Cet article a été publié originellement sur mydatacompany.fr
Carrefour se veut un leader de l’e-commerce alimentaire. Ses chantiers dans la Data et l’intelligence artificielle doivent pour cela contribuer à l’expérience client et à la satisfaction. Le distributeur développe ainsi des algorithmes de personnalisation et de substitution.
Cette ambition reposait notamment sur une refonte de l’offre alimentaire. Mais Carrefour souhaitait également devenir un leader de l’e-commerce dans ce secteur au travers d’une approche omnicanale, rapprochant donc e-commerce et magasins.
Les algorithmes de personnalisation génèrent 16,5% du CA e-commerce
C’est dans le cadre de cette stratégie que l’entreprise a créé une direction groupe de la Data et entamé ses travaux dans le domaine de l’intelligence artificielle. L’IA est ainsi aujourd’hui exploitée dans plusieurs secteurs : gestion de l’assortiment, prix, promotions, expérience client (personnalisation, recommandation) ou encore l’excellence opérationnelle.
De premiers résultats sont observables dans l’alimentaire. Ainsi, sur l’e-commerce, 16,5% du chiffre d’affaires sont aujourd’hui induits par des algorithmes de personnalisation. Un motif de satisfaction pour Sylvain Marsault, directeur Data Science & Data Governance de Carrefour. La personnalisation constitue en effet « un domaine très important pour nous » souligne-t-il.
Appliquer de tels algorithmes d’IA à l’e-commerce alimentaire n’est pas chose facile cependant. L’achat de ces produits s’avère assez spécifique. Cela s’explique notamment par un laps de temps relativement court entre la décision et l’acte d’achat.
« Les besoins sont directement liés au contexte, mais le choix du produit est très lié aux caractéristiques du client, à ses appétences et à son propre contexte d’achat. Tous ces éléments font qu’il faut qu’on soit capables d’innover, d’offrir une expérience disruptive, différente de celle qu’on peut rencontrer en magasin » insiste l’expert de l’enseigne.
La Data et l’IA au service de 4 grands principes
En effet, l’expérience d’achat constitue souvent un frein à la transformation. C’est donc sur ce point que le distributeur cherche en particulier à agir. Il s’agit ainsi pour ses équipes digitales et Data de créer une expérience tirant profit de la connaissance client. Quant à l’intelligence artificielle, elle doit permettre d’interagir en temps réel avec le consommateur.
Carrefour travaille donc sur quatre grands principes : accélérer et faciliter la constitution du panier ; personnaliser les produits et contenus proposés sur la base du contexte de navigation et d’achat ; permettre la substitution ; et enfin la recommandation.
La substitution représente ainsi « un élément fondamental ». Elle doit favoriser un parcours client « sans couture et éviter toute déception. » Lors du premier confinement, la capacité à proposer des produits de substitution s’est d’ailleurs avérée encore plus critique. Les bénéfices dans ce secteur ne se cantonnent pas aux périodes de crise néanmoins.
Les lacunes d’une fonctionnalité de substitution sont un motif d’insatisfaction plus ou moins forte. Ses conséquences vont jusqu’à de l’abandon panier ou le churn. Or, dans la distribution alimentaire, les indisponibilités de produits sont fréquentes.
L’indisponibilité source d’insatisfaction et d’abandon de panier
« A n’importe quel moment du parcours, au-delà des ruptures, il est possible structurellement qu’on se retrouve avec une liste d’achat dont certains produits disparaissent. Pour nous, il est très important de proposer des solutions de substitution au client qui lui permettent très rapidement de sélectionner des produits par rapport au besoin qu’on a pu identifier » commente Sylvain Marsault.
Pour y remédier, Carrefour a donc mis au point un moteur de substitution. Sa conception se décompose en deux grandes étapes. La première, c’est la connaissance des produits. Elle s’appuie sur des descriptions des produits et un corpus de données internes et externes.
Comme l’explique le spécialiste de la Data, « toute la connaissance se situe dans ces corpus descriptifs. » Ceux-ci vont lui permettre d’appliquer des algorithmes de NLP. Ils interviendront dans le rapprochement des produits entre eux afin ainsi de définir un périmètre de similarité.
A cette étape, le moteur pourra proposer différents produits susceptibles de se substituer aux produits indisponibles. Cette première liste peut cependant compter des dizaines, voire des centaines de produits. Une seconde étape est donc nécessaire. Un autre algorithme interviendra alors pour classer les produits.
70% des propositions de substitution acceptées par le client
« Tout cela est fait sur la base d’un algorithme LTR, c’est-à-dire qui apprend en fonction de ce que l’utilisateur nous renvoie » précise le directeur Data du distributeur. Sont proposées des listes dans lesquelles le client sélectionne des produits. Carrefour demandera alors à l’algorithme d’optimiser le taux de clic ou le taux d’ajout panier.
Concrètement, le service de substitution se présente sous la forme d’une API. Cette dernière est consommée à différents moment du parcours. Elle est appelée par les sites e-commerce ou l’app, mais aussi en magasin avec le self scanning.
Le moteur ne fonctionne pas de manière isolée cependant. Il est complété par des briques afin de tenir compte en temps réel de contraintes métier, par exemple l’indisponibilité des produits ou des opportunités de développement produit.
Enfin, ses performances doivent aussi intégrer les appétences des clients aux différentes caractéristiques des produits. « C’est un système de pondération. Il nous permettra, selon les cas, de répondre avec un ordonnancement avec comme objectif de maximiser le taux de clic et le taux de transformation, c’est-à-dire l’ajout au panier. »
Mieux intégrer le comportement du client dans la substitution
Résultat : plus de 70% des propositions de substitution sont acceptées par les clients de Carrefour. Mais l’objectif est d’abord qualitatif, souligne son expert. La substitution vise avant tout à préserver la satisfaction client. Celle-ci sera évaluée principalement au travers des taux d’incitation mesurés à la fin de l’acte d’achat.
Le moteur de substitution fonctionne, mais ses évolutions se poursuivent néanmoins. Les équipes Data souhaitent intégrer le comportement du client. L’analyse du ticket de caisse doit notamment leur permettre d’identifier des règles de substitution. Il s’agit ainsi de « cumuler les vecteurs sémantiques avec des vecteurs plutôt d’analyse comportementale » pointe Sylvain Marsault.
Des axes d’amélioration autour du ranking ont également été identifiés. La substitution doit aussi être plus l’opportunité de faire de l’upselling. Mais l’objectif prépondérant de la direction Data, c’est de développer de nouveaux cas d’usage à partir de cette information de « substituabilité ».
« Elle permet d’optimiser l’offre, par exemple de savoir ce qui se passe quand je référence ou déréférence un produit, mais aussi pour le back-office. Le magasin est confronté au même problème que le client. En cas d’indisponibilité sur une commande, comment le magasin doit-il choisir d’autres produits ? » conclut le directeur Data Science & Data Governance.