Les signaux d’alerte
Le recul de l’activité commerciale – particulièrement sensible dans le secteur textile – incite les magasins de détail à évoluer face à la concurrence des nouveaux acteurs : « pure players » (tout en ligne).
Les détaillants conduisent une réflexion sur les usages des consommateurs afin d’utiliser de nouveaux outils pour allier automatisation, rapidité et sens pratique, en collaboration avec des spécialistes compétents.
L’IA, un outil au service d’une profonde mutation
Quelques usages de l’IA dans le commerce et la distribution
L’usage de l’IA stimule l’ingéniosité des professionnels pour former des collaborateurs qui seront de véritables commerçants, et pas seulement des opérateurs en surface de vente.
L’IA – accélérateur d’évolution – améliorera leur rapidité et leur efficacité :
- organisation des espaces ;
- optimisation des stocks ;
- offre de services innovants.
Les structures de collaboration
Les grands distributeurs français engagent une profonde évolution en misant sur le « machine learning » pour :
- prévenir les ruptures dans les rayons ;
- optimiser le commerce de proximité ;
- personnaliser les promotions ;
- automatiser les demandes de réassortiment ;
- gérer des ventes distantes (e-commerce) ;
La poursuite de ces objectifs exige de nouvelles formes de collaboration entre les détaillants et les experts techniques : ressources internes, entreprises technologiques, start-up (dont certaines utilisent un nom de domaine en .ai*).
Ces collaborations se structurent :
- entre organisations professionnelles ;
- entre un syndicat et ses adhérents ;
- par l’union des détaillants d’un même pays ou du même secteur d’activité.
Toutefois, les données des clients appartiennent aux distributeurs qui veillent jalousement, lors de ces collaborations, à la confidentialité de cette base de leur fonds de commerce.
Malgré les divergences d’opinion, experts et distributeurs s’accordent sur les apports de l’IA dans le traitement des données :
- analyses prédictives ;
- connaissance du client ;
- automatisation des procédures ;
- développement de services à haute valeur ajoutée.
Les applications
La prévision des ventes
L’apprentissage automatique permet d’aligner l’offre disponible (les niveaux de stock) et la demande instantanée (les achats des clients).
La méthode traditionnelle qui extrapole les données des ventes des années précédentes pour prédire les ventes futures n’est qu’une première estimation imparfaite. Les nouveaux modèles prédictifs utilisent des facteurs complémentaires :
- affinage de la saisonnalité :
La prise en compte de la saisonnalité aide à prédire les ventes futures, mais ces prévisions doivent être corrigées par la prise en compte d’éléments factuels : climat, météo, événements, manifestations (sportives, culturelles, sociales…), épidémies, etc. - tendances de consommation :
Les supports publicitaires, notamment pour les nouveautés, attisent la curiosité des clients, en amplifiant un phénomène de mode. - niveaux de prix :
Les promotions, en dynamisant les ventes de certains produits, rendent l’ensemble du magasin plus attrayant.
Les modèles d’IA permettent désormais de collecter et d’analyser d’énormes quantités de données, en provenance de différentes sources, sous des formats différents. Des outils présentent ces données dans le format propre et lisible, requis pour créer des modèles prédictifs capables d’optimiser la gestion des magasins.
Des données de vente en temps réel au niveau des Unités de Gestion de Stocks sont exploitables pour détecter les rayons insuffisamment garnis.
Le traitement de grandes quantités de données aide les distributeurs à :
- optimiser l’assortiment ;
- fixer les prix plus efficacement ;
- proposer des promotions attrayantes et rentables.
Dotés de rapports précis obtenus rapidement, les distributeurs peuvent de concentrer à l’amélioration continue des relations commerciales avec leur clientèle. Ils peuvent intervenir, éventuellement, pour analyser et expliquer d’éventuelles anomalies statistiques.
La régulation des flux
L’objectif est d’éviter l’indisponibilité sur les étagères alors que les produits sont en stock ; les employés n’ont pas la possibilité matérielle de surveiller en permanence toutes les étagères des rayons pour lancer des réapprovisionnements immédiats.
- Un article fréquemment en rupture de stock ralentit les ventes sans apparaître dans les rapports mensuels ; un produit manquant dans le magasin pourrait être en stock, mais pas encore sur les étagères.
- La faiblesse des ventes est trop souvent considérée comme un désintérêt des acheteurs.
- Les gestionnaires des magasins éprouvent régulièrement des difficultés à se réapprovisionner en temps réel ; un article instantanément populaire peut disparaître des rayons très rapidement, bien qu’il soit disponible en inventaire.
La surveillance de l’approvisionnement des rayons
La capture automatique, par caméra, de l’état des rayons permet de prévenir des ruptures de produits et de déclencher immédiatement un réapprovisionnement. Des données, facilement disponibles, de vente en temps réel au niveau des Unités de Gestion de Stocks, sont également exploitables pour détecter des rayonnages insuffisamment garnis.
Ce dispositif enrichit la permanence de l’offre, l’adaptation des flux logistiques et le pilotage de la gestion des rayons du magasin. Il évite une perte de vente, due à l’absence des produits, tout en améliorant la satisfaction des clients.
Les anomalies répertoriées : ruptures partielles ou totales, mauvais balisage, mauvais étiquetages, sont prises en charge par les équipes des magasins, en impliquant la création de nouveaux métiers, le « pilote des flux d’approvisionnement » et « l’employé commercial polyvalent ».
La gestion des stocks
Ce problème permanent nécessite le traitement des données d’un grand nombre d’Unités de Gestion de Stocks ; ces stocks comprennent notamment des denrées périssables et des articles commandés quotidiennement.Ces bases de données analysent, en temps réel, la performance des produits auprès des clients. Ces données sont également destinées aux fournisseurs et producteurs, pour leurs propres analyses de performance pour qu’ils améliorent leurs offres.
Les modèles analysent le flux habituel des mouvements d’articles ; on connaît le temps normal entre deux ventes d’un article donné, dans un magasin donné.
La promotion des produits à fort potentiel
Un algorithme détecte les signaux faibles sur certains produits qui se vendent en magasin ou en ligne. Ces informations, transmises aux magasins, incitent à promouvoir ces produits à fort potentiel.
Le machine learning se combine à l’expertise des acheteurs pour déterminer, en pratiquant l’« eye tracking » sur des clients volontaires, les produits qui génèrent l’émotion et méritent un marketing différent.
L’IA au service de la Responsabilité Sociale des Entreprises
L’IA offre la possibilité d’optimiser les stocks et de réduire les invendus, et donc de limiter le gaspillage. L’analyse des tendances émergentes sur les réseaux sociaux permet d’anticiper de quelques mois la demande.
En résumé
Des outils d’IA, bien conçus, exécutent des tâches complexes et chronophages, et fournissent rapidement des rapports précis.
L’utilisation de l’IA est un levier de création de valeur dans la distribution. Elle libère les gérants des magasins des fastidieuses analyses de comparaisons multi-sources et leur permet de se concentrer sur l’amélioration continue de l’expérience client.
* L’extension « ai » (abréviation d’artificial intelligence) s’acquiert auprès de l’île d’Anguilla, territoire britannique des Caraïbes.
Quelques références :
Chez H&M, toutes les décisions opérationnelles clés devront être dopées à l’IA d’ici 2025
La lutte contre la contrefaçon des produits de luxe
Casino déploie massivement la surveillance par IA du bon approvisionnement de ses rayons
