00:00:04 Impact des promotions sur les prévisions.
00:00:51 Variabilité des promotions selon les industries.
00:02:12 Défis dans la prévision de la demande induite par les promotions.
00:03:58 Analyse : Les risques des méthodes traditionnelles de supply chain.
00:06:00 Critique : Les moyennes mobiles et les méthodes de prévision.
00:08:01 Critique : Les modèles simples de prévision des promotions.
00:08:36 La dépendance des entreprises aux moyennes mobiles.
00:10:26 Besoins en données pour la prévision des promotions.
00:13:25 Le rôle du machine learning dans la prévision des promotions.
00:15:09 Le rôle des données promotionnelles dans la prévision hors promotion.
00:17:34 La vitesse d’apprentissage des systèmes de machine learning.
00:20:09 Difficultés et stratégies dans la prévision des promotions.
00:20:35 La mise en œuvre de la prévision des promotions dans les organisations.
00:23:17 L’exécution stratégique des promotions grâce au machine learning.

Résumé

La discussion entre Kieran Chandler et Joannes Vermorel, le fondateur de Lokad, porte sur les promotions, la prévision, et l’optimization de la supply chain. Vermorel explique que les promotions peuvent fausser la demande réelle, posant ainsi un défi à la prévision de la demande. De nombreuses entreprises résolvent ce problème en révisant l’historique des ventes pour neutraliser les impacts promotionnels, mais cette approche risque de créer des prévisions trompeuses. La plupart des entreprises emploient des méthodes de moyennes mobiles pour l’optimization de la supply chain, qui s’avèrent insuffisantes pour anticiper l’augmentation due aux promotions. Des prévisions améliorées nécessitent une complexité accrue, comme le machine learning, tout en exigeant des données de haute qualité sur les stratégies promotionnelles. Vermorel souligne l’influence à long terme des promotions et la nécessité d’une planification stratégique avant de mettre en œuvre le machine learning dans la prévision des promotions.

Résumé étendu

La conversation entre Kieran Chandler et Joannes Vermorel, le fondateur de Lokad, porte sur le thème des promotions et leurs implications sur la prévision et l’optimization de la supply chain.

La discussion débute par un examen de la façon dont les promotions ont un impact drastique sur les ventes, pouvant être positif si elles sont bien exécutées et négatif si elles sont mal gérées. Elles façonnent également les attentes des clients concernant les remises, affectant ainsi les comportements d’achat. Chandler et Vermorel reconnaissent que les stratégies promotionnelles diffèrent significativement selon les industries, certains secteurs comme le luxe évitant les remises, tandis que d’autres, comme les hypermarchés, tirent parti des promotions quotidiennes.

La conversation aborde ensuite la complexité des promotions du point de vue de la prévision. Vermorel précise que, bien que les promotions soient généralement associées à une augmentation des ventes, cette augmentation ne correspond pas nécessairement à une hausse de la demande réelle. Cette disparité s’explique par le fait que les ventes observées lors d’une promotion peuvent dépasser la demande réelle, les consommateurs profitant de l’opportunité offerte par des prix plus bas, même s’ils n’ont pas immédiatement besoin du produit. Un tel comportement peut fausser la perception de la demande réelle.

La conversation se tourne ensuite vers les implications sur la supply chain. Vermorel souligne que, lors de la planification de la demande future, les praticiens de la supply chain doivent tenir compte de la distorsion causée par les promotions. Cependant, de nombreuses entreprises se fient aux méthodes traditionnelles de supply chain, tentant d’obscurcir l’effet des promotions en retravaillant l’historique des ventes, effaçant ainsi les pics de ventes promotionnelles. Cette approche, en cherchant à normaliser les données de ventes, introduit des risques en substituant les données historiques réelles par des constructions artificielles, ce qui peut conduire à des prévisions trompeuses.

Chandler exprime son inquiétude face à ces dangers potentiels, incitant Vermorel à expliquer pourquoi les entreprises choisissent cette méthode. Il détaille que la plupart des entreprises déploient des technologies principalement basées sur des variations de moyennes mobiles pour l’optimization de la supply chain. Ces méthodes, bien qu’assez adaptées pour les périodes non promotionnelles, ne parviennent pas à prévoir les hausses promotionnelles, conduisant à des prévisions médiocres. Ce fossé de performance incite de nombreux clients de Lokad à rechercher des prévisions promotionnelles améliorées.

Vermorel commence par reconnaître le rôle significatif des modèles statistiques dans l’amélioration de la précision des prévisions, notant que, bien qu’ils soient efficaces, ils ne sont pas la solution unique pour des prévisions précises. Il aborde l’utilisation généralisée des moyennes mobiles dans l’industrie en raison de leur simplicité et de leur accessibilité, d’autant plus qu’une grande partie de la supply chain fonctionne encore avec des outils basiques comme Microsoft Excel. Toutefois, il indique que, bien que les moyennes mobiles soient simples, obtenir de meilleurs résultats nécessite une complexité nettement supérieure.

La conversation s’oriente ensuite vers le concept de machine learning, qui représente une avancée substantielle en termes de complexité et de résultats potentiels par rapport aux moyennes mobiles. Le machine learning exige non seulement une compréhension plus sophistiquée des méthodes statistiques, mais aussi un niveau de qualité des données supérieur. Plus particulièrement, Vermorel souligne la nécessité de disposer de données complètes et de haute qualité sur les stratégies promotionnelles.

Les entreprises doivent collecter un ensemble de données étendu sur tous les aspects contribuant aux mécanismes des promotions. Cela inclut non seulement les ajustements de prix, mais aussi les efforts marketing accompagnant les promotions et les stratégies de visibilité employées. Vermorel examine divers exemples spécifiques à l’industrie, tels que les soldes de fin de saison dans la mode ou les stratégies de placement de produit dans les marchés de la distribution.

Vermorel insiste également sur l’importance de la qualité des données. Il explique que, bien que de légères inexactitudes ou des lacunes dans les données ne conduisent pas immédiatement une entreprise à la faillite, elles peuvent considérablement entraver la performance des algorithmes de machine learning qui s’appuient sur des données précises. Il suggère qu’obtenir des données historiques solides sur les promotions exige généralement un effort considérable sur plusieurs mois.

L’interview se tourne ensuite vers l’évolution de la collecte de données et son importance dans la prévision des promotions. Vermorel propose qu’avec des données précises, les prévisions peuvent plus efficacement prédire quelles promotions utiliser et quand elles pourraient être les plus efficaces. Les algorithmes de machine learning traitent les données en identifiant et en signalant les périodes où les ventes ont été gonflées ou probablement supprimées en raison des activités promotionnelles. Cette stratégie, explique Vermorel, aide à améliorer la précision des prévisions même en dehors des périodes promotionnelles.

À première vue, ce concept semble contre-intuitif. Cependant, Vermorel le justifie en expliquant que les promotions ont un effet d’entraînement sur d’autres produits non promotionnés. Par exemple, une promotion significative sur un produit peut cannibaliser les ventes des produits concurrents, rendant ainsi la prévision plus complexe. Comprendre ces effets indirects des promotions ajoute donc une couche supplémentaire à la prévision de la supply chain.

Vermorel souligne la nécessité d’anticiper les événements futurs et leur impact potentiel sur la supply chain. Il propose que, si les entreprises pouvaient communiquer ces événements futurs à un moteur de prévision alimenté par le machine learning, celui-ci pourrait exploiter ces données et intégrer l’événement à venir dans ses prédictions.

Chandler s’interroge sur la capacité d’apprentissage du machine learning et sur la rapidité avec laquelle il peut donner des résultats. Vermorel clarifie qu’il s’agit principalement d’un jeu de statistiques. La vitesse d’apprentissage de l’algorithme de machine learning dépend de la fréquence des promotions. Par exemple, s’il n’y a qu’une seule promotion par an pour un produit, l’apprentissage sera lent. Cependant, l’algorithme apprend plus rapidement avec des promotions régulières puisqu’il peut utiliser des données issues de promotions similaires passées.

De plus, Vermorel précise que la prédiction des promotions ne consiste pas à prévoir une seule série temporelle, mais à examiner l’impact typique d’une promotion dans des conditions similaires, telles que les remises ou les canaux de communication. Il donne des exemples issus de l’industrie de la mode, où les promotions de fin de saison sont courantes, et du le e-commerce, où les produits sont continuellement mis en avant sur la page d’accueil du site.

S’adressant aux PDG ou aux futurs PDG, Vermorel décrit un processus pour introduire la prévision des promotions au sein de leurs organisations. Il souligne la nécessité de collecter des données, en insistant sur l’importance de données spécifiques plutôt que sur des ensembles de données généralistes. Il recommande de collecter des données détaillées sur les promotions elles-mêmes : les produits, les mécanismes promotionnels, et d’autres variables telles que la livraison gratuite.

Vermorel met en avant la nécessité de disposer d’un processus d’assurance qualité pour garantir l’exactitude et la pertinence des données. Il incite également les dirigeants à réfléchir à l’objectif sous-jacent ou à la finalité de leur stratégie promotionnelle, qui varie selon les industries. Il donne des exemples issus des secteurs de la mode et de la grande distribution, chacun ayant des objectifs uniques derrière ses promotions.

Il exhorte les organisations à prendre en considération les impacts à long terme de leurs promotions. Selon lui, ces activités éduquent les clients d’une certaine manière, ce qui peut avoir des effets durables. Par conséquent, les entreprises doivent réfléchir stratégiquement au type d’influence qu’elles souhaitent exercer sur leurs clients à travers les promotions.

Le machine learning intervient une fois que les organisations ont clarifié leur réflexion stratégique et rassemblé les données pertinentes. Vermorel réaffirme que, malgré son intelligence mécanique, le machine learning ne concevra pas de stratégies de haut niveau, soulignant qu’il est essentiel pour les entreprises de définir leur stratégie avant d’employer le machine learning pour la prévision des promotions.

Transcription intégrale

Kieran Chandler: Aujourd’hui sur Lokad TV. Nous allons parler des promotions et de l’impact qu’elles peuvent avoir sur les prévisions. Les promotions peuvent être incroyablement variables et difficiles à prévoir. Bien les réaliser, et elles peuvent augmenter considérablement vos ventes, mais mal les gérer, et elles peuvent réduire la crédibilité de vos produits et aliéner votre clientèle en la poussant à s’attendre à d’importantes baisses de prix. Les promotions font souvent la une pour toutes sortes de mauvaises raisons. Pendant le Black Friday, on peut voir des clients se battre pour des produits à des prix exorbitants dans les grands magasins. Cependant, ces périodes sont sans aucun doute importantes pour les détaillants qui rapportent souvent des augmentations massives de produits. Alors Joannes, les promotions varient énormément selon l’industrie dans laquelle vous évoluez. Pour commencer, pourriez-vous expliquer un peu quelles sont les entreprises dont nous parlons ici ?

Joannes Vermorel: Oui, en effet, les promotions se déclinent en une variété d’approches selon votre secteur. Elles vont d’industries comme le luxe, qui ne font jamais de promotion – on ne verra jamais une Rolex en soldes – à des industries qui proposent des promotions quotidiennes, comme les hypermarchés, où l’on observe des promotions quotidiennes sur divers produits. Les promotions peuvent concerner le prix, c’est ce que l’on retrouve typiquement dans un hypermarché où l’on achète deux et on en obtient un gratuit. Mais dans le le e-commerce, les promotions consistent également à mettre quelque chose en avant. Si vous envoyez une newsletter à un demi-million d’abonnés pour présenter un produit, vous verrez une forte augmentation des ventes, même si vous n’avez pas réellement baissé le prix du produit, même pas de 1%. Ainsi, c’est bien le même terme, mais il signale des réalités très différentes selon l’entreprise à qui vous vous adressez.

Kieran Chandler: D’accord, donc en général, elles devraient être plutôt bénéfiques puisque l’on observe habituellement une augmentation des ventes. Pourquoi compliquent-elles les choses ? Pourquoi observe-t-on une difficulté avec les promotions ?

Joannes Vermorel: Elles compliquent les choses car ce que vous souhaitez prévoir, si vous voulez optimiser votre supply chain, c’est la demande future. Le problème est que vous n’observez pas la demande future ni même la demande passée, vous observez les ventes passées. Les ventes ne sont pas la demande. Les ventes sont accompagnées de toutes sortes de biais. Si vous n’avez plus de stock, vous aurez une rupture de stock, donc vous aurez pratiquement zéro vente, alors que la demande est toujours présente. Les promotions produisent l’effet inverse, car vous pouvez constater beaucoup plus de ventes que ce qu’est réellement la demande. Par exemple, si vous appliquez une baisse de prix massive, même si les gens n’en ont pas besoin immédiatement, ils pourraient commencer à constituer leur propre stock à la maison avec le produit que vous vendez, simplement parce qu’ils estiment que c’est une bonne opportunité. Ainsi, les ventes peuvent vous donner une idée erronée de ce qu’est réellement la demande. La plupart des praticiens de la supply chain savent qu’ils ne doivent pas simplement appliquer une moyenne mobile aux promotions, car la promotion fait grimper naïvement la demande observée jusqu’au plafond. Vous savez qu’à la fin de la promotion, les ventes vont chuter. C’est le phénomène de base à prendre en compte ; sinon, votre planification sera complètement fausse.

Kieran Chandler: Donc vous dites qu’il y a une véritable perception erronée de la demande. Comment les entreprises prennent-elles cela en compte dans la réalité ? Comment s’ajustent-elles à cela ?

Joannes Vermorel: La méthode traditionnelle de la supply chain consiste à réécrire l’historique des ventes pour masquer l’effet des promotions. La plupart des entreprises prennent leur historique des ventes, examinent la période promotionnelle, constatent le pic, et tentent d’effacer ces pics de leur historique. Ainsi, lorsqu’elles appliquent une méthode semblable à une moyenne mobile, cette dernière n’est pas excessivement biaisée par la promotion qui vient de se dérouler. Je ne dis pas que c’est la solution idéale, mais c’est ce que font la plupart des entreprises de nos jours.

Kieran Chandler: Et supprimer les pics, qui sont induits par les promotions, semble très dangereux. N’allons-nous pas obtenir une sorte de deux versions de la vérité ? Pourquoi font-elles cela en réalité ?

Joannes Vermorel : Vous avez tout à fait raison ; c’est très dangereux. La raison est que vous remplacez les données de ventes historiques, qui sont précises, par des données factices que vous venez d’inventer. C’est une distorsion de la réalité et ensuite vous allez baser votre planification sur ces données inventées. Oui, il y a un réel danger. C’est un danger méthodologique. Si vos corrections sont mal orientées, alors vos prévisions seront construites sur des entrées défectueuses, ce qui pourrait aggraver le problème en termes de planification de la supply chain.

Alors, pourquoi les gens le font-ils quand même ? Si l’on observe le type de technologies que la plupart des entreprises utilisent encore pour l’optimization de la supply chain, c’est fondamentalement une version glorifiée des moyennes mobiles. Les moyennes mobiles portent différents noms – lissage exponentiel, Holt-Winters – mais essentiellement, ce sont toutes des variantes des moyennes mobiles. Ces méthodes sont juste un peu plus nuancées pour traiter la saisonnalité, mais l’essentiel reste une moyenne mobile.

C’est pourquoi, si tout ce que vous avez est une moyenne mobile, vous devez rendre vos ventes historiques compatibles avec celle-ci, qui est le seul modèle mathématique dont dispose votre entreprise. Mais c’est une perspective erronée, car il y a bien plus que de simples moyennes mobiles.

Kieran Chandler : Mais ces méthodes statistiques sont sans doute ce sur quoi de nombreuses entreprises basent leurs décisions futures. Alors, fonctionnent-elles réellement ? Elles doivent être assez bonnes si des entreprises du monde entier les utilisent.

Joannes Vermorel : La réalité est qu’elles ne sont pas vraiment suffisamment performantes. La plupart des entreprises qui sont devenues nos clients nous disaient en fait que l’une des motivations clés était d’obtenir de meilleures prévisions promotionnelles, car c’était un véritable problème pour elles.

Votre moyenne mobile peut gérer la situation, mais elle ne peut pas anticiper le coup de fouet ou l’effet de la promotion. Bien qu’elle ne ruine pas complètement la prévision pour les périodes non promotionnelles en raison de la promotion, elle ne fournit toujours rien pour gérer réellement une promotion à venir. Ainsi, la moyenne mobile vous aide un peu, mais elle ne s’attaque pas au problème en profondeur. Elle ne produit pas une prévision promotionnelle réelle, elle empêche simplement les promotions de fausser toutes les prévisions non promotionnelles. Et, d’ailleurs, cette méthode est très faible ; elle ne fonctionne même pas correctement et présente de nombreux problèmes.

Kieran Chandler : Alors, pourquoi ces entreprises sont-elles si satisfaites de travailler avec ces moyennes mobiles ? Pourquoi ne changent-elles pas ? Pourquoi ce problème persiste-t-il toujours d’une certaine manière ?

Joannes Vermorel : Je pense qu’une moyenne mobile est quelque chose que n’importe quel ingénieur peut concevoir en deux heures. La simplicité est donc très puissante. Vous finirez par réinventer, en deux heures, une moyenne mobile et une sorte de recette pour la faire réellement fonctionner, ce qui représente une force très puissante.

Souvenez-vous qu’environ 80 % des supply chains mondiales fonctionnent encore sur Microsoft Excel, donc une moyenne mobile sur Excel est très, très facile à rédiger. C’est probablement la raison.

Une autre raison est que, si vous voulez faire mieux, c’est nettement plus difficile. Soudainement, vous devez passer de la moyenne mobile au machine learning. Donc, vous devez passer d’une méthode très simpliste que tout le monde peut comprendre, au machine learning qui est bien plus compliqué.

Kieran Chandler : Nous discutons d’un algorithme qui peut fonctionner en deux heures, même si vous n’avez jamais fait de machine learning auparavant. Mais pour le mettre en œuvre avec succès, vous devez également prêter une attention particulière à la qualité des données concernant vos promotions. Pourriez-vous décrire comment ce processus fonctionne, et comment nous pouvons procéder avec de meilleures méthodes ?

Joannes Vermorel : Bien sûr. Indépendamment de toute alternative aux moyennes mobiles, nous devons nous appuyer de manière significative sur les données. Ce facteur rend le jeu beaucoup plus complexe.

Kieran Chandler : Si nous visons à faire mieux, quel type de données devrions-nous collecter ? Devrait-il s’agir des efforts marketing, des changements de prix, ou autre chose ?

Joannes Vermorel : L’entreprise doit collecter tout ce qui contribue aux mécaniques promotionnelles. Le prix est un aspect, oui. Si vous réduisez le prix d’un produit sans en informer quiconque, personne ne s’en rend compte, excepté les personnes qui avaient déjà l’intention d’acheter le produit.

Ainsi, une promotion ne concerne pas seulement le prix. Il s’agit également de faire passer le mot. Informer le marché que vous proposez une promotion est crucial. Dans certaines industries comme la mode, il y a des soldes de fin de saison. Tout le monde s’attend à ces soldes, qui sont un type spécifique de promotion. Mais dans certains domaines, c’est un tout autre jeu.

Par exemple, dans les hypermarchés, il ne s’agit pas simplement d’appliquer une baisse de prix. Souvent, il s’agit de déplacer un produit à la tête de gondole — un emplacement super premium en bout d’allée où les produits sont très visibles. Mieux encore, vous pourriez placer une grande pile de produits promotionnels à l’entrée du magasin.

Alors, la question devient : est-ce que votre système ERP suit correctement toutes ces données ? Si vous ne parvenez pas à suivre correctement ce que vous vendez ou achetez, votre entreprise pourrait faire faillite. Si vous ne savez pas ce que vous vendez ou achetez, les clients ou les fournisseurs pourraient vous escroquer, ce qui conduirait à la faillite.

D’autre part, si la date de votre promotion est enregistrée incorrectement dans vos dossiers ERP, cela ne mènera pas votre entreprise à la faillite. Mais si vous souhaitez alimenter un algorithme de machine learning qui prévoit les promotions avec des données inexactes, cela ne fonctionnera pas.

Donc, vous avez besoin d’un processus d’assurance qualité pour vos données promotionnelles. D’après notre expérience chez Lokad, ce processus peut demander beaucoup d’efforts. Pour la plupart des entreprises, il faut des mois de travail pour obtenir des données promotionnelles historiques de qualité.

Kieran Chandler : Donc, ce que vous dites, c’est qu’il y a eu une véritable évolution dans l’industrie parce qu’il ne s’agit pas d’une métrique critique à mesurer, mais d’une évolution de la manière dont nous la mesurons ?

Joannes Vermorel : Oui, c’est très difficile à mesurer.

Kieran Chandler : Hypothétiquement, si une entreprise a mesuré toutes ces choses et a rassemblé toutes ces informations, cela signifie-t-il qu’à travers votre prévision, vous serez en mesure de nous dire quelles promotions réaliser, quand elles fonctionnent le mieux, et quel type d’informations vous seriez capable de générer ?

Joannes Vermorel : Oui. La première chose à comprendre est qu’au lieu de corriger les données historiques, un algorithme de machine learning les examine sous l’angle de données historiques enrichies. Vous n’essayez pas d’ajuster vos ventes. Vous allez signaler les périodes pendant lesquelles les ventes du produit ont été gonflées et celles où elles ont probablement été censurées.

Par exemple, à la fin d’une promotion, si les gens ont constitué leur propre stock de marchandises, vous pourriez observer une baisse de la demande. Vous pourriez même avoir une période durant laquelle vous observerez une sorte de demande censurée. Donc, vous devez prendre en compte tous ces facteurs.

Kieran Chandler : Donc, le premier avantage des promotions, qui peut ne pas être immédiatement apparent, est le potentiel d’améliorer la qualité de votre prévision même pendant les périodes non promotionnelles. Cela est réalisé grâce à l’utilisation d’un algorithme qui est meilleur pour prédire les biais. Ce que vous dites, c’est que les données promotionnelles sont utilisées même lorsque les promotions n’ont pas lieu, n’est-ce pas ?

Joannes Vermorel : Oui, cela peut sembler contre-intuitif, mais prenons un exemple. Si vous avez une promotion majeure pour une variété de tomates, cela cannibaliserait probablement les ventes de tous les autres produits non promotionnés. Il est assez évident qu’une promotion significative pour un produit particulier aura un effet de cannibalisation massif sur tous les autres produits en concurrence avec l’article promu. Ainsi, les promotions rendent la prévision plus complexe, non seulement pour le produit promu, mais aussi pour tous les produits non promotionnés.

Kieran Chandler : Je vois, donc ce n’est pas aussi contre-intuitif qu’il n’y paraît au premier abord, mais cela nécessite une certaine réflexion. Passons maintenant au sujet de l’anticipation des promotions futures. Si vous êtes conscient d’une promotion à venir, vous pouvez anticiper le coup de fouet, ou l’augmentation des ventes, qui en résultera. Cependant, cela soulève la question de votre processus de décision concernant les promotions futures. Pourriez-vous expliquer comment ces décisions sont prises et comment elles sont intégrées dans votre moteur de prévision ?

Joannes Vermorel : Bien sûr. La première partie du processus consiste à décider des promotions futures. La deuxième partie implique de s’assurer que ces décisions soient intégrées dans notre moteur de prévision. Il ne s’agit pas seulement de données passées, mais aussi d’attentes futures. Si nous planifions un événement qui aura un impact significatif sur la supply chain, le moteur de prévision doit en être informé à l’avance. Un moteur de prévision piloté par machine learning, s’il est informé à temps, sera capable de s’adapter et de refléter l’événement à venir dans sa prévision.

Kieran Chandler : C’est fascinant, surtout l’idée d’une promotion de la décennie. Mais compte tenu de la complexité du machine learning, à quelle vitesse ces machines peuvent-elles apprendre et s’adapter ? Quand peut-on espérer commencer à voir des résultats ?

Joannes Vermorel : Cela dépend largement du nombre de promotions. C’est un jeu de statistiques. Si vous lancez une promotion seulement une fois par an pour un produit, il est difficile d’en tirer des enseignements. Souvenez-vous, prévoir des promotions ne consiste pas à prévoir des séries temporelles. Chaque produit peut être promu une ou deux fois dans sa vie. Si vous voulez comprendre l’impact d’une promotion, vous devez considérer quel est l’impact typique d’une promotion dans des conditions similaires — remise sur le prix, mécaniques promotionnelles, canaux de communication, etc. Par exemple, dans l’industrie de la mode, qui réalise des promotions de fin de saison, vous disposez de plusieurs points de données puisqu’elles se produisent de quatre à huit fois par an. Pour un hypermarché, chaque produit est potentiellement un point de données.

Ils ont des centaines de produits qui sont en promotion chaque jour, et ils se font tourner, ce ne sont pas toujours les mêmes produits. C’est quelque chose qui se produit tout le temps dans le e-commerce. Typiquement, vous avez toujours un ou deux produits qui se retrouvent sur la première page de votre site web de e-commerce, donc il existe un mécanisme promotionnel fort qui se produit constamment. Mais cela devient très difficile quand vous commencez à envisager la prévision des promotions. Une question que nos clients posent est de savoir si notre moteur de prévision peut peut-être prévoir les promotions, mais ce qu’ils aimeraient vraiment, c’est décider quelle est la meilleure promotion, ce qui est une question complètement différente et très difficile.

Kieran Chandler : Disons que certains de nos spectateurs pourraient être des PDG. Quel est le processus à suivre s’ils veulent réellement mettre en œuvre la prévision des promotions dans leur organisation ?

Joannes Vermorel : Tout d’abord, ils doivent collecter toutes les données pertinentes. Je ne parle pas de collecter des données Twitter ou ce que les gens disent sur Facebook. Il s’agit plutôt de connaître la liste des produits qui sont promus, quel est le mécanisme promotionnel exact. Ils ont probablement leurs propres catégories comme “achetez-en un, obtenez-en un gratuit”, ou s’agit-il d’une baisse de prix en pourcentage, ou de toute autre promotion avec, par exemple, la livraison gratuite. La première étape consiste à collecter ce que j’appelle des données quasi transactionnelles. Ce ne sont pas des données transactionnelles car elles n’apparaissent pas sur les factures ou les paiements, mais elles sont très bien spécifiées. Vous devez les collecter, les intégrer dans votre système, et mettre en place un processus d’assurance qualité pour cela.

La deuxième étape consiste à réfléchir sérieusement aux raisons pour lesquelles vous faites des promotions, quel est l’objectif final. Le problème, c’est que c’est généralement un objectif très différent selon votre secteur. Par exemple, dans la mode, le but est de liquider tous vos anciens stocks afin de pouvoir toujours vendre des produits en phase avec la dernière tendance. Dans la grande distribution, les promotions ne sont généralement pas déclenchées par le détaillant mais par leur fournisseur, dans le cadre d’une négociation pour augmenter la notoriété d’un new product, comme une nouvelle saveur d’un produit de grande consommation. Les objectifs finaux sont très différents, ce qui signifie que, lorsque vous voulez évaluer comment vous devez exécuter, vous devez réfléchir à l’impact de vos promotions.

Vous essayez d’influencer vos clients, et vous devriez vraiment réfléchir au type d’influence que vous souhaitez créer. Par exemple, si vous éduquez vos clients à toujours acheter vos produits à bas prix parce qu’ils savent qu’une promotion est toujours à venir, alors vos clients apprendront qu’il leur suffit d’être un peu patients pour l’obtenir à moindre coût. Cela requiert une réflexion vraiment stratégique et cette réflexion stratégique doit avoir lieu avant le machine learning.

Une fois que vous aurez bien compris cela, vous pourrez disposer d’un système de machine learning qui est intelligent et capable de traiter toutes les données que vous avez collectées et alignées sur votre réflexion stratégique. Le machine learning est très mécanique, il ne sera donc pas capable d’exécuter une stratégie de haut niveau, c’est à vous de le faire.

Kieran Chandler : Je crains que nous devions conclure pour aujourd’hui. Lorsque vous parlez d’éduquer les clients, je me considérerais probablement comme l’un des clients les moins instruits qui soient. C’est tout pour cette semaine, merci de nous avoir regardés et nous nous reverrons la prochaine fois. Au revoir.