Prévision des promotions

00:00:04 Impact des promotions sur les prévisions.
00:00:51 Variabilité des promotions selon les industries.
00:02:12 Défis de la prévision de la demande liée aux promotions.
00:03:58 Analyse : Risques des méthodes traditionnelles de la supply chain.
00:06:00 Critique : Moyennes mobiles et méthodes de prévision.
00:08:01 Critique : Modèles de prévision des promotions simples.
00:08:36 Dépendance des entreprises vis-à-vis des moyennes mobiles.
00:10:26 Besoins en données pour la prévision des promotions.
00:13:25 Rôle de l’apprentissage automatique dans la prévision des promotions.
00:15:09 Rôle des données promotionnelles dans la prévision non promotionnelle.
00:17:34 Vitesse d’apprentissage des systèmes d’apprentissage automatique.
00:20:09 Difficultés et stratégies de prévision des promotions.
00:20:35 Mise en œuvre de la prévision des promotions dans les organisations.
00:23:17 Exécution stratégique des promotions à l’aide de l’apprentissage automatique.

Résumé

L’entretien entre Kieran Chandler et Joannes Vermorel, le fondateur de Lokad, tourne autour des promotions, de la prévision et de l’optimisation de la supply chain. Vermorel explique que les promotions peuvent fausser la demande réelle, ce qui pose un défi en matière de 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. Les entreprises utilisent principalement des méthodes de moyenne mobile pour l’optimisation de la supply chain, qui se révèlent insuffisantes pour anticiper les augmentations liées aux promotions. Des prévisions améliorées nécessitent plus de complexité, comme l’apprentissage automatique, mais aussi des données de haute qualité sur les stratégies promotionnelles. Vermorel met en évidence l’influence à long terme des promotions et la nécessité d’une planification stratégique avant de mettre en œuvre l’apprentissage automatique dans la prévision des promotions.

Résumé étendu

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

La discussion commence par un examen de l’impact considérable des promotions sur les ventes, potentiellement positif s’ils sont bien exécutés et négatif s’ils sont mal gérés. Elles façonnent également les attentes des clients en matière de remises, ce qui affecte les comportements d’achat. Chandler et Vermorel reconnaissent que les stratégies promotionnelles diffèrent considérablement selon les industries, certains secteurs comme les produits de luxe évitant les remises, tandis que d’autres comme les hypermarchés exploitent les promotions quotidiennes.

La conversation aborde ensuite la complexité des promotions d’un point de vue de la prévision. Vermorel explique que même si les promotions sont généralement liées à une augmentation des ventes, cette augmentation ne correspond pas nécessairement à une augmentation de la demande réelle. Cette disparité se produit car les ventes observées pendant une promotion peuvent dépasser la demande réelle, les consommateurs profitant de l’occasion de prix plus bas, même s’ils n’ont pas besoin du produit immédiatement. Ce 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 professionnels de la supply chain doivent tenir compte de la distorsion causée par les promotions. Cependant, de nombreuses entreprises se basent sur des méthodes traditionnelles de supply chain, essayant d’occulter l’effet des promotions en réécrivant l’historique des ventes, effaçant ainsi efficacement les pics de ventes promotionnelles. Cette approche, tout en essayant de normaliser les données de vente, présente des risques car elle substitue les données historiques réelles par des constructions artificielles, ce qui peut conduire à des prévisions trompeuses.

Chandler exprime des préoccupations concernant ces dangers potentiels, ce qui amène Vermorel à expliquer pourquoi les entreprises choisissent cette méthode. Il explique que la plupart des entreprises déploient des technologies principalement basées sur des variations de moyennes mobiles pour l’optimisation de leur supply chain. Ces méthodes, bien qu’adéquates pour les périodes non promotionnelles, ne parviennent pas à prévoir les augmentations liées aux promotions, ce qui conduit à des prévisions médiocres. C’est cette lacune de performance qui pousse de nombreux clients de Lokad à rechercher des prévisions promotionnelles améliorées.

Vermorel commence par reconnaître le rôle important des modèles statistiques dans l’amélioration de la précision des prévisions, notant qu’ils sont efficaces mais ne constituent pas la seule solution pour des prévisions précises. Il discute de l’utilisation généralisée des moyennes mobiles dans l’industrie en raison de leur simplicité et de leur accessibilité, notamment étant donné qu’une grande proportion des supply chains fonctionnent encore à l’aide d’outils basiques comme Microsoft Excel. Cependant, il indique que si les moyennes mobiles sont simples, obtenir de meilleurs résultats nécessite une complexité significativement plus élevée.

La conversation aborde ensuite le concept d’apprentissage automatique, qui représente une avancée substantielle en termes de complexité et de résultats potentiels par rapport aux moyennes mobiles. L’apprentissage automatique exige non seulement une compréhension plus sophistiquée des méthodes statistiques, mais aussi une qualité de données plus élevée. En particulier, Vermorel souligne la nécessité de disposer de données complètes et de haute qualité sur les stratégies promotionnelles.

Les entreprises doivent collecter des données approfondies 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 utilisées. Vermorel examine différents exemples spécifiques à l’industrie, tels que les soldes de fin de saison dans la mode ou les stratégies de placement de produits dans les marchés de détail.

Vermorel souligne également l’importance de la qualité des données. Il explique que même de légères inexactitudes ou lacunes dans les données peuvent ne pas entraîner instantanément la faillite d’une entreprise, mais elles peuvent sérieusement entraver les performances des algorithmes d’apprentissage automatique qui reposent sur des données précises. Il suggère que l’obtention de données promotionnelles historiques robustes demande généralement des efforts considérables sur plusieurs mois.

L’interview se tourne ensuite vers l’évolution de la collecte de données et son importance dans la prévision promotionnelle. Vermorel propose qu’avec des données précises, les prévisions peuvent prédire de manière plus efficace quelles promotions utiliser et quand elles pourraient fonctionner le mieux. Les algorithmes d’apprentissage automatique traitent les données en identifiant et en signalant les périodes où les ventes ont été soit gonflées, soit probablement réduites en raison des activités promotionnelles. Cette stratégie, explique Vermorel, contribue 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 promus. Par exemple, une promotion importante 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 autre dimension à la prévision de la chaîne d’approvisionnement.

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

Chandler s’interroge sur la capacité d’apprentissage de l’apprentissage automatique et sur la rapidité avec laquelle il peut donner des résultats. Vermorel précise que c’est principalement un jeu de statistiques. La vitesse à laquelle l’algorithme d’apprentissage automatique apprend 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 car il peut utiliser des données provenant de promotions passées similaires.

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 des remises ou des canaux de communication. Il donne des exemples de l’industrie de la mode, où les promotions de fin de saison sont courantes, et du commerce électronique, où les produits sont continuellement promus sur la page d’accueil du site Web.

S’adressant aux PDG ou aux aspirants PDG, Vermorel décrit un processus pour introduire la prévision des promotions au sein de leurs organisations. Il souligne la nécessité de la collecte de données, en insistant sur l’importance de données spécifiques par rapport à des ensembles de données larges. 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 évidence la nécessité d’avoir un processus d’assurance qualité pour garantir l’exactitude et la pertinence des données. Il encourage également les dirigeants à réfléchir à l’objectif sous-jacent ou à l’objectif final de leur stratégie de promotion, car il diffère selon les industries. Il donne des exemples de l’industrie de la mode et des produits de grande consommation, chacun ayant des objectifs uniques derrière leurs promotions.

Il exhorte les organisations à prendre en compte les impacts à long terme de leurs promotions. Ces activités, affirme-t-il, 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 grâce aux promotions.

L’apprentissage automatique entre en jeu une fois que les organisations ont clarifié leur réflexion stratégique et rassemblé les données pertinentes. Vermorel réitère que l’apprentissage automatique, malgré son intelligence mécanique, ne concevra pas de stratégies de haut niveau, soulignant qu’il est essentiel que les entreprises élaborent une stratégie avant d’utiliser l’apprentissage automatique pour la prévision des promotions.

Transcription complète

Kieran Chandler: Aujourd’hui sur Lokad TV. Nous allons parler des promotions et de leur impact sur les prévisions. Les promotions peuvent être extrêmement variables et difficiles à prévoir. Si elles sont bien faites, elles peuvent considérablement augmenter vos ventes, mais si elles sont mal faites, elles peuvent réduire la crédibilité de vos produits et aliéner votre base de clients en s’attendant à de vastes réductions de prix. Les promotions font souvent la une des journaux pour toutes sortes de mauvaises raisons. Pendant le Black Friday, on peut voir des clients se battre pour des produits à prix réduits dans les grands magasins. Cependant, ces périodes sont indéniablement importantes pour les détaillants qui signalent souvent des augmentations massives de leurs produits. Alors Joannes, les promotions sont extrêmement variables selon le secteur dans lequel vous vous trouvez. Pour commencer, pourriez-vous expliquer les entreprises dont nous parlons ici.

Joannes Vermorel: Oui, en effet, les promotions existent sous différentes formes selon votre secteur d’activité. Cela va des industries du luxe, qui ne font jamais de promotion. Je veux dire, vous ne trouverez pas de Rolex en solde, aux industries qui font des promotions quotidiennes, comme les hypermarchés, où vous verrez des promotions quotidiennes sur les produits. Les promotions peuvent concerner le prix, c’est ce que vous obtenez généralement dans un hypermarché lorsque vous achetez deux produits, vous en obtenez un gratuitement. Mais les promotions dans le commerce électronique consistent également à mettre en avant un produit. Si vous envoyez une newsletter à un demi-million d’abonnés pour mettre en avant un produit, vous verrez une forte augmentation des ventes, même si vous n’avez pas réellement baissé le prix du produit d’un seul pour cent. Donc, en effet, c’est le même mot, mais cela recouvre des réalités très différentes selon l’entreprise à laquelle vous parlez.

Kieran Chandler: D’accord, donc en général, c’est plutôt une bonne chose car nous constatons généralement une augmentation des ventes. Pourquoi cela complique-t-il les choses ? Pourquoi y a-t-il une difficulté associée aux promotions ?

Joannes Vermorel: Cela complique les choses parce que ce que vous voulez prédire, si vous voulez optimiser votre chaîne d’approvisionnement, c’est la demande future. Le problème, c’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 zéro vente, mais la demande est toujours là. Les promotions ont exactement l’effet inverse, vous pouvez voir beaucoup plus de ventes que de demande réelle. Par exemple, si vous baissez énormément les prix, même si les gens n’en ont pas besoin tout de suite, ils vont peut-être 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. Les ventes peuvent vous donner une idée fausse de ce qu’est réellement la demande. La plupart des praticiens de la chaîne d’approvisionnement savent qu’ils ne doivent pas simplement appliquer une moyenne mobile sur les promotions, car la promotion pousse naïvement la demande observée vers les sommets. Vous savez qu’à la fin de la promotion, les ventes vont chuter. C’est le phénomène très basique que vous devez prendre en compte ; sinon, votre planification sera complètement fausse.

Kieran Chandler: Donc, vous dites qu’il y a une véritable idée fausse de la demande. Comment les entreprises s’adaptent-elles à cela ? Comment ajustent-elles leur approche ?

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 prendront leur historique des ventes, examineront la période promotionnelle, verront le pic, et essayeront d’effacer les pics de leur historique des ventes. De cette façon, lorsqu’elles appliquent quelque chose qui ressemble beaucoup à une moyenne mobile, la moyenne mobile n’est pas trop biaisée par la promotion qui vient de se produire. Je ne dis pas que c’est la bonne chose à faire, mais c’est ce que la plupart des entreprises font encore de nos jours.

Kieran Chandler: Et supprimer les pics, qui sont dus aux promotions, semble très dangereux. N’allez-vous pas obtenir deux versions de la vérité ? Pourquoi font-ils cela en réalité ?

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

Alors, pourquoi les gens le font-ils quand même ? Si vous regardez les technologies que la plupart des entreprises utilisent encore pour l’optimisation de leur supply chain, c’est essentiellement une version glorifiée des moyennes mobiles. Les moyennes mobiles portent différents noms - lissage exponentiel, Holt-Winters - mais essentiellement ce sont toutes des variations de moyennes mobiles. Ces méthodes sont juste un peu plus nuancées pour traiter la saisonnalité, mais le cœur du problème reste une moyenne mobile.

C’est pourquoi si tout ce que vous avez, c’est une moyenne mobile, vous devez rendre votre historique des ventes compatible avec celle-ci, qui est le seul modèle mathématique disponible pour votre entreprise. Mais c’est une perspective erronée car il y a beaucoup plus que de simples moyennes mobiles.

Kieran Chandler: Mais ces méthodes statistiques sont sûrement ce sur quoi beaucoup de ces entreprises basent leurs décisions futures. Donc, est-ce qu’elles fonctionnent réellement ? Elles doivent être suffisamment bonnes si les entreprises les utilisent partout dans le monde.

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

Votre moyenne mobile peut s’en sortir, mais elle ne peut pas anticiper l’augmentation ou l’effet de la promotion. Bien qu’elle ne ruine pas complètement les prévisions pour les périodes non promotionnelles en raison de la promotion, elle ne fournit toujours rien pour faire face à une promotion imminente. Donc, la moyenne mobile vous sauve un peu, mais elle ne résout pas le problème à sa base. Elle ne produit pas de prévision réelle de la promotion, 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 elle présente de nombreux problèmes.

Kieran Chandler: Alors pourquoi ces entreprises sont-elles si heureuses de travailler avec ces moyennes mobiles ? Pourquoi ne changent-elles pas ? Pourquoi est-ce encore un problème qui existe ?

Joannes Vermorel: Je pense qu’une moyenne mobile est quelque chose qu’un ingénieur peut imaginer en deux heures environ. La simplicité est donc très puissante. Vous finirez par réinventer en deux heures une moyenne mobile et une sorte de recette pour faire fonctionner votre moyenne mobile, ce qui est une force très puissante.

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

Une autre raison est que si vous voulez faire mieux, c’est beaucoup plus difficile. Soudain, vous devez passer de la moyenne mobile à l’apprentissage automatique. Donc, vous devez passer d’une méthode très simpliste que tout le monde peut comprendre, à l’apprentissage automatique qui est beaucoup plus compliqué.

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

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

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

Joannes Vermorel: L’entreprise doit collecter tout ce qui contribue à la mécanique promotionnelle. Le prix en est une chose, oui. Si vous baissez le prix d’un produit mais n’en informez personne, personne ne le remarque, sauf les personnes qui avaient déjà l’intention d’acheter le produit.

Donc, une promotion ne concerne pas seulement le prix. Il s’agit également de faire savoir au marché que vous avez une promotion. Dans certains secteurs 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 jeu complètement différent.

Par exemple, dans les hypermarchés, il ne s’agit pas seulement de baisser le prix. Souvent, il s’agit de déplacer un produit en tête de gondole - l’emplacement super-premium au bout de l’allée où les produits sont très visibles. Mieux encore, vous pourriez placer une grande pile de produits promus à l’entrée du magasin.

Donc, maintenant 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.

En revanche, si la date de votre promotion est enregistrée de manière incorrecte dans vos enregistrements ERP, cela ne mettra pas votre entreprise en faillite. Mais si vous voulez nourrir un algorithme d’apprentissage automatique 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 d’efforts 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 car ce n’est pas une mesure critique à prendre, mais une évolution de la façon 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 qu’elle a rassemblé toutes ces informations, est-ce que cela signifie que grâce à vos prévisions, vous serez en mesure de nous dire quelles promotions faire, quand elles fonctionnent le mieux, et quelles sortes d’informations vous seriez en mesure de générer ?

Joannes Vermorel: Oui. La première chose à comprendre, c’est qu’au lieu de corriger les données historiques, un algorithme d’apprentissage automatique les examine du point de vue des données historiques enrichies. Vous n’essayez pas de modifier vos ventes. Vous allez signaler les périodes où les ventes du produit étaient surestimées et les périodes où elles étaient probablement censurées.

Par exemple, à la fin d’une promotion, si les gens ont constitué leur propre réserve de marchandises, vous pourriez constater une baisse de la demande. Vous pourriez même avoir une période pendant laquelle vous observerez une demande censurée. Donc, vous devez tenir compte de tous ces facteurs.

Kieran Chandler: Ainsi, le premier avantage des promotions, qui peut ne pas être immédiatement apparent, est la possibilité d’améliorer la qualité de vos prévisions 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 ne se produisent pas, n’est-ce pas ?

Joannes Vermorel: Oui, cela peut sembler contre-intuitif, mais prenons un exemple. Si vous avez une grande promotion pour une variété de tomates, cela cannibalisera probablement les ventes de tous les autres produits non promus. Il est assez évident qu’une promotion importante pour un produit particulier aura un effet de cannibalisation massif sur tous les autres produits qui sont en concurrence avec l’article promu. Ainsi, les promotions rendent les prévisions plus complexes, non seulement pour le produit promu, mais aussi pour tous les produits non promus.

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. Maintenant, passons au sujet de l’anticipation des futures promotions. Si vous êtes au courant d’une promotion à venir, vous pouvez anticiper l’augmentation des ventes qui en résultera. Cependant, cela soulève la question de votre processus de décision concernant les futures promotions. 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 futures promotions. La deuxième partie consiste à s’assurer que ces décisions sont intégrées dans notre moteur de prévision. Il ne s’agit pas seulement de données passées, mais aussi d’attentes futures. Si nous prévoyons 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 basé sur l’apprentissage automatique, s’il est informé à temps, sera capable de s’adapter et de refléter l’événement à venir dans ses prévisions.

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

Joannes Vermorel: Cela dépend largement du nombre de promotions. C’est un jeu de statistiques. Si vous ne lancez une promotion qu’une fois par an pour un produit, il est difficile d’apprendre quoi que ce soit. Rappelez-vous, prévoir les promotions ne consiste pas à prévoir une série temporelle. Chaque produit ne sera peut-être promu qu’une ou deux fois au cours de sa vie. Si vous voulez comprendre l’impact d’une promotion, vous devez tenir compte de l’impact typique d’une promotion dans des conditions similaires - réduction de prix, mécanismes promotionnels, canaux de communication, etc. Par exemple, dans l’industrie de la mode, qui propose des promotions de fin de saison, vous disposez de plusieurs points de données car cela se produit 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 promus chaque jour, et ils tournent, ce ne sont pas toujours les mêmes produits. C’est quelque chose qui se produit tout le temps dans le e-commerce. En général, vous avez toujours un ou deux produits qui se retrouvent en première page de votre site web de e-commerce, il y a donc un mécanisme promotionnel fort qui se produit tout le temps. Mais cela devient très difficile lorsque vous commencez à réfléchir à 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 totalement différente et très difficile.

Kieran Chandler: Disons que certains de nos téléspectateurs pourraient être des PDG. Quel est le processus qu’ils devraient suivre s’ils veulent réellement mettre en place 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 de ce que les gens disent sur Facebook. Il s’agit plutôt de savoir quels sont les produits qui sont promus, quel est le mécanisme promotionnel exact. Ils ont probablement leurs propres catégories d’achetez-en un, obtenez-en un gratuitement, ou s’agit-il d’une baisse de prix en pourcentage, ou de toute autre promotion avec livraison gratuite par exemple. 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 dans les factures ou les paiements, mais elles sont très bien spécifiées. Vous devez les collecter, les intégrer à votre système et avoir un processus d’assurance qualité par-dessus.

La deuxième étape consiste à réfléchir vraiment à pourquoi vous faites des promotions, quel est l’objectif final. Le problème est que c’est généralement un objectif final très différent selon votre secteur d’activité. Par exemple, dans la mode, l’objectif est de liquider tout votre ancien stock afin de pouvoir toujours vendre des articles à la pointe de la dernière tendance. Dans les produits de grande consommation en général, les promotions ne sont généralement pas déclenchées par le détaillant mais par leur fournisseur, dans le cadre d’une négociation visant à accroître la notoriété d’un nouveau produit, comme un nouveau parfum d’un produit de grande consommation à rotation rapide. 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 à quel type d’influence vous voulez créer. Par exemple, si vous éduquez vos clients à toujours acheter vos produits bon marché parce qu’ils savent qu’une promotion arrive toujours, alors vos clients apprendront qu’ils doivent simplement être un peu patients et ils l’obtiendront à bas prix. Cela nécessite une réflexion stratégique réelle et cette réflexion stratégique doit se produire avant l’apprentissage automatique.

Une fois que vous avez compris cela, vous pouvez avoir un système d’apprentissage automatique intelligent et capable de traiter toutes les données que vous avez collectées et alignées avec votre réflexion stratégique. L’apprentissage automatique est très mécanique, il ne pourra donc pas exécuter de stratégie de haut niveau, c’est votre travail.

Kieran Chandler: Je crains que nous devions conclure pour aujourd’hui. Lorsque vous parlez d’éduquer les clients, je me compte probablement parmi les clients les moins éduqués qui soient. C’est tout pour cette semaine, merci de nous avoir regardés et nous vous retrouverons la prochaine fois. Au revoir.