Le machine learning au service des retailers

Que ce soit dans les films hollywoodiens ou dans les tribunes d'experts, l'intelligence artificielle est plébiscitée par beaucoup, décriée par certains, mais reconnue comme une disruption profonde par tous.

Les retailers ne dérogent pas à la règle, tant il est vrai que, de la chaîne d'approvisionnement au marketing client, en passant par la gestion du trafic en magasin, l'IA - et plus spécifiquement le machine learning - apparaît comme un moyen d'allier sur-mesure et automatisation.

En effet, ce dernier englobe la capacité des ordinateurs à apprendre à travers de nouvelles données, via des algorithmes adaptatifs. Concrètement: si l'on part du postulat que le futur ressemblera très probablement à un certain degré du passé, comment capitaliser sur ce dernier pour prédire l'avenir?

Le machine learning propose aux retailers une visibilité sur l'avenir.

Le machine learning applique ce concept en puisant dans l'historique des activités d'une entreprise donnée afin d'y appliquer des modèles mathématiques éprouvés. Pour être efficaces, ces modèles doivent préalablement être testés: ils sont appliqués à l'historique afin de générer de multiples prédictions. Le bon modèle sera celui dont la prédiction sera conforme à la réalité. Dès lors, les données issues du passé et les modèles issus du présent permettent aux retailers une visibilité sur leur futur.

Plus l'historique est riche, plus la capacité d'auto-apprentissage de l'algorithme est sollicitée et fructueuse. Et plus la technologie apprend, plus ses prédictions sont fines, enclenchant un cercle vertueux permettant de bâtir sur une donnée à chaque fois plus qualifiée et fidèle à la réalité.

Le machine learning, booster omnicanal

De l'usage de chatbots intelligents au cross selling personnalisé, les applications concrètes du machine learning sont multiples. De nombreuses enseignes l'intègrent d'ores et déjà à leur stratégie omnicanale.

À titre d'exemple, le géant de la distribution Walmart a investi dans une technologie capable d'analyser l'humeur des clients en points de vente, et d'en déduire des parcours d'achats différents. Les SI du point de vente intègrent ces prévisions et permettent la déclinaison de différentes actions: un renfort à la caisse si la majorité des clients sont mécontents et que le temps moyen entre deux encaissements est trop important; une prise de contact direct du personnel de vente avec le client pour endiguer un possible non-achat...

Le point de vente cristallise et illustre de façon concrète les impacts du Machine Learning sur les pratiques ainsi que son potentiel.

Prenons en exemple le cas des ruptures de stocks en magasin. Véritable manque à gagner pour les retailers, la prévention de ce genre de situation implique une connaissance précise des cycles de vie de ses produits en points de vente. Prédire l'impact d'une publicité print ou d'un plan de merchandising particulier (durée, positionnement, types de produits concernés...) sur la demande d'un produit spécifique; prédire l'impact de la saisonnalité des produits, des habitudes de consommation dans un contexte international ou encore d'un budget roulant sur l'ensemble de la chaîne d'approvisionnement... Un retailer à même d'identifier et de prévoir l'impact d'une multitude de facteurs (exogènes et endogènes) sur ses stocks en points de vente possède les clés pour une optimisation de l'ensemble de sa chaîne de valeur.

Cependant, une prédiction, aussi fiable soit-elle, va de pair avec une faculté à décliner des plans d'actions pertinents à court, moyen et long termes. Il est alors impératif de maîtriser la technologie du machine learning en partant d'abord d'un besoin métier clair et articulé, puis en définissant des objectifs mesurables (hello S.M.A.R.T) et mis à jour régulièrement. En effet, si la grande qualité du machine learning est d'être une technologie qui apprend de façon autonome, son alimentation en données qualifiées reste une obligation.