Planification des promotions dans le commerce de détail - Défis liés aux données

Joannes Vermorel

La prévision est presque toujours un exercice difficile, mais il existe un domaine dans le commerce de détail de marchandises générales considéré comme un ordre de grandeur plus compliqué que le reste : la planification des promotions. Chez Lokad, la planification des promotions est l’un des défis fréquents que nous relevons pour nos plus grands clients, généralement grâce à des missions Big Data sur mesure.

Cet article est le premier d’une série sur la planification des promotions. Nous allons aborder les différents défis auxquels sont confrontés les détaillants lors de la prévision de la demande promotionnelle et donner quelques aperçus des solutions que nous proposons.

Le premier défi auquel sont confrontés les détaillants lorsqu’ils abordent les promotions est la qualité des données. Ce problème est généralement largement sous-estimé, tant par les détaillants de taille moyenne que par les grands détaillants. Pourtant, sans des données hautement qualifiées sur les promotions passées, toute initiative de planification est confrontée à un problème de “Garbage In Garbage Out”.

Problèmes de qualité des données parmi les enregistrements des promotions

La qualité des données promotionnelles est généralement médiocre - ou du moins bien inférieure à la qualité des données de ventes régulières. Un enregistrement promotionnel, au niveau le plus détaillé, représente un identifiant d’article, un identifiant de magasin, une date de début (une date de fin) ainsi que toutes les dimensions décrivant la promotion elle-même.

Ces enregistrements promotionnels présentent de nombreux problèmes :

• Les enregistrements existent, mais le magasin n’a pas pleinement mis en œuvre le plan de promotion, en particulier en ce qui concerne la mise en avant.
• Les enregistrements existent, mais la promotion n’a jamais eu lieu nulle part dans le réseau. En effet, les accords de promotion sont généralement négociés de 3 à 6 mois à l’avance avec les fournisseurs. Parfois, un accord est annulé avec seulement quelques semaines de préavis, mais les données promotionnelles correspondantes ne sont jamais nettoyées.
• Les initiatives “off the record” des magasins, telles que le déplacement d’un article en surstock sur des étagères de fin de rayon, ne sont pas enregistrées. La mise en avant est l’un des facteurs les plus importants pour stimuler les ventes promotionnelles et ne doit pas être sous-estimée.
• Les détails des mécanismes de promotion ne sont pas enregistrés avec précision. Par exemple, la présence d’un emballage personnalisé et la description structurée de l’emballage sont rarement conservées.

Après avoir observé des problèmes similaires sur de nombreux ensembles de données de détaillants, nous pensons que l’explication est simple : il y a peu ou pas d’impératifs opérationnels pour corriger les enregistrements promotionnels. En effet, si les données de vente sont incorrectes, cela crée tellement de problèmes opérationnels et comptables que la résolution du problème devient rapidement la priorité n°1.

En revanche, les enregistrements promotionnels peuvent rester très imprécis pendant des années. Tant que personne ne tente de produire un modèle de prévision basé sur ces enregistrements, les enregistrements inexacts ont un impact négatif négligeable sur les opérations des détaillants.

La principale solution à ces problèmes de qualité des données est la mise en place de processus de qualité des données, et de valider empiriquement la résilience de ces processus face aux conditions réelles des magasins.

Cependant, le meilleur processus ne peut pas réparer les données passées erronées. Comme il faut généralement 2 ans de bonnes données promotionnelles pour obtenir des résultats corrects, il est important d’investir tôt et de manière agressive dans l’historisation des enregistrements promotionnels.

Problèmes de données structurelles

Au-delà des problèmes liés aux enregistrements promotionnels, la planification précise des promotions souffre également de problèmes plus larges et plus insidieux liés à la manière dont les informations sont collectées dans le commerce de détail.

Tronquer l’historique: La plupart des détaillants ne conservent pas indéfiniment leur historique des ventes. En général, les “anciennes” données sont supprimées selon deux règles :

• si l’enregistrement a plus de 3 ans, alors supprimer l’enregistrement.
• si l’article n’a pas été vendu pendant 1 an, alors supprimer l’article et supprimer tous les enregistrements de ventes associés.

Évidemment, selon le détaillant, les seuils peuvent différer, mais alors que la plupart des grands détaillants existent depuis des décennies, il est exceptionnel de trouver un historique des ventes non tronqué de 5 ans. Ces troncations reposent généralement sur deux fausses hypothèses :

• stocker d’anciennes données est coûteux : Stocker l’intégralité des données de ventes sur 10 ans (jusqu’au niveau du ticket de caisse) de Walmart - et votre entreprise est certainement plus petite que Walmart - peut être fait pour moins de 1000 USD de stockage par mois. Le stockage des données n’est pas seulement ridiculement bon marché maintenant, il était déjà ridiculement bon marché il y a 10 ans, du point de vue des réseaux de vente au détail.
• les anciennes données ne servent à rien : Bien que les données de 10 ans ne servent certainement à aucun objectif opérationnel, d’un point de vue statistique, même des données de 10 ans peuvent être utiles pour affiner l’analyse de nombreux problèmes. En d’autres termes, une longue histoire offre une gamme beaucoup plus large de possibilités pour valider les performances des modèles de prévision et éviter les problèmes de surajustement.

Remplacer les GTIN par des codes produits internes : De nombreux détaillants conservent leur historique des ventes encodé avec des identifiants d’articles alternatifs au lieu des GTIN natifs (également appelés UPC ou EAN13 selon que vous vous trouvez en Amérique du Nord ou en Europe). En remplaçant les GTIN par des codes d’identification ad hoc, il est fréquemment considéré que cela facilite le suivi des substitutions de GTIN et aide à éviter l’historique segmenté.

Cependant, les substitutions de GTIN ne sont pas toujours précises et les entrées incorrectes deviennent presque impossibles à retracer. Pire encore, une fois que deux GTIN ont été fusionnés, les anciennes données sont perdues : il n’est plus possible de reconstituer les deux ensembles originaux d’enregistrements de ventes.

Il est donc beaucoup plus judicieux de conserver les entrées GTIN, car les GTIN représentent la réalité physique des informations collectées par le point de vente (POS). Ensuite, les indications pour les substitutions de GTIN doivent être conservées séparément, ce qui permet de réviser les associations ultérieurement - si le besoin s’en fait sentir.

Ne pas conserver les informations sur l’emballage : Dans la vente au détail alimentaire, de nombreux produits sont déclinés dans une variété de formats distincts : des portions individuelles aux portions familiales, des bouteilles individuelles aux packs, du format régulier aux formats promotionnels +25 %, etc.

Il est important de conserver les informations sur ces formats, car pour de nombreux clients, un format alternatif du même produit est souvent un bon substitut lorsque l’autre format manque.

Cependant, bien qu’il puisse être tentant de fusionner les ventes en une sorte de méta-GTIN où toutes les variantes de taille ont été fusionnées, il peut y avoir des exceptions, et toutes les tailles ne sont pas des substituts équivalents (par exemple, 18g de Nutella vs 5kg de Nutella). Ainsi, les informations sur l’emballage doivent être conservées, mais séparées des ventes brutes.

La qualité des données, un investissement extrêmement rentable

La qualité des données est l’un des rares domaines où les investissements sont généralement récompensés au centuple dans le commerce de détail. De meilleures données améliorent tous les résultats en aval, des méthodes les plus naïves aux méthodes les plus avancées. En théorie, la qualité des données devrait souffrir du principe des rendements décroissants, cependant, nos propres observations indiquent que, à l’exception de quelques stars montantes du commerce en ligne, la plupart des détaillants sont très loin du point où investir plus dans la qualité des données ne serait pas extrêmement rentable.

Ensuite, contrairement à la construction de modèles prédictifs avancés, la qualité des données ne nécessite pas de technologies compliquées, mais beaucoup de bon sens et un fort sens de la simplicité.

Restez à l’écoute, la prochaine fois, nous parlerons des défis liés aux processus pour la planification des promotions.