Apprentissage Ordinateur

Augmenter vos ventes grâce au Machine Learning

2720 1813 POTLOC INSIGHTS

À l’ère moderne, presque tout ce que nous faisons génère de l’information. Ceci inclut l’achat de biens de consommation en ligne et en magasin. Comprendre ces volumes énormes de données va au-delà des capacités humaines, ce pourquoi les enseignes peuvent utiliser des solutions de machine learning pour donner du sens à celles-ci. Explorons ces développements, méthodes et points de vues qui modernisent l’industrie de la vente du retail.

 

Une définition du Machine Learning

Le Machine Learning (ML) est l’une des principales technologies devenant une ressource de valeur pour les enseignes à une époque où les données sont de plus en plus utilisées dans le monde des affaires (majoritairement un large volume de données est porteur de potentiel à exploiter pour en tirer des informations).

 

Le terme “machine learning” n’est pas clair pour la plupart du monde. Prenons le temps de le déchiffrer. Il est lié à l’intelligence artificielle (IA) mais les deux ne sont pas interchangeables. De manière générale, l’intelligence artificielle renvoie à la capacité d’un ordinateur à prendre des décisions de manière à imiter la logique humaine.

 

Par contre, le machine learning est une façon pour l’ordinateur de pouvoir “apprendre” de telles règles de logique sans être uniquement programmé pour faire les choses d’une certaine façon. Le machine learning permet à l’ordinateur d’actualiser fréquemment sa compréhension de ces règles alors qu’il voit davantage d’exemples de la façon dont les humains réagissent face à un nombre de facteurs externes.

 

Une telle technologie devient de plus en plus commune, la puissance de l’informatique actuelle rendant possible la manipulation de hauts volumes de données et l’utilisation d’algorithmes. Le machine learning a évolué afin de faciliter son utilisation pour les enseignes comme pour les consommateurs.

 

Des cas d’utilisation dans le secteur du retail

De nombreuses façons d’utiliser le machine learning sont utilisées dans le secteur du retail. Via le machine learning, les enseignes peuvent prendre en compte le bond des renseignements du passé et actuels vers le futur afin de mieux comprendre et satisfaire les besoins de leurs clients. Un acheteur peut outrepasser son budget avec l’achat d’un vêtement de prêt-à-porter de grande qualité autour de la saison de la remise des diplômes, alors que son comportement d’achat habituel est généralement plus modeste. Lui recommander avec insistance des vêtements de mode au prix fort ne sera probablement pas une stratégie efficace.

 

Le machine learning peut générer des suggestions de produits complémentaires, plutôt que de pousser un produit qu’un client vient d’acheter et dont il n’aura rationnellement pas besoin de stocker pour les prochaines semaines, mois ou même années suivantes. Vous avez peut-être deviné qu’Amazon possède l’un des outils de recommandations les plus connus parmis les enseignes de commerce électronique et ce, de façon appropriée : ses algorithmes de machine learning sont si efficaces que 55% des ventes sont pilotées par des recommandations de machine learning (en date de décembre 2017).

 

Un autre cas crucial de l’utilisation du machine learning dans la vente de détail est l’établissement de prix dynamiques. Ce qui peut être considéré comme le “bon prix” varie dans le temps et un algorithme peut influencer des variables-clé de fixation des prix, telles que “la saisonnalité”, “les approvisionnements”, ainsi que “la demande”. Ces derniers fournissent aux enseignes la flexibilité de générer le bon prix au bon moment, tout en gardant le cap avec des objectifs spécifiques tels que l’optimisation des profits ou des revenus.

 

Les algorithmes apprennent en se basant sur la performance au fil du temps, d’où leur adaptation facile aux changements du marché. En outre, la possibilité d’éliminer les biais humains apporte une valeur ajoutée, sachant que de petites erreurs peuvent impacter significativement les résultats globaux. Une des premières histoires du succès de l’établissement de prix dynamiques date du début des années 2000, quand Hilton Worldwide Holdings Inc. et le groupe hôtelier InterContinental ont décidé d’éliminer les taux fixes en faveur d’un système fluide (incluant des stratégies de prix dynamiques). À cette époque, les prix des chambres étaient modifiés une ou deux fois par jour. Les innovations informatiques actuelles permettent aux prix de changer en temps quasi-réel.

 

De plus, les clients ont tendance à rechercher du contenu visuel sur Internet avant d’effectuer un achat. Dans certaines circonstances, ils ne trouvent pas facilement de bons mots-clé pour décrire ce qu’ils veulent. L’objectif de la recherche visuelle est de leur permettre de trouver plus facilement ce qu’ils recherchent. Au lieu de taper “étui souple pour mobile Android” dans la barre de recherche, ce qui pourrait générer beaucoup de résultats généraux, les acheteurs potentiels peuvent télécharger une image pour leur permettre de limiter la recherche à des produits plus spécifiques. Avec la quantité énorme et toujours plus grande de photos prises et partagées, les algorithmes de machine learning peuvent atteindre de très bons résultats. Des enseignes telles que ASOS, Target, Wayfair, John Lewis, Shoes.com, Neiman Marcus, Nordstrom, ainsi que Urban Outfitters utilisent la recherche visuelle, pour n’en citer que quelques uns.

 

      © Nordstrom app

 

Indépendamment du fait que le machine learning est utilisé pour améliorer les promotions, les recommandations ou les prix, il est efficace pour identifier des schémas. Quand les enseignes s’outillent des données et de la faculté à influencer les habitudes d’achat, de comportement et les tendances du marché, ils peuvent personnaliser leur offre afin de créer une expérience client qui stimulera les ventes.

 

Des taux d’adoption plus élevés

En 2018, le Massachusetts Institute of Technology (MIT) a interrogé 1 600 responsables senior et gestionnaires du marketing nord-américains au sujet des indicateurs-clé de performance (KPIs) et du rôle du machine learning dans leurs activités de marketing; 653 d’entre eux sont issus du secteur de la vente de détail. 72% de ces responsables du marketing du domaine du retail croient que leurs indicateurs-clé de performance fonctionnels peuvent être mieux atteints avec un plus grand investissement dans l’automatisation et les technologies de machine learning. Au sein de l’échantillon complet, 74% des répondants ont affirmé la même chose.

 

Soixante deux pourcent des responsables du domaine du retail pensent que leur organisation possède des incitatifs ou des indicateurs-clé de performance fonctionnels internes pour utiliser l’automatisation et les technologies de machine learning pour déterminer les activités de marketing. Dans l’échantillon global, ce taux était plus faible : seuls 49% des répondants ont affirmé avoir de tels incitatifs.

 

Dernier point, mais non des moindres : 72% des responsables du marketing pensaient que leur organisation investissait dans de nouvelles compétences ou formations au cours de l’année afin de rendre le marketing plus efficace dans son utilisation de l’automatisation et du machine learning. Dans l’échantillon complet, 63% ont confirmé de tels investissements.

 

Au bout du compte, les enseignes ouvertes à utiliser les outils de machine learning efficacement seront capables de se différencier en créant d’excellentes expériences-client personnalisées et une meilleure compréhension de leurs marchés respectifs.

 

Phil Siarri

 

DÉCOUVREZ NOTRE PRODUIT