implanter ses points de vente : géomarketing & méthodes doptimisation
Post on 23-Jan-2018
1.230 Views
Preview:
TRANSCRIPT
Implanter ses points de vente :
géomarketing & méthodes
d'optimisation
Cédric HervetDirecteur Recherche Opérationnelle
Catherine DavalExperte Géomarketing
Athmane HamelDirecteur Computer Science
2
QUAND LE GÉOMARKETING DEVIENT PRÉDICTIF
Enjeux et panorama
Le géomarketing en pratique
Retour d’expérience de Renault
Retour d’expérience de Retail Int.
3
A QUOI SERT LE GEOMARKETING ?
Implantation
Point de vente
Optimisation
réseau distribution
Découpage optimal
de territoires
commerciaux
Génération de trafic via l’analyse
de flux visiteurs/clients
Connaissance
clientèle
Maximisation du
ROI de campagnes
marketing
4
GEOMARKETING
LE GEOMARKETING
Une approche dynamique intégrant les dimensions
sociodémographiques, spatiales et temporelles dans vos analyses marketing.
5
UNE APPROCHE GEOGRAPHIQUE JUSTIFIEE
Disposer d’éléments géographiques
Caractériser une population autour d’un lieu
particulier
Evaluer l’impact d’une modification/évolution
1
2
3
6
LES ETAPES
7
VISUALISATION CARTOGRAPHIQUE, MODÉLISATION, CALCUL DE DISTANCES,
ANALYSE DE CANNIBALISATION (MODÈLE DE HUFF), SEGMENTATION,
MODÉLISATION BIG DATA
OPTIMISATION SOUS CONTRAINTES
AUDIT
BIG DATA OPEN DATADATA 3RD PARTY
RNVP
GEOCODAGE
ENQUETES CRM TRANSACTIONS
ANALYSE DE RÉSULTATS &
RECOMMANDATIONS
ACTIONS
Valorisation
des données
Analyse des
données &
modélisation
ENRICHISSEMENT
NOTIONS CLES SUR L’EMBOITEMENT GEOGRAPHIQUES
Région
Département
Communes (36 000)
Iris (52 000 – habitat/activité/divers)
Ilot
8
LES EMBOÎTEMENTS SUPRA-COMMUNAUX - VERSAILLES
Libellé géographique Versailles
Région 11
Département 78
Commune 78646
IRIS Chantiers 5
9
FOYER
AGE
HABITAT
REVENUS € € € € € €
31 % 32 % 28 %
20 % 7 % (actifs 15-24)
74 % 23 %
97 % 3 % 2 % (res secondaire ou logt
occasionnel)
30.7 k€ 51.5 k€ 74.2 k€
3 HISTOIRES DE GÉOMARKETING
& Open Data
& Recherche Opérationnelle
& Outil de simulation
1
2
4
4
Jean-Pierre CousinieMarket Intelligence Europe Team leader
11
LE GROUPE RENAULT : LES PRODUITS
12
LE GROUPE RENAULT : LES MARCHÉS
13
Les ventes du Groupe Renault en 2014 et 2015 (VP+VU)
CONTEXTE & PROBLÉMATIQUE
Contexte
Renault lance un nouveau véhicule, qui n’a pas d’équivalent sur le marché
Objectif
Optimiser le ciblage client lors des campagnes de marketing direct en France
Problématique
Comprendre la logique de diffusion de ce véhicule au sein des territoires
14
LA DÉMARCHE
Données utilisées
Données propres du constructeur : adresses postales des premiers clients
Données en « Open Data », fournies par l’INSEE (au niveau géographique des « IRIS ») , plus de 100 variables décrivant environ 50 000 IRIS
Profil socio démographique des ménages (Taille du ménage, âge du chef de ménage, CSP,….)
Equipement automobile (mono ou multi motorisés)
Description du logement (type de logement, taille, propriétaire/locataire….)
Modélisation de la diffusion
Choix des variables IRIS candidates
Elaboration d’un arbre de décision
Estimation des probabilités de diffusion sur chaque IRIS
15
ARBRE DE DECISION
16
Possession véhicule au sein du ménage
Ménage avec enfant
Lieu de travail
Type de ménage
Résidence principale
EXEMPLE DE VARIABLES UTILISÉES DANS LA MODÉLISATION
17
LES RÉSULTATS
18
Visualisation cartographique
des zones à potentiel Un fichier de probabilité pour les
50 000 IRIS de France
IRISProba de trouver le véhicule ciblé ds l'iris
010010000 0,30742
010020000 0,090909
010040101 0,003509
010040102 0,427451
010040201 0,889908
010040202 0,881255
010050000 0,72341
010060000 0,05968
010070000 0,72341
010080000 0,303371
010090000 0,408983
010100000 0,343612
010110000 0,004695
010120000 0,003096
010130000 0,149254
010140000 0,427451
LES RÉSULTATS OBTENUS
Taux de retour des campagnes
(à iso coût)
19
Optimisation de l’adressage des campagnes de marketing direct à partir des probabilités de présence d’un acheteur dans chaque IRIS.
X 2
3 HISTOIRES DE GÉOMARKETING
& Open Data
& Recherche Opérationnelle
& Outil de simulation
1
2
4
4
20
QUELLES QUESTIONS DANS QUELS CONTEXTES ?
Un réseau d’agences d’une grande marque souhaite
rationaliser son maillage territorial
Quelle(s) agence(s) fermer ? Lesquelles déplacer ?
Comment dimensionner chaque agence ?
21
TENIR COMPTE DES CONTRAINTES MÉTIER
Une agence doit
comporter + de 3
salariés et - de 7
Plus de 5 minutes
entre 2 agences
Le nombre total de
salariés doit rester
constant
Le risque de cannibalisation doit être
minimisé
Moins de 5 minutes pour se
rendre à son agence
Pas plus de 1000
clients / salarié
agence
22
MODÉLISER LE PROBLÈME
Mise en équation du problème à résoudre
L’âge de l’univers ne
suffirait pas à explorer
toutes les solutions
15 000 contraintes
300 000 variables
23
QUELS IMPACTS ?
Simulation de plusieurs scénarii (1/2)
5
5.5
6
6.5
7
7.5
8
6 7 8 9 10 11 12 13
Tem
ps
de
traj
et m
oye
n (
min
ute
s)
Nombre d'agences
Impact du
nombre
d’agences sur le
temps de trajet
moyen
24
QUELS IMPACTS ?
Solution avec fermeture seulement Solution avec fermeture & déplacement
Simulation de plusieurs scénarii (2/2)
25
3 HISTOIRES DE GÉOMARKETING
& Open Data
& Recherche Opérationnelle
& Outil de simulation
1
2
4
4
26
Emmanuel de CourcelFondateur
27
CONTEXTE & PROBLÉMATIQUE
Comment évaluer la performance des boutiques actuelles vs. leur potentiel?
Comment estimer le CA prévisionnel d’une nouvelle
boutique ?
Estimation du chiffre d’affaires cible
d’une boutique par emplacement
DIAGNOSTIC EXPANSION
28
LES SOLUTIONS
Le potentiel de chiffre d’affaires d’un magasin
sur un emplacement dépend de 2 types de facteurs
Le potentiel de l’emplacement (flux de piétons devant la
boutique, CSP, etc.)
Le format de la boutique (surface, ancienneté, état du
magasin, etc.) et la concurrence
Panel d’enseignes Modélisation
29
RETAIL INT. EST UN « CLUB » D’ENSEIGNES50+ Enseignes – 10 000 magasins
Collecte des données de vente et format des magasins
« Anonymisation »
Comparaison des performances des enseignes par emplacement
30
Détermination du CA cible d’uneenseigne E1 vs. une autre enseigne E2
CA E2 sur le site C
x MOYENNE des CA de E1 sur les sites communs à E2
/ MOYENNE des CA de E2 sur les sites communs à E1
SITES CA E1 (K€) CA E2 (K€)
Rue A 830 680
Rue B 550 455
Rue C 470
CC D 780 590
CC E 1120 850
CC F 670 620
CC G 980 710
CC H 1060 790
MOYENNE
SITES
COMMUNS
856 671
CA Cible de E1 sur le site C pour des points de vente E1 et E2 standards
Mais le format et la concurrence des points de vente de E1 et E2 sont tous différents
CA que réaliserait E2 sur le site C avec un format et une concurrence standards=> CA NORMALISE de E2
x MOYENNE des CA de E1 sur les sites communs à E2
/ MOYENNE des CA de E2 sur les sites communs à E1
x Impact sur le CA de E1 du format et de la concurrence du point de vente du site C
CA Cible de E1 sur le site C tenant compte du format et de la concurrence des points de
vente
Implique de quantifier l’impact du format et de la concurrence sur les ventes pour
chaque enseigne
?
31
MODÉLISATION DE L’IMPACT DU FORMAT& LA CONCURRENCE SUR LES VENTES
SURFACE ANCIENNETE
MODE D’EXPLOIT/
CONCEPT
-40%
-20%
0%
20%
40%
50 100 150 200 250 300
-20%
-10%
0%
10%
20%
0 10 20 30
-4%
2%
7%
A B C
-20%
-10%
0%
10%
20%
0 5 10
8%
-4%
AFF
SUC
CONCURRENCE
LINEAIRE:j x CONC + k
POLYNOMIALE:a x SURF2
+ b x SURF+ c
LN:d x LN(ANC) + e
ABAQUES: f si SUC, g si AFFh si CONCEPT A, isi B
32
OPTIMISATION VIA UNE APPROCHE MACHINE LEARNING
Utilisation des algorithmes génétiques (GA)
Recherche des fonctions qui maximisent la précision du modèle et minimise l’erreur
Solution optimale pour l’ensemble des enseignes du panel
Pour chaque enseigne, établissement des variables (a à k)
Pour lesquelles le CA CIBLE des magasins existants est le plus proche du CA réel (apprentissage sur le réseau existant) - représentant au mieux l’impact de ces facteurs sur les ventes de l’enseigne
LES RÉSULTATS OBTENUS
34
LES BENEFICES CLIENTS
Abandon des projets d’ouverture de magasins dans des zones au potentiel insuffisant
Meilleure évaluation de la performance des magasins existants conduisant à des plans d’actions plus rapides et efficaces
Meilleure préparation des discussions avec les bailleurs
35
LES PROCHAINES ACTIONS
Affinement de la modélisation
Optimisation de la convergence en travaillant sur les paramètres de l’algorithme génétique
Amélioration/ affinement de la modélisation des facteurs impactant la performance et introduction de nouveaux
Développement commercial hors France (Benelux, Allemagne, Italie, Espagne)
Développement de l’outil pour accompagner cette évolution: des variables pan-Européennes vs. des facteurs locaux
36
?
VOUS SOUHAITEZ EN SAVOIR PLUS
http://www.np6.fr/demande-de-contact/
Workshop #1Développeur
MailPerformance : agilité et communauté développeurs
Workshop #1Data Marketing
Démo : solution de Pré & Post tests
publicitaires/produits
Workshop #1Digital Marketing
MailPerformance : personnaliser ses
campagnes emailing
Auditorium New York / HambourgMontréal
13H30
38
top related