media supply chain
et logistique

eCommerce

Retail : la supply chain se réinvente

Publié le 10 septembre 2018

3. Réconcilier marketing et supply chain autour de la data

A_1

Et si marketing, CRM et supply chain s’alliaient autour de la data ? C’est sans doute derrière cette idée que se profile l’une des clés de la réussite de la transformation omnicanal des retailers. Au coeur de cette collaboration tripartite : de précieuses données désormais essentielles à la bonne marche de l’entreprise, tant sur son expérience client que sur le pilotage de ses flux.

Depuis quelques années déjà, la notion de data se fait une place en supply chain. De mieux en mieux collectées, traitées, analysées et mesurées par les systèmes d’information des éditeurs spécialisés du secteur, les données s’illustrent désormais comme de précieuses denrées, conduisant au développement de nouvelles compétences dans le domaine et invitant les fameux data scientists à intégrer l’entreprise. « Désormais, il faut pouvoir donner très rapidement des réponses à des équipes marketing ou commerce sur le coût des offres. Tout ce qui touche à la simulation des coûts et des volumes prend de l’importance. Les équipes s’appuient sur des technologies de data analyse qui leur permettent de simuler plus facilement ces équations coûts/services en gérant de la donnée et en étant capables de délivrer un résultat rapide. C’est encore assez nouveau mais certaines équipes supply chain comptent désormais un ou deux data scientists capables de travailler sur une modélisation de réseaux logistiques sous contraintes », entame Laurent de Bourmont, associé au sein du cabinet Argon.

 

Et s’il est un secteur où cette idée est particulièrement forte, il s’agit bel et bien de celui du retail : « On assiste à la construction d’une vision globale du business autour de la data. Les acteurs du retail ont très vite intégré les notions marketing mais aussi logistique sur le sujet. Ils ont compris que l’intérêt de mieux capter la demande ne réside pas seulement dans la possibilité d’adapter son prix, mais aussi dans celle d’anticiper l’approvisionnement, le transport et les ressources dédiées à la supply. Nous travaillons notamment avec Sephora qui a eu très tôt ce désir de faire collaborer des équipes de data science avec celles du marketing pour fournir de l’information sur les prévisions des ventes vers les opérationnels de la supply chain, afin que ces derniers puissent mieux appréhender les problématiques d’approvisionnements, de préparation de commandes ainsi que le stock », développe Grégory Herbert, VP France de Dataiku, société française créée en 2013 et forte de plus de 160 collaborateurs répartis dans quatre bureaux en Angleterre, aux États-Unis, en France et à Singapour.

 

Au travers de sa plateforme collaborative Data Science Studio (DSS), cette société s’est justement fixée comme objectif de regrouper sur un même outil tous les acteurs intervenant sur un projet de data afin de réconcilier les différents métiers : des data scientists aux analystes métiers, en passant par les acteurs, tels que le marketing et la supply chain. « Cela permet tout autant d’aligner les personnes, les technologies et les ressources disponibles pour une parfaite réconciliation des besoins métiers, que de manipuler la data pour créer des modèles de machine learning et en faire des modèles prédictifs », détaille Grégory Herbert.

 

De l’usage de la data pour les retailers et leur supply chain

Seulement voilà, concrètement, de quelle façon ces fameuses données sont-elles utiles aux retailers et à leur supply ? C’est la question que s’est notamment posée Diametrix, filiale du groupe Diamart dédiée à la data science et accompagnant les entreprises dans leur réflexion autour de la data et de l’analyse prédictive, au travers d'une infographie publiée en mars dernier et dans laquelle elle interroge de grands acteurs de la distribution alimentaire et spécialisée. De ces entretiens, ressortent 22 usages étudiés sur six thématiques. Parmi elles, la supply chain et trois usages principaux : l’optimisation des stocks magasins en temps réel, du pilotage des flux complexes et de la prévision des ventes. Ce dernier usage représentant aux yeux des interrogés le plus fort des enjeux tandis que le second s’illustre comme le plus complexe. « Parmi les importants volumes de données récupérées, il faut aller chercher les signaux plus cachés, puis les stocker, les alimenter et les traiter pour concevoir des modèles de Machine Learning (modèles à autoapprentissage). C’est ce qui permet de produire une information la plus fine possible en temps réel dans une logique d’anticipation d’achat produit par produit et magasin par magasin et ainsi d'améliorer le fine tuning de l’offre à la SKU (Unité de gestion de stock). Si votre supply chain n’est pas en capacité de suivre la transformation digitale de l’entreprise, vous ne pouvez pas assurer les performances recherchées en termes de marketing et de commerce », analyse Jean-Pascal Garcia, directeur général de Diametrix.

 

Et c’est bien la vocation d’un outil comme celui de Dataiku qui, utilisé pour améliorer le demand forecasting, permet d’adapter le plan marketing, la promotion, le pricing mais également d’optimiser les process d’approvisionnement et de préparation de commandes. Ainsi, grâce à la mise en place d’outils analytiques et de data science, les retailers peuvent analyser l’historique des commandes sur plusieurs mois voire années afin d’améliorer l’estimation de leurs prévisions. Dans le cas d’un e-commerçant tel que Vente-privee.com, cela permet par exemple d’estimer le nombre de commandes d’une vente quelques heures seulement après sa mise en ligne sur le site. Les commandes sont donc déclenchées plus tôt, réduisant le temps de livraison et le risque de perte de clients. « DSS a cette capacité de réconcilier les data stockées dans des bases de données fonctionnant en silos et ayant des difficultés à dialoguer entre elles. Chez certains retailers, la donnée appartenant à l’e-boutique est stockée sur une base dédiée et celle récoltée sur le point de vente physique sur une autre. Croiser ces informations et produire des modèles plus pertinents est un challenge sur lequel nous nous positionnons », explique Grégory Herbert.

 

Étendre la puissance du data analytics

Désormais, c’est toute une chaîne d’acteurs en interne qui doit être en collaboration. Et si la donnée circule de mieux en mieux entre supply chain et marketing grâce à l’évolution de l’organisation de certains retailers, la maturité est encore loin d’être atteinte : « Le rapprochement entre DSI et marketing autour du traitement de la data va se poursuivre. La supply chain sera intégrée dans cette logique globale avec des équipes qui vont communiquer de façon de plus en plus précise grâce au flux de données », confirme Jean-Pascal Garcia. « On assiste à une systématisation de la mise en place d’analytics. Lorsque les retailers comprennent qu’ils ont cette capacité de mieux prévoir, naturellement ils l’appliquent à l’ensemble de leur chaîne. Ils sont finalement confrontés à une problématique simple à comprendre : gérer des volumes de commandes de plus en plus importants sur des cycles promotionnels de plus en plus récurrents et réconcilier des pics de demandes avec des délais de livraison les plus courts possibles. C’est un enjeu du e-commerce et du retail auquel peut répondre l’application de la data science », conclut Grégory Herbert.

à lire aussi
CHAQUE JOUR
RECEVEZ LES ACTUALITÉS
DE NOTRE SECTEUR
INSCRIVEZ-VOUS
À LA NEWSLETTER
OK
Non merci, je suis déjà inscrit !