Dans un contexte d’offre abondante de produits et de services, les consommateurs voient dans les promotions une manière simple d’augmenter leur pouvoir d’achat et sont dès lors plus enclins à changer leurs habitudes de consommation ce qui impacte non seulement l’article en promotion (uplifts, effet d’anticipation et d’accumulation) mais aussi le fonds de rayon (cannibalisation).
La réalisation de campagnes de promotions est alors un enjeu marketing et financier important qu’il faut planifier au mieux afin de maximiser l’impact sur les consommateurs et, de ce fait, les bénéfices engendrés. Cela suppose de réussir à déterminer, en fonction de contraintes prédéfinies, les mécaniques de promotion les plus adaptées et un nombre d’occurrences maximales par enseigne, par marque et par mécanique.
Aujourd’hui, l’Intelligence Artificielle, avec des techniques comme le Machine Learning ou la capacité à apprendre et faire prendre des décisions à partir de la data, fournit des outils qui permettent réellement d’améliorer la planification et les performances des plans de promotions.
Nous proposons dans cet article de présenter les principales idées permettant de préparer au mieux ces campagnes de promotions à l’aide de ces technologies innovantes en l’illustrant par un cas concret mis en place par notre partenaire Aera Technology.
Comment l’IA peut améliorer l’efficacité des plans de promotions
La complexité des plans de promotion
Pour pouvoir préparer au mieux ces campagnes, des plans de promotions sont constitués en amont par les équipes marketing. Ce travail complexe demande de prendre en compte un nombre élevé de paramètres ayant un impact sur l’efficacité d’une promotion : saisonnalité, durée de la promotion, type de promotion, catégorie et article visés, enseigne de vente, etc.
A cette complexité de planification s’ajoute la difficulté à quantifier l’impact global réel d’une campagne de promotion. En effet cet impact ne peut être calculer simplement à partir de l’augmentation des volumes de vente de l’article en promotion. Il existe en réalité quatre effets distincts engendrés par une promotion qu’il est nécessaire de pouvoir quantifier afin d’obtenir l’impact réel d’une promotion :
Cet effet apparaît dès lors que la promotion est annoncée par anticipation. Les consommateurs ont alors tendance à réduire leurs achats d’articles similaires sur la période précédant la promotion afin de profiter au maximum de celle-ci. Cela entraine, sur cette période, une réduction de la consommation des articles similaires par rapport à leur volume de vente de référence.
On observe, assez logiquement, une augmentation conséquente du volume de vente d’un produit lorsque celui-ci est en promotion par rapport à son volume de vente de référence.
Lors d’une promotion les consommateurs ont tendance à se tourner vers l’article en promotion au détriment des articles similaires ou du même article non promotionné : cela entraine une baisse des ventes des fonds de rayons lors de la période de promotion par rapport à leur volume de vente de référence.
Lors d’une promotion les consommateurs ont tendance à acheter en plus grande quantité et donc à réaliser un stock, il s’en suit une diminution de la consommation des articles similaires durant la période suivant la promotion par rapport à leur volume de vente de référence.
Illustration des effets d’une promotion
L’impact réel d’une promotion correspond alors aux bénéfices réalisés grâce à l’augmentation des volumes de vente du produit en promotion auxquels se soustraient les pertes induites par les autres effets précédemment cités (impact réel = b – a – c – d).
L’avantage de l’IA dans ce contexte
C’est dans ce contexte complexe que l’utilisation de l’intelligence artificielle prend tout son sens. En effet, la capacité de cette technologie à apprendre et prendre des décisions à partir de la data en fait un outil très intéressant dans l’amélioration des performances opérationnelles.
Des plans de promotions sont réalisés depuis déjà de nombreuses années et les impacts de ceux-ci sont directement calculables à partir des registres de ventes des distributeurs et fournisseurs. Il est alors possible de créer des jeux de données complets faisant correspondre pour chaque situation de promotion passée les quatre effets qui en sont découlés, et d’entrainer des modèles de machine learning à prédire ces effets.
Il est nécessaire, afin de créer un jeu de données d’entrainement exploitable, de faire correspondre les informations sur lesquelles se baser pour réaliser la prédiction, les Inputs (ici les informations concernant une promotion : type de promotion, article visé, point de vente, saisonnalité, etc.), avec les valeurs que l’on souhaite prédire, les Outputs (ici les effets d’une promotion).
Exemple d’un jeu de données d’entrainement exploitable
Les modèles une fois entrainés seront capables de prévoir l’impact (au regard des quatre effets précédemment cités) que peut avoir une promotion future en fonction de ces différents paramètres contextuels et ainsi être en capacité de les optimiser en amont.
Des outils à fort impact opérationnel
Les équipes marketing auraient la possibilité d’augmenter grandement les impacts de leurs plans de promotions tout en diminuant le temps nécessaire à leur élaboration en utilisant ces modèles de plusieurs façons :
En tant qu’outils de simulation
En tant qu’outils d’optimisation
Les équipes marketing élaborent une stratégie de promotion et la propose au modèle qui va prédire en temps réel les effets potentiels que peut induire cette stratégie. Cela permet d’affiner la stratégie en faisant varier ses paramètres jusqu’à obtenir un impact optimal.
A partir de données d’entrée (par exemple une liste de produits ou un type de promotion) le modèle propose la combinaison de paramètres optimale (produit x type de promotion x point de vente x période) permettant de maximiser l’impact de la promotion. Où, à l’inverse, quels sont les plans de promotions permettant d’obtenir un objectif fixé.
Nous allons dans la suite vous présenter un cas concret dans lequel ce type de modèle a été mis en place grâce à la solution d’Aera Technology.
Retour d’expérience Aera Technology
Optimiser les plans de promotion avec le Cognitive Automation
Loïs Guillemaille – Client Partner at Aera Technology
Rishi Raj Singh – Engagement Principal at Aera Technology
Récemment, un leader du CPG a choisi Aera Technology pour optimiser ses prévisions commerciales et ses plans de promotion avec le Cognitive Automation. En effet, auparavant les processus et outils d’élaboration et d’analyse des plans de promotions étaient différents entre les régions et les marques, avec peu de possibilités d’analyse et de simulation, tout en prenant beaucoup de temps aux Key Account Manager. La croissance des discounters, des marques blanches en concurrence sur les rayons des grands retailers et la difficulté à mesurer l’efficacité de leurs promotions vis-à-vis de la concurrence impactaient les marges et les parts de marché.
Dorénavant, grâce à la mise en place d’Aera, les Key Account Manager utilisent les recommandations proposées par Aera sur les actions à prendre chaque semaine pour optimiser l’impact des promotions de chaque produit, réduisant ainsi le temps passé et les efforts pour un meilleur résultat. Ces recommandations servent aussi bien pour établir en amont le plan de promotion que pour apporter des corrections en cours de campagne, en tenant comptes des stocks disponibles et de l’efficacité mesurée. Ils ont également accès dans l’outil à toutes les informations et analyses nécessaires pour préparer leurs négociations et revues commerciales (CA, performances des ventes, …).
La capacité d’Aera de combiner des données externes comme les données consommateurs sous licences (Nielson), les données de point de vente et les données de suivi des promotions (Numerator) en les intégrant aux données internes (ERP et CRM) a permis de créer une « single source of truth » pour les ventes et la consommation permettant de suivre le sell-in et sell-out. Les Key Account Manager peuvent donc aussi consulter l’activités des concurrents grâce à ces données externes, et recevoir des propositions d’alternatives pour s’y adapter.
Lors du projet, différents modèles de suivi des activités de promotion ont dû être développé pour chaque marché, pour capturer les impacts des différentes tactiques et mécanismes existants. Lors du passage à l’échelle mondial, cela a été encore enrichi pour tenir compte des besoins des différentes géographies. Il a fallu notamment ajouter des sources de données externes locales qui ont parfois été complexes à intégrer, et qui font maintenant partie du Cognitive Data Layer d’Aera pour simplifier les prochaines mises en œuvre.
Aera Cortex, le moteur d’advanced analytics, fournit les modèles de simulation et d’optimisation pour proposer un calendrier de promotion optimal et cohérent ; tenant compte des objectifs métiers, des contraintes commerciales et logistiques et des informations disponibles sur la concurrence. Il peut aussi proposer les prévisions de vente de base et incrémentales en utilisant des algorithmes de Machine Learning pour prédire plus précisément l’impact des promotions.
Les crawlers d’Aera bidirectionnels permettent de mettre à jour les systèmes ERP et CRM directement quand les recommandations sont acceptées par les Key Account Manager, automatisant la création des promotions dans le système et réduisant les interventions manuelles.
Aera innove à la fois par sa capacité à gérer la complexité technique et fonctionnelle de l’optimisation des plans de promotion, mais aussi par son interface utilisateur simple et intuitive permettant de masquer cette complexité. L’adoption par les utilisateurs de cette nouvelle façon de travailler en abandonnant leurs multiples tableurs et en partageant les données n’est jamais facile dans ce type de projet mais l’ergonomie et l’automatisation des tâches fastidieuses de création et maintenance des promos dans le CRM ont été clés dans leur appropriation d’Aera.
La mise en place d’Aera a permis d’améliorer les marges de plus d’un point tout en maintenant le ratio de marge sur la croissance des ventes. Témoignage du DSI de la région US : « Je pense vraiment que ce n’est plus une nouveauté excitante à ce stade, mais plutôt une question de survie. Dans 3 à 5 ans ce sera aussi commun qu’avoir un ERP aujourd’hui, et nous aurons l’avantage d’avoir commencé les premiers. ».
Vous avez une question ? N'hésitez pas à la poser.
Vous souhaitez en savoir plus, vous voulez être recontacté :
Insights liés
Chadi Hantouche
Gwenaëlle Boulet
Claire Delgove
Julien Floch
Assâad Moumen
Augustin DU PONT DE ROMÉMONT
Samya Daghni
Thomas Chotard