Comment la Géo Intelligence permet d’accroître les ventes des produits d’une enseigne commerciale

Nous vous proposons de découvrir, à travers un cas d’usage fictif, comment la Géo Intelligence, alliance de la Data Science et de l’analyse géographique, peut permettre à une grande enseigne, quel que soit son secteur, de booster les ventes de ses produits, et même de définir un nouveau chiffre d’affaires potentiel.

Analyser des points de vente pour mieux valoriser leur potentiel

Les enjeux d’un tel projet sont d’aider l’enseigne à analyser son réseau. L’idée est ainsi de faire ressortir les disparités géographiques du réseau en termes de chiffres d’affaire par produit ou nombre de vente, puis de prioriser les actions à mener sur une zone, un point de vente ou un produit. Enfin, nous proposons à l’enseigne de lui construire des outils personnalisés d’aide à la décision grâce à la Data Science, afin d’accélérer les prises de décisions de la direction.

Le Géo Décisionnel pour analyser la performance d’un produit

Nous avons imaginé et illustré sur ce 1^er écran l’analyse de la performance produit d’une enseigne qui est installée sur l’ensemble de la France et divisée en 4 directions régionales.

Sur ce premier niveau, nous voyons que le chiffre d’affaire de la région Grand Est, ici en bleu clair, est moins bon que dans les autres régions. Nous constatons également que le produit 1, en rouge sur l’histogramme, n’est pas très performant.

Ce premier niveau permet ainsi de nous faire une première idée des disparités géographiques de l’enseigne. Il nous incite, dans le cas présent, à porter notre attention sur la zone Grand Est.

Allons maintenant plus loin dans l’analyse.

Sur ce 2^ème niveau, nous retrouvons les mêmes informations que sur le premier niveau mais à une unité géographique plus fine. Nous sommes ici au niveau du département et nous pouvons alors voir apparaitre des données sur les départements ayant au moins un point de vente.

Dans le département de la Meurthe et Moselle, le niveau de chiffre d’affaire est plus faible et le produit 1 est également beaucoup moins performant qu’ailleurs. Nous allons donc, en priorité, zoomer sur ce département et ce point de vente en particulier pour une analyse plus précise et tenter d’en comprendre les raisons.

Sur ce 3^ème écran, nous retrouvons, à droite, le chiffre d’affaire par produit réalisé par ce point de vente et notamment le CA du produit 1 qui est moins élevé.

Sur la carte, le point de vente est représenté par un pictogramme. Sa zone de chalandise (contours orange) apparaît également.

Lorsque le client n’a pas de zone de chalandise, il est possible d’en construire un, grâce à la Data Science. Nous utilisons pour cela ce que l’on appelle un modèle gravitaire. L’idée est simple : les pôles (par exemple nos points de vente) attirent les unités géographiques alentours et, pour savoir vers quel pôle vont être attirés les unités géographiques, le modèle se base alors sur 2 critères :

• La distance : plus l’unité géographique sera proche du pôle, plus elle va être attirée par le pôle
• Le poids de la cible visée par le point de vente : plus la cible visée par le pôle est importante dans l’unité géographique, plus l’unité géographique va être attirée par le pôle

Sur la carte, nous voyons également le chiffre d’affaire potentiel dans la zone de chalandise grâce au diagramme circulaire. Ainsi, le chiffre d’affaires potentiel du produit 1 est de 17% sur la zone de chalandise.

Tentons maintenant de comprendre pourquoi le produit 1 est moins performant que les autres. Nous allons pour cela analyser la zone de chalandise de notre point de vente et regarder où se situe la cible du produit 1. La cible pour le produit 1 sont les 18-24 ans.  Nous avons donc récupéré l’indicateur INSEE des 18-24 ans à l’IRIS (Ilots Regroupés pour l’Information Statistique). Nous découvrons alors qu’une part importante de notre cible est à l’extérieur de notre zone de chalandise.

Intégrer une segmentation géographique, sociologique et démographique

De la même façon, et toujours grâce à la Data Science, nous pouvons intégrer une segmentation géographique, sociologique et démographique, construite à partir de données du recensement de l’INSEE (plusieurs dizaines de variables). Les données sont préparées, puis modélisées avec une méthode de classification ascendante hiérarchique. Nous obtenons alors une classification à 5 classes. Cette classification nous permet d’avoir une idée synthétique de la population de chaque IRIS en un coup d’œil au lieu de regarder les dizaines de variables de population une par une.

Il serait tout à fait possible aussi d’intégrer une typologie interne client s’il en dispose.

Enfin, nous avons visualisé l’accessibilité de notre magasin à une distance de 20km en voiture, car selon nous les clients potentiels ne parcourent en moyenne pas plus de 20km pour venir dans ces points de vente. Pour cela, nous utilisons une zone iso distance.

Le Géo Décisionnel pour faciliter la prise de décision

A ce stade, nous pouvons nous faire une idée de ce qui pourrait être fait pour la zone de chalandise du magasin 32 dans l’exemple que nous venons d’analyser. Mais, dans de nombreuses entreprises, il serait sûrement préférable que le directeur du magasin puisse faire ses propres choix et modifier sa zone de chalandise comme il le souhaite, avec son expertise et sa connaissance du terrain.

Pour y parvenir, il est possible de réaliser ce que l’on appelle un Wizard, c’est-à-dire un outil entièrement personnalisable et qui donne la main aux acteurs locaux pour agir et décider avec leur connaissance terrain. Dans notre exemple, cet outil personnalisé, serait mis à disposition du directeur de magasin et lui permettrait de modifier lui-même sa zone de chalandise.

Dans cet outil, se retrouvent les mêmes informations que sur la carte que nous venons de voir : le magasin 32, sa zone de chalandise et nous pouvons aussi faire apparaitre la cible des 18-24 ans.

Admettons que le directeur du magasin préfère visualiser une zone d’accès en temps plutôt qu’en kilomètres, à 25 minutes en voiture, correspondant davantage à sa réalité du terrain. Avec ses nouveaux éléments, il peut modifier facilement sa zone de chalandise en « éditant » les secteurs.

Nous voyons ainsi apparaitre en bleu l’ancienne zone de chalandise. Le directeur du magasin 32 peut désormais tout simplement cliquer pour ajouter les communes ou IRIS à sa zone de chalandise. Il suffit ensuite de valider les secteurs pour voir apparaitre sa nouvelle zone de chalandise.

Affiner un chiffre d’affaires potentiel

Avec ces ajustements, le directeur de magasin a maintenant la possibilité de voir que son chiffre d’affaires potentiel de sa zone de chalandise est passé de 17 à 24%.

Il pourrait alors, par exemple, exporter une liste de prospects à contacter sur sa nouvelle zone de chalandise si de telles listes sont disponibles et ont été intégrées en amont dans l’outil.

Une analyse de ce type permet ainsi à une enseigne de cibler rapidement le produit et les points de vente qui nécessitent les actions les plus prioritaires.

L’utilisation de la Géo-Intelligence facilite donc une prise de décisions rapide pour un réseau, grâce aux outils modélisés avec la Data Science avec, dans le cas d’usage que nous avons vu : augmentation ou modification de la zone de chalandise de certains points de vente et réalisation d’actions de prospections commerciale grâce aux fichiers de prospects extraits de ces nouvelles zones.

Vous pouvez également retrouver un autre cas d’usage dédié à la Géo Intelligence, sur le blog de notre partenaire Articque et présenté lors de notre conférence à la Journée du géo décisionnel 2020 à Tours.

Vous avez des questions sur la Géo Intelligence ou un projet sur lequel vous aimeriez échanger ? N’hésitez pas à nous contacter ou nous laisser un message en commentaire !