente comme suit :

    lien vers le tableau de bord

    Indicateur sur la répartition des ventes par ville

    Selon le tableau de bord, nous pouvons remarquer les 10 grandes villes dans lesquelles se répartissent les ventes. Parmi ces villes Sao Paulo se démarque nettement avec un total de 29017 ventes. Entre Sao Paulo et la seconde ville, Ibitingua nous remarquons un écart de près 20775 ventes en moins, ce qui montre bien la domination économique de la métropole.

    Ainsi, cet indicateur pourrait être utilisé pour cibler les villes à fort enjeux et sur lesquelles il faudrait intensifier les investissements ou les campagnes marketing.

     

    Indicateur sur la répartition des ventes dans le monde

    Tout d’abord nous constatons que la majeure partie des ventes mondiales est concentrée en Amérique du Sud, avec de faible occurrence en Europe, plus précisément au Portugal. Le Brésil se démarque logiquement en Amérique du Sud avec la plus forte concentration des ventes.

    En analysant d’un peu plus près, on remarque une concentration des ventes à l’ouest du Brésil, car tous les pôles urbains y sont réunis. Ce diagramme confirme donc la tendance observée dans la visualisation précédente

    Nous remarquons également que hormis le Brésil et ses pays frontaliers tels que la Guyane, la Bolivie, L’Argentine ou encore le Guyana, le seul pays d’Europe ou s’effectue des ventes est le Portugal. Ainsi la clientèle provient principalement des pays lusophones. Cet indicateur pourrait donc par exemple pousser à initier des analyses sur les raisons d’un manque d’internalisation de la plateforme, notamment dans les pays anglo-saxons.

    Indicateur sur les catégories de produits les plus achetées/commentées

    Le tableau de bord nous montre dans l’ordre décroissant (du produit le plus vendu au produit le moins vendu) le nombre total de commandes par produit en millier.

    Ainsi nous pouvons constater que les articles : Lit, Baignoire et Table sont les plus commandés avec 11 115 vendeurs. Suivie des produits pour Santé & Beauté avec 9 670 vendeurs. En troisième position les produits pour les loisirs sportifs, suivie des produits pour décorations de meubles, avec respectivement 8 641 et 8 334 ventes. Ainsi, nous pouvons constater que les produits les plus vendus sont principalement les produits de consommation courantes, ainsi que les articles de bien-être et de santé.

    En outre une analyse complémentaire permet de confirmer que les produits les plus vendus sont également les plus commentés.

    Cet indicateur pourrait être utilisé par Olist pour procéder à une campagne, afin d’attirer plus de vendeurs commercialisant les produits les plus attractifs, dans le but de diversifier le catalogue, satisfaire la clientèle et par conséquent accroitre le chiffre d’affaires.

    Indicateur sur évolution des commandes par catégorie

    Parmi les différentes catégories de produits nous remarquons que la section santé et beauté occupe la première place du classement du nombre de commandes de 2016 à 2018 ,avec un taux d’évolution de +72,24% entre 2017 et 2018. Et +123% entre 2016 et 2017. Certaines catégories de produits sont quant à elle en baisse, telles que l’habillement femme avec –68,58% de commandes entre 2017 et 2018.

    Ainsi grâce à cet indicateur, on a une vision précise des variations et de l’évolution des produits clés dans le temps. Ce qui permet de suivre les modifications des habitudes clients.

    Limites

    Bien que l’analyse apporte des axes décisionnels intéressants, nous avons été confrontés à quelques limites pendant notre étude.

    Tout d’abord nous avons rencontré des limites par rapport à l’analyse des données textuelles. En effet, les outils que nous avions à disposition, à savoir Tableau Prep et Tableau Desktop ne permettaient pas d’exploiter les commentaires au format texte laissés par les clients. Or ces données auraient pu apporter des informations très pertinentes.

    Aussi, il aurait été intéressant d’itérer cette démarche d’analyse sur d’autre domaines d’activités de la plateforme comme les délais de livraison ou les canaux d’acquisition des nouveaux vendeurs, pour avoir des métriques plus détaillées qui permettent d’avoir une vue 360 de la plateforme et la piloter efficacement par la donnée.

    Conclusion

    En définitive nous avons pu réaliser grâce à des outils simples de la suite Tableau une analyse de données aboutie. Tableau prep nous a permis de trier et de croiser les données mis à notre disposition, tandis que Tableau desktop nous a permis de réaliser un tableau de bord qui peut avoir un impact concret sur les décisions dans l’environnement économique d’une marketplace comme Olist.

    Ceci démontre une nouvelle fois les enjeux autour des stratégies pilotés par la donnée, sur lesquelles les entreprises devraient s’investir pour gagner en efficacité et prendre le train de la transformation digitale.

  • Évaluation globale
    0.75
    Photo de profil
    Olivier Mamavi
    Photo de profil
    Olivier Mamavi
    MCEInvité
    Professeur associé • Paris School of Business • Paris, France

    Auteur de : 21 évaluations

    66 45 26
    Score attribué 5 juillet 2023
    • Utilité
    • Rigueur
    • Impact
    • Clarté

    L'article propose une démarche pour réaliser un tableau de bord à partir des données fournies par l'entreprise.
    L'article est clair et précis. Toutefois, il ne prend pas en compte les données textuelles et l'exploitation des commentaires. L'ensemble du traitement est fait à partir de Tableau Prep et Tableau Desktop.

    Photo de profil
    Romain Zerbib
    Photo de profil
    Romain Zerbib
    MCEInvité
    Enseignant-chercheur • ICD Business School

    Auteur de : 3 évaluations

    39 14 3
    Score attribué 5 juillet 2023
    • Utilité
    • Rigueur
    • Impact
    • Clarté

    Les auteurs présentent une méthode pour mettre en place un tableau de bord capable de répondre à la problématique suivante : Quelles sont les catégories de produits les plus attrayantes pour les consommateurs ? L'article est bien structuré, intelligible et sérieux. Il pourrait toutefois être complété via une analyse de contenu textuel. Les auteurs ont en effet réalisé leur étude avec les outils « Tableau Prep » et « Tableau Desktop ». Or, ces deux outils ne permettent pas d’exploiter les commentaires au format texte laissés par les clients. Il s'agit pourtant de données potentiellement très utiles pour la mise place d'un tel tableau de bord.

    (Il n'y a pas encore de commentaire.)

© 2024 - Management & Data Science. All rights reserved.