Vers de nouveaux horizons pour le retail: comment l’IA transforme la science de l’assortiment

Placer les bons produits dans les bons rayons des bons magasins pour les clients ciblés paraît évident, n'est-ce pas ? Pourtant, maîtriser l'assortiment à travers les différentes les emplacements et les formats de magasins reste un énorme défi (et une grande opportunité) pour tous les distributeurs. Réussir le défi de l'assortiment a toujours été une priorité absolue pour dunnhumby tout au long de notre histoire - et c'est un problème que nous aidons aujourd'hui de nombreux distributeurs leaders dans le monde à résoudre.

En effet, le protocole de data science que nous avons établi il y a plus de 30 ans a fortement contribué à façonner la manière dont notre secteur pense à l'assortiment dans son ensemble.

Au cœur de ce cadre réside le principe "d’amplitude plutôt que de profondeur d’assortiment". L'objectif est de répondre au mieux aux divers besoins des clients - ces facteurs qui les poussent à effectuer un achat en premier lieu. Par exemple, si une gamme propose cinq variétés de ketchup mais aucune moutarde, certains consommateurs risquent d'être insatisfaits. Pour remédier à cela, les distributeurs doivent veiller à couvrir tous les besoins essentiels des consommateurs avant d'ajouter des variantes supplémentaires à une gamme.

Naturellement, la data science joue un rôle clé ici. En plus de nous aider à comprendre les besoins des clients et à déterminer quels produits sont les plus susceptibles de les satisfaire, les distributeurs doivent également être capables de répondre à ces besoins de manière rapide et à grande échelle. Grâce à des décennies de perfectionnement, les outils et techniques que nous avons développés permettent maintenant aux distributeurs d’y parvenir en un simple clic, sans aucune intervention manuelle.

Bien entendu, nous restons toujours tournés vers l'avenir. Chez dunnhumby, nous utilisons l'intelligence artificielle (IA) depuis longtemps, ce qui nous a permis de réaliser des avancées considérables en matière de solutions d’assortiment. Soucieux d'aider nos clients à automatiser et affiner leurs processus, nous commençons maintenant à exploiter ces progrès pour relever certains de leurs plus grands défis en matière d’assortiment.

Passons en revue quelques cas d'utilisation concrets.

1. Assortiment localisé
   L'assortiment localisé n'est pas une nouveauté ; nous savons depuis longtemps que certains produits se vendent mieux à certains endroits qu'à d'autres. Par exemple, un magasin situé dans une zone rurale moins fréquentée pourrait nécessiter un assortiment légèrement différent de celui d'un magasin situé dans un quartier affluent d’une grande ville. Depuis des années, les distributeurs regroupent et segmentent leurs assortiments en tenant compte de cette logique.
   L'enjeu ici est que les suppositions peuvent être extrêmement réductrices et aboutir à des conclusions auto-validantes. Après tout, si une marque haut de gamme n'a jamais été vendue dans une zone rurale, peut-on affirmer avec certitude qu'elle y sera moins performante ? C'est le genre de question à laquelle tout distributeur souhaitant une véritable localisation centrée sur le client doit pouvoir répondre.
   Heureusement, les avancées en matière d'IA nous ont permis de trouver des réponses de manière plus intelligente. En examinant les relations entre les produits et les magasins, des systèmes de recommandation avancés peuvent détecter des corrélations et mettre en évidence des opportunités avec un risque d'erreur beaucoup plus faible. En fin de compte, cela conduit à une meilleure prise de décision – et à une meilleure expérience pour les clients.
2. Planification de l'espace en rayon
   Tiendront-ils sur l'étagère en rayon ? Créer un bon assortiment ne consiste pas seulement à sélectionner les bons produits ; il s'agit aussi de s'assurer qu'ils tiennent sur le rayon. Cela peut être un processus ardu et chronophage : les changements de dimensions des emballages, les nouveaux produits et les nouveaux accords commerciaux peuvent tous nécessiter de redessiner un planogramme.
   En plus de devoir accueillir le bon mix de produits, l'agencement des rayons doit aussi être intuitif pour les consommateurs. Les clients peuvent réagir négativement à un rayon où différentes variétés d'un même produit sont disposées de manière aléatoire et où de grands pots sont en équilibre précaire près du bord. Les responsables de la mise en rayon doivent donc aussi tenir compte de la façon dont les clients "lisent" le rayon.
   Le rôle de l'IA ici est d'agir comme un intermédiaire. En apprenant des planogrammes existants et du comportement des clients, l'IA peut nous aider à sélectionner des assortiments qui maximisent le potentiel de vente en optimisant l'utilisation de l'espace sur l'étagère. Cela permet non seulement d'économiser du temps pour les équipes en les libérant des révisions interminables, mais garantit également que les agencements sont aussi intuitifs que possible pour les clients.
3. Prévisions
   Des prévisions précises sont essentielles pour tout distributeur, mais très difficiles à réaliser correctement. Même si l'on pourrait croire que cela se réduit à calculer les ventes attendues pour chaque produit individuel, la réalité est bien plus complexe. Un facteur crucial à considérer est celui du transfert de la demande. Lorsqu'une gamme introduit des produits trop similaires à ceux déjà en stock, ils risquent de se concurrencer mutuellement.
   Cependant, avec l'aide du ‘machine learning’, il est possible d’évaluer la force des relations entre produits similaires. Les modèles prédictifs permettent d’anticiper l'impact sur la demande des clients lors de l'introduction ou du retrait de nouveaux produits dans une gamme. En conclusion, l'IA nous aide à créer de meilleures prévisions, plus précises.

Pour plus d'informations sur dunnhumby Assortiment, visitez dunnhumby.com/dunnhumby-assortment/

Vous souhaitez obtenir davantage d'informations sur la manière dont l'IA peut être utilisée pour la grande distribution ? Consultez :

•  AI: three breakout applications for consumer brands
• Understanding the why: Causal AI and its value for retail
• What are Graph Neural Networks, and what do they mean for retailers?