Big Data : Système U automatise à grande échelle le calcul de ses assortiments produits (source : www.larevuedudigital.com)

de | 28 juin 2019

Le nouveau calcul des assortiments de produits est plus évolué et plus rapide. Photo www.larevuedudigital.com

Dans la distribution alimentaire, il devient de plus en plus compliqué de proposer le bon assortiment de produits aux clients en tenant compte des évolutions de leurs habitudes de consommation, de leur pouvoir d’achat et des spécificités locales. Système U s’attaque au problème en faisant appel au Big Data et à des algorithmes plus évolués.

Un algorithme plus évolué et plus rapide

En 2018, l’enseigne a remis à plat sa manière de composer les assortiments de produits proposés à ses magasins par ses 15 category Managers et l’algorithme de calcul associé.

Résultats ? Système U dispose désormais d’un nouvel algorithme nettement plus rapide et qui va plus loin pour calculer des assortiments pour ses magasins. Le précédent était lancé seulement une fois par an car il nécessitait plusieurs semaines pour s’exécuter.  Le nouvel algorithme prend moins d’une journée. Ensuite, cet algorithme établit des assortiments pour 30 bassins locaux en France alors que la solution précédente proposait un assortiment national.

Côté retour sur investissement, à ce jour, « là où on voit un vrai bénéfice, c’est sur les magasins où on voudrait réduire un petit peu l’assortiment » pointe Fabrice Arnoux, responsable du pôle Analyses et Datamining chez Coopérative U Enseigne. « Le but c’est d’essayer de réduire cet assortiment de manière plus performante. On l’a déjà testé et quand on réduit l’assortiment en restant sur une offre qui correspond vraiment aux besoins des clients, cela ne nous fera pas perdre de chiffre d’affaires et cela facilitera la vie en magasin, avec moins d’assortiments et donc plus de facilité à vivre » relève le responsable. Il a pris la parole à l’occasion de l’événement AI Paris.

Possibilité de plusieurs exécutions de l’algorithme dans l’année

Côté technique, cet algorithme nécessite moins d’une journée pour être exécuté contre plusieurs semaines pour le précédent. Auparavant, l’algorithme était exécuté une fois par an au niveau national. « Maintenant, nous le faisons 30 fois avec des temps de traitement largement inférieurs. Ce qui va nous permettre de faire tourner le projet peut être plusieurs fois dans l’année. C’est ce que l’on souhaite » ajoute-t-il.

Dans la foulée, les tâches des category Managers devraient évoluer. Avec le fait de travailler sur des bassins locaux, il restera de plus en plus d’adaptations au local à réaliser et une expertise à développer sur ces bassins. Il faudra aller chercher des marques supplémentaires qui ne sont pas présentes pour être encore plus pertinent dans l’assortiment.

D’une démarche nationale, Système U a procédé à un découpage de la France en 30 bassins locaux, tout en tenant compte de la différence entre magasins situés en ville et ceux à la campagne. De plus, Système U retient six segments de consommateurs, tels que ceux attirés par le Bio, ceux sensibles aux premiers prix ou ceux à la recherche de plats prêts à consommer. Le distributeur gère 1579 magasins sous les enseignes Hyper U et Super U pour les plus grands et U Express et Utile pour les plus petits. Système U emploie 70 000 personnes.

Les magasins souhaitaient une meilleure personnalisation des assortiments 

« Jusqu’il y a peu ce travail [NDLR : d’assortiment] était fait par nos category Managers, des experts de la préconisation d’assortiments, mais ils faisaient cela à la main et avec le tableur Excel et donc avec des difficultés à prendre en compte toutes ces dimensions » explique Fabrice Arnoux.  « Les magasins nous faisaient le reproche que l’assortiment qu’on leur proposait n’était pas assez personnalisé à leur situation. Il fallait que l’on aille plus dans le détail et que l’on prenne plus en compte leur situation locale. Pour donner des chiffres, c’est 400 catégories de produits [NDLR : une catégorie de produits peut représenter une vingtaine de références et jusqu’à plusieurs centaines], 30 niveaux géographiques, 2 typologies urbain et rural, et six segments de clients » ajoute-t-il.

Un algorithme a été mis au point afin de reproduire les raisonnements métiers des category Managers, tout en intégrant la complexité supplémentaire des spécificités locales. L’infrastructure informatique a été définie avec la DSI du groupe Système U, c’est-à-dire le GIE Iris qui emploie 400 personnes. Les volumes de données sont importants. Cela concerne 4 milliards de lignes de tickets de caisse. L’informatique a mis à disposition un Data Lab pour expérimenter et pour préparer l’industrialisation de la solution. Il existait un Data Lake opérationnel avec les technologies Hive, Spark, Zeppelin et langage SQL/Scala. Système U s’est appuyé sur la société AID afin de créer le nouvel algorithme.

La démarche est nationale et modifiée à un niveau fin géographique. Système U ne tient pas compte pour l’instant de l’effet des promotions sur un segment comme le Bio par exemple. L’idée est de se servir du fait que l’algorithme puisse tourner plus régulièrement pour remettre à jour les classements de chacun des segments. Et donc si les habitudes de consommation changent, de la même façon que les assortiments vont changer, normalement les tris vont changer et les classements des produits dans les assortiments vont changer.

Usage de données externes

« Nous ne voulons pas être auto centrés sur notre assortiment uniquement. On voudrait aussi tenir compte de l’assortiment qui existe en dehors de nos magasins et qui pourrait du coup nous permettre d’enrichir l’assortiment au fur et à mesure que les habitudes des clients vont bouger » annonce Fabrice Arnoux. Système U ne travaille d’ailleurs pas uniquement sur des données internes mais aussi avec des données externes.

Un algorithme explicable conçu avec l’expertise des Category Managers

L’algorithme de calcul des assortiments de produits pour les points de vente de Système U devait reproduire la qualité de travail de ses category Managers mais sur un nombre de clusters beaucoup plus important qu’auparavant. « Nous étions contents de l’algorithme existant sauf qu’il n’allait pas assez loin et nous voulions le rendre plus pertinent » souligne Fabrice Arnoux, responsable du pôle Analyses et Datamining chez Coopérative U Enseigne. « Nous devions avoir quelque chose de plus performant et que l’on puisse faire tourner plus souvent » ajoute-t-il.

L’expertise des category Managers a été recueillie ainsi que leurs raisonnements métiers. Des statistiques par produit ont été recueillies. Il existait un cœur d’algorithme basé sur les achats passés et sur une segmentation existante qui avait fait ses preuves. Les KPI métiers ont été approfondis qu’il s’agisse d’acheteurs additionnels, d’acheteurs exclusifs, des ventes en volume, en chiffre d’affaires, des marges totales ou des taux de marge, le niveau de localisation des produits (au niveau des régions ou sur des bassins plus petits), les indicateurs DN (Distribution Numérique), DV (Distribution Valeur), VMH (Ventes Moyennes Hebdomadaires), etc.

Les grands indicateurs qui mènent l’algorithme ont été définis. Il devait absolument rester orienté client, insiste-t-on chez Système U. L’algorithme devait être également transparent afin de pouvoir justifier auprès de tout category Manager a posteriori le niveau hiérarchique des produits dans les classements. « Aujourd’hui, quand on présente le résultat sur une catégorie, sur un bassin de consommation, nous avons très peu de remarques » se félicite Fabrice Arnoux. « Ce sont des remarques qui sont assez difficiles à prendre en compte avec un algorithme. Il y a très peu d’écart entre ce que l’on veut atteindre et le reste du travail à faire. Nous savons expliquer à un category Manager, pourquoi une référence est située à un certain niveau, pourquoi elle est meilleure qu’une autre ou moins bonne qu’une autre » termine-t-il.

Satisfaire tous les segments de clientèle

La préconisation d’assortiments consiste à proposer des listes de produits aux magasins. Ces produits doivent être les plus performants possible en termes de vente tout en répondant aux attentes des clients. Pour que cela marche, il faut tenir compte de la diversité des clients qui fréquentent les magasins et proposer des produits essentiels pour chaque segment de clientèle. Par exemple, des clients bio-citoyens recherchent des produits bio et commerce équitable, et ont besoin de retrouver des produits bio, mais d’autres voudront des produits prêts à consommer et d’autres des produits premier prix. L’enseigne doit aussi tenir compte de la localisation géographique des magasins. Un magasin en ville n’a pas forcément le même assortiment qu’un magasin à la campagne. Et un magasin situé en Corse n’aura pas non plus le même assortiment qu’un magasin en Bretagne ou en île de France. Cela concerne des produits plutôt locaux. On s’attend à des algues condimentaires en Bretagne, des pâtes aux œufs grand-mère en Alsace. Ce sont des produits typiquement très spécifiques à certains bassins de consommation. Mais les spécificités locales concernent également des produits classiques. Par exemple, le beurre. Au national, on consomme plus de beurre doux alors qu’en Bretagne, le beurre salé est beaucoup plus présent dans la consommation des clients de Système U. Si l’enseigne reste sur une vision nationale, elle ferait fausse route. Il ne s’agit donc pas uniquement de petites marques mais de marques nationales que les algorithmes doivent faire remonter parce que le client en Bretagne veut voir plus de beurre salé que de beurre doux. Ce sont des dimensions à prendre en compte pour rendre la préconisation d’assortiment la plus pertinente possible par rapport aux clients.

Source : https://www.larevuedudigital.com/big-data-systeme-u-automatise-a-grande-echelle-le-calcul-de-ses-assortiments-produits/

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.