Optimisation du marchandising : Prévoyez, comprenez et façonnez la demande

Optimisation de la vente au détail : difficultés et opportunités

La disponibilité des stocks et les promotions continuent d'influencer les décisions des clients. Avec l'émergence de nouveaux parcours client et de nouvelles expériences d’achat, l’exécution prend une importance primordiale. Les consommateurs ne toléreront pas les ruptures de stock ; 63 % des consommateurs ont indiqué qu'ils préféraient changer de marque plutôt que d'attendre un réapprovisionnement. Les détaillants disposant de prévisions et d'informations plus précises sur leurs stocks seront en mesure de s'adapter rapidement pour répondre à la demande des clients et aux préférences d'achat, qu'il s'agisse de courses en magasin, d'achats en ligne, de récupération en magasin ou d'autres canaux.

Le comportement des consommateurs varie en fonction de ce qu'ils veulent acheter. Par exemple, ils ont des priorités différentes lors des achats de cadeaux que lors des achats d'articles saisonniers : Parfois, le prix est la priorité absolue ; parfois, il ne pèse pas grand-chose dans la balance. Les détaillants peuvent maintenant comprendre le comportement des acheteurs pour chaque article à un niveau localisé, ce qui leur permet de prendre en compte les effets des promotions, de la saisonnalité et de la météo dans leurs prévisions.

En outre, les détaillants peuvent augmenter la personnalisation en ciblant les clients en fonction de leurs besoins en temps réel. Les clients acceptent généralement plus les offres ciblées pour eux en fonction de leur comportement, de leurs habitudes d'achat et des services auxquels ils s'abonnent, avec à la clé une hausse des revenus. Inversement, les offres de vente croisée ou de vente incitative non ciblées peuvent lasser les clients et les pousser à ignorer, voire désactiver, les notifications.

Simplifier la planification de la vente au détail grâce à des analyses et au machine learning avancés

En disposant du stock adéquat au bon endroit pour répondre rapidement à la demande des clients, quels que soient le moment et le lieu de l'achat, les détaillants surmontent plus facilement les difficultés décrites ci-dessus et pourront saisir les occasions qui leur sont offertes.

Les détaillants peuvent utiliser des analyses avancées et le machine learning pour identifier les produits et services pertinents pour un client donné. Ils peuvent ensuite présenter ces produits et services au client via le canal approprié au moment opportun.

Voyons de plus près comment Oracle Data Platform peut aider les détaillants à améliorer la précision de leurs prévisions, à simplifier leur planification et à optimiser leurs stocks.

Cette image montre comment la plateforme de données Oracle pour la vente au détail peut être utilisée pour soutenir l'optimisation du merchandising et aider les détaillants à prévoir, détecter et façonner la demande. La plateforme comprend les cinq piliers suivants :

• Sources de données et repérage
• Assimilation et transformation
• Sauvegarde, tri et création
• Analyses, apprentissage et prévision
• Mesures et réactions

Le pilier « Sources de données et repérage » inclut quatre catégories de données.

Les données des enregistrements métier comprennent les transactions de vente, les données client, les données produit, les transactions de retour, les fournisseurs, les stocks, les données système de point de vente, les revenus et les marges.

Les données d'application proviennent des applications ERP, SCM, CX et WMS, Fusion SaaS, NetSuite, E-Business Suite, PeopleSoft, JD Edwards, SAP, Salesforce et Workday.

Les données tierces incluent les données d'Oracle Data Cloud et les données sociales.

Les données d'entrée technique incluent les journaux, les clics sur le site Web, les flux d'événements et les balises.

Le pilier « Ingestion et transformation » comprend quatre fonctionnalités.

L'assimilation par lots utilise OCI Data Integration, Oracle Data Integrator et les outils de base de données.

Le transfert en masse utilise OCI FastConnect, OCI Data Transfer, MFT et l'interface de ligne de commande OCI.

La capture des données de modification utilise OCI GoldenGate.

L'ingestion de flux de données utilise Kafka Connect.

Les quatre fonctionnalités se connectent de manière unidirectionnelle au dépôt de données et au stockage cloud de service dans le pilier « Sauvegarde, tri et création ».

De plus, l'ingestion de flux est connectée au traitement de flux au sein du pilier « Analyses, apprentissage et prévision ».

Le pilier « Sauvegarde, tri et création » comprend cinq fonctionnalités.

Le dépôt de données de service utilise Autonomous Data Warehouse et Exadata Cloud Service.

Hadoop géré utilise Oracle Big Data Service.

Le stockage cloud utilise OCI Object Storage.

Le traitement par lots utilise OCI Data Flow.

La gouvernance utilise OCI Data Catalog.

Ces fonctionnalités sont connectées au sein du pilier. Le stockage cloud est connecté de manière unidirectionnelle au dépôt de données de service et à Hadoop géré. Il est également connecté de manière bidirectionnelle au traitement par lots.

Hadoop géré est connecté de manière unidirectionnelle au dépôt de données de service.

Deux fonctionnalités se connectent au pilier « Analyses, apprentissage et prévision » : le dépôt de données de service se connecte à la fois à la fonction d'analyse et de visualisation, aux produits de données, à la fonction d'API et à la fonction de stockage cloud, et se connecte à la fonction de machine learning.

Le pilier « Analyses, apprentissage et prévision » comprend quatre fonctionnalités.

L'analyse et la visualisation utilisent Oracle Analytics Cloud, GraphStudio et des éditeurs de logiciels indépendants.

Les produits de données et les API utilisent OCI API Gateway et OCI Functions.

Le machine learning utilise OCI Data Science, Oracle ML et les blocs-notes Oracle ML.

Le traitement des flux de données utilise GoldenGate Stream Analytics et l'analyse de flux provenant de tiers.

Le pilier « Mesures et réactions » comporte trois consommateurs : les personnes et partenaires, les applications et les modèles.

Les personnes et les partenaires regroupent l'analyse de l'historique des ventes, la segmentation des clients, l'analyse de l'impact des promotions et l'analyse de l'impact sur la tarification.

Les applications concernent les indicateurs économiques, le comportement d'achat, la prévision de la demande en temps réel et la prévision des stocks.

Les modèles comprennent l'analyse des sentiments dans les médias sociaux, la prévision collaborative et la planification de la demande.

Les trois piliers centraux (« Ingestion et transformation », « Sauvegarde, tri et création », et « Analyses, apprentissage et prévision ») sont pris en charge par l'infrastructure, le réseau, la sécurité et IAM.

Il existe trois principales façons d'injecter des données dans une architecture pour permettre aux détaillants de prévoir, de détecter et de façonner la demande.

• Pour commencer notre processus, nous devons comprendre notre stock global. Pour ce faire, nous utilisons Oracle GoldenGate pour permettre l'assimilation de la capture des données de modification des données d'inventaire d'entrepôt quasiment en temps réel à partir de bases de données opérationnelles pour toutes les lignes de produits ou un sous-ensemble de lignes de produits.
• Nous pouvons désormais ajouter des jeux de données pertinents pour la demande de vente au détail, tels que des informations de point de vente. En plus des informations sur les ventes, ces données nous fournissent plusieurs informations, telles que l'heure et l'emplacement de la vente ou des informations sur les remboursements et les échanges. Ces ensembles de données comprennent généralement d'importants volumes de données souvent sur site. Dans la plupart des cas, l'ingestion par lots est généralement la plus efficace. Pour nos données de point de vente, nous utiliserons Oracle Data Integrator pour ingérer les données sur un cycle de quatre heures.
• L'ingestion de flux est utilisée pour assimiler les données lues à partir de balises situées en magasin via les communications IoT, de machine à machine (M2M), etc. Les vidéos peuvent également être consommées de cette façon. En outre, dans cet exemple, nous avons l'intention d'analyser et de réagir rapidement aux sentiments des consommateurs en analysant les messages sur les réseaux sociaux, les réponses aux messages internes et les messages de tendance. Les messages/événements de média social (application) seront assimilés avec la possibilité d'effectuer une transformation/agrégation de base avant de stocker les données dans le stockage cloud. Des analyses de flux supplémentaires peuvent être utilisées pour identifier la corrélation entre les événements et le comportement des consommateurs, et les modèles identifiés peuvent être renvoyés (manuellement) pour qu'OCI Data Science examine les données brutes.

La persistance et le traitement des données reposent sur trois (voire quatre) composants.

• Les données brutes incluses sont sauvegardées dans le stockage cloud. Nous utiliserons OCI Data Flow pour le traitement par lots de ces données transmises en continu désormais persistantes, telles que des tweets (JSON), des emplacements, des données de capteurs de balises et des applications, des données de géo-mappage et des données de référence de produit. Ces ensembles de données traités sont renvoyés au stockage cloud pour persistance, conservation et analyse ascendantes, et finalement pour chargement sous forme optimisée dans le dépôt de données de service. Selon les préférences en matière d'architecture, vous pouvez également effectuer cette opération avec Oracle Big Data Service en tant que cluster Hadoop géré.
• Nous avons créé des ensembles de données traités prêts à être rendus persistants sous forme relationnelle optimisée pour le traitement et les performances des requêtes dans le dépôt de données de service. Nous pouvons ainsi recenser et renvoyer les principaux produits et mots-dièses consommateurs qui peuvent être enrichis avec les données de localisation, d'inventaire et de produit des systèmes d'entreprise.

La partie analyse repose sur deux technologies.

• Les services d'analyse et de visualisation fournissent des analyses descriptives (description des tendances actuelles avec des histogrammes et des graphiques), des analyses prédictives (prédiction des événements futurs, identification des tendances et détermination de la probabilité de résultats incertains) et des analyses prescriptives (propositions d'actions appropriées, conduisant à une prise de décision optimale), afin de répondre à des questions telles que
  • Les ventes réelles de cette période divergent-elles du plan actuel ?
  • Quelle est la valeur de vente au détail du stock disponible et diverge-t-elle par rapport à la même période l'année dernière ?
  • Quels sont les articles les plus vendus dans une division ou un service ?
  • Quelle a été l'efficacité de la dernière promotion ?
• Outre l'utilisation d'analyses avancées, les modèles de machine learning sont développés, entraînés et déployés. Ces modèles sont accessibles via des API, déployés dans le dépôt de données de service ou intégrés dans le pipeline OCI GoldenGate streaming analytics.
• Nos modèles et données de haute qualité, testés et sélectionnés peuvent avoir des règles et des politiques de gouvernance appliquées et exposées en tant que « produit de données » (API) au sein d'une architecture de maillage de données pour une distribution dans l'ensemble des équipes de vente au détail.

Augmenter la rentabilité avec une plateforme de données de vente au détail

Les prévisions et les répercussions des promotions, associées aux coûts sous-jacents et à la disponibilité des stocks, sont la base de décisions de tarification et de promotion efficaces. Augmentez la rentabilité et la flexibilité de l'assortiment avec des niveaux de stock réduits. Anticipez la demande des clients en exploitant au maximum vos données, en appliquant des analyses s'appuyant sur le machine learning, l'intelligence artificielle et les disciplines de science décisionnelle pour atteindre les objectifs suivants :

• Augmenter vos revenus et développer une base de clients fidèles avec des taux de stock plus élevés.
• Augmenter la fidélité à la marque jusqu'à 77 % avec des taux en stock plus élevés. Les prévisions optimisées par l'intelligence automatisée peuvent mener des processus de réapprovisionnement et d'affectation à grande échelle. Les prévisions et les intervalles de prévision statistique correspondants permettent la réussite de la chaîne d'approvisionnement, avec le bon produit au bon endroit et au bon moment, ce qui aide les détaillants à planifier la demande prévisionnelle et les stocks de sécurité statistiques tout en minimisant les coûts globaux des stocks.
• Convertir jusqu'à 50 % des consommateurs en acheteurs avec des promotions au moment opportun. Prenez ces décisions à l'aide de prévisions reposant sur des hypothèses contextuelles et des analyses prédictives, ainsi que des analyses prescriptives optimisées et prévisionnelles.