Insights et recommandations – Smart Store Analytics
La page Insights and recommendations de Smart Store Analytics applique la science des données pour découvrir des informations plus approfondies sur les performances des magasins, les acheteurs, les produits. Vous pouvez obtenir des informations sur un certain magasin ou sur l’ensemble de la chaîne de vente au détail.
Note
Les données du magasin sont toujours traitées et affichées conformément au fuseau horaire local du magasin spécifique. Par conséquent, le fuseau horaire des rapports ne peut pas être modifié en temps réel PowerApps ou en ajustant les paramètres sur un Mac ou un PC.
Fréquemment achetés ensemble
La fonction « Fréquemment achetés ensemble » permet au magasin ou au responsable du merchandising de prendre des décisions orientées par des données sur le placement des produits et les promotions, en se basant sur des informations sur des produits étroitement liés. Elle identifie les combinaisons de produits qui sont fortement associées les unes aux autres afin que les détaillants puissent promouvoir efficacement les ventes croisées.
Les données provenant des parcours des clients en magasin et de leurs actions enrichissent ces résultats afin de fournir un contexte pertinent. De cette façon, vous révélez des données pour des paires de produits fortement associés et qui pourraient être placés plus près les uns des autres pour stimuler les ventes conjointes des deux produits. Par ailleurs, les produits dont le taux de conversion est faible dans le magasin pourraient bénéficier de ventes croisées avec des produits associés plus populaires.
Il existe deux vues pour les associations de produits fréquemment achetés ensemble :
Vue Produits fréquemment achetés ensemble
La vue Produits fréquemment achetés ensemble affiche les associations de produits les plus fortement liées au cours des 7, 30 ou 90 derniers jours.
Note
Lorsque vous choisissez un magasin dans le menu déroulant, le tableau présente les meilleures combinaisons de produits en fonction des transactions effectuées dans le magasin choisi. Lorsque vous sélectionnez la vue du détaillant dans le menu, le tableau affichera les combinaisons de produits les plus importantes sur la base des transactions effectuées dans l’ensemble de la chaîne de vente au détail.
Le tableau comprend les données suivantes :
Noms de produits : noms des produits associés
SKU de produit : ID de produit des produits associés
La force de l’association : La force de l’association est basée sur un calcul statistique qui représente la probabilité que les clients achètent ces produits ensemble en raison de leur relation et non du hasard. De cette façon, vous pouvez trouver des combinaisons de produits plus intéressantes et significatives, fortement associées les unes aux autres plutôt que d’être simplement des achats communs, ensemble ou séparément.
Les catégories sont attribuées en fonction d’une métrique statistique qui mesure la force de l’association. Sur la base des transactions du magasin ou du détaillant, la métrique trie les paires de produits associées. Ensuite, les paires sont divisées en trois catégories de taille égale avec Excellent pour le niveau supérieur, Bon au milieu, et Passable en tant que dernier niveau. Parfois, une indication de « Basé sur des données limitées » peut apparaître à côté de la force d’association identifiée lorsque les caractéristiques des transactions du magasin ne permettent pas une inférence statistique fiable. Cela peut s’expliquer par le faible nombre de transactions par période, la faible taille du panier moyen ou la faible variabilité des produits achetés.
Nombre de fois où ils ont été achetés ensemble : nombre de fois où les clients ont acheté les deux produits ensemble au cours de la période choisie.
Le retard dans le prélèvement des produits : le temps moyen qui s’est écoulé entre le prélèvement par les clients de deux produits associés. Il indique également si le délai est supérieur ou inférieur au délai moyen lorsque les clients prennent deux produits quelconques dans le magasin. Si le délai de retrait des deux produits associés est supérieur à la moyenne, vous pouvez envisager de les rapprocher l’un de l’autre.
Un message de type Informations insuffisantes peut s’afficher dans cette colonne quand il n’y a pas suffisamment de données pour calculer de manière fiable le délai moyen de prélèvement.
Un message Non applicable s’affiche dans la colonne pour les combinaisons de produits dans les transactions de la chaîne de magasins, en raison de la variabilité des différentes dispositions de magasins.
Vue d’analyse spécifique au produit
La vue d’analyse spécifique au produit affiche les 5 associations de produits les plus fortement liées au cours des 7, 30 ou 90 derniers jours.
Dans le menu déroulant, vous pouvez rechercher un produit qui vous intéresse. Le tableau montre les cinq produits les plus fortement associés au produit choisi au cours de la période de choix, comme les 7, 30 ou 90 derniers jours. Les données sur les produits associés sont similaires au précédent tableau de visualisation des produits fréquemment achetés ensemble.
Le menu ne comprend que les produits qui identifient au moins une combinaison fortement associée. De plus, le menu affiche les performances du produit sélectionné.
Le taux de conversion représente le rapport entre le nombre de fois où le produit a interagi avec le magasin et le nombre de fois où un client l’a acheté. Lorsqu’un produit présente un faible taux de conversion, vous pouvez envisager de le vendre de manière croisée avec des produits fortement associés qui apparaissent dans le tableau des produits fréquemment achetés ensemble afin d’améliorer leurs ventes.
Substituts de produits
La fonctionnalité de recommandations de substituts de produits offre des informations sur les produits que les clients considèrent comme des alternatives aux autres produits du magasin ou de la chaîne de distribution. Ces informations permettent au responsable merchandising de la chaîne de distribution ou à l’équipe de gestion du magasin de prendre des décisions basées sur les données lors du choix d’un remplacement pour un produit en rupture de stock. Alternativement, le gestionnaire peut analyser les performances des produits alternatifs les uns avec les autres, car il s’agit de produits potentiellement concurrents.
Un modèle IA analyse les données granulaires des parcours des clients et des interactions avec les produits dans le magasin et produit des recommandations de produits. Le modèle IA identifie les produits qui sont souvent achetés dans le même contexte que les alternatives potentielles. Le contexte des produits est défini par les autres produits que les clients récupèrent au cours de la même session et l’ordre dans lequel ils sont récupérés. Plus le contexte est similaire, plus la probabilité que deux produits soient identifiés comme alternatives est élevée. Les produits de substitution recommandés répondraient aux besoins des clients similaires au produit d’origine sur la base de l’analyse.
Avertissement
Le modèle IA n’est pas supervisé (n’est formé sur aucun jeu de données prédéfini d’alternatives de produits), et déduit ainsi la substituabilité des produits en fonction de l’activité des clients dans le magasin et du contexte des autres produits ramassés au cours de la même session. Étant donné qu’avoir un contexte similaire ne garantit pas toujours que les produits sont des substituts, occasionnellement, le modèle peut recommander un produit qui ne serait pas considéré comme un substitut approprié.
Écran sur les substituts de produits
L’écran Substituts de produit affiche les substituts recommandés pour tout produit dans un magasin ou dans la chaîne de distribution. Vous pouvez sélectionner un magasin pour trouver la meilleure alternative disponible dans ce magasin ou passer à la vue du détaillant pour une sélection potentiellement plus large au niveau du détaillant. Il est également possible de se concentrer sur des alternatives pour les produits les plus vendus ou les moins vendus dans le magasin ou la chaîne de distribution. Lorsque vous sélectionnez l’une des options (tous les produits, les ventes les plus élevées ou les plus faibles) AI Insights mettra à jour le contenu du menu déroulant pour inclure les produits pertinents en fonction du filtre choisi.
Note
Le choix de produit explorer au niveau du détail n’inclut que les produits du catalogue du magasin/détaillant pour lesquels il existait des substituts potentiels, en fonction du caractère et de la fréquence des interactions avec les clients. Produits du catalogue du détaillant qui n’apparaissent pas dans le explorer au niveau du détail (soit pour tous les produits, soit pour les menus des produits les plus vendus et les moins vendus) qui n’ont pas de recommandations disponibles.
Table Substituts de produits
Les recommandations de produits sont présentées dans un tableau comme indiqué. Les recommandations sont basées sur l’analyse des données collectées au cours des 90 derniers jours et sont mises à jour toutes les 24 heures.
Le tableau affiche jusqu’à trois substituts de produit recommandés pour le produit sélectionné dans le menu déroulant, ainsi que certains détails supplémentaires qui aident le client à sélectionner l’un des substituts plutôt qu’un autre ou à comparer les performances du produit d’origine et les différentes alternatives proposées. Les détails de chacun des substituts suggérés sont comme suit :
- Noms de produits : affiche les noms des produits alternatifs
- SKU de produits : affiche les ID des produits alternatifs
- Placement par rapport au produit sélectionné : indique si le produit sélectionné et le substitut proposé sont placés sur la même étagère, la même gondole (étagères différentes à l’intérieur de celle-ci), ou à des endroits différents dans le magasin.
Note
Cette colonne n’est pertinente que pour les recommandations de produits alternatifs au niveau du magasin (et restera vide pour le niveau du détaillant), en raison des variations de placement de produit entre les différents magasins de la chaîne de distribution. Si le même produit est placé à plusieurs emplacements dans un magasin, la colonne représentera l’emplacement le plus proche d’entre eux.
- Unités quotidiennes moyennes vendues : affiche les unités quotidiennes moyennes vendues des produits sélectionnés et alternatifs au cours des 90 derniers jours.
- Taux de conversion moyen : affiche le taux de conversion quotidien moyen des produits sélectionnés et alternatifs. Le taux de conversion est le nombre de fois où les clients ont vu le produit dans le magasin divisé par le nombre de fois où les clients ont acheté le produit.
- Taux de conversion relatif : affiche la relation entre le taux de conversion du produit et le taux de conversion moyen dans le magasin ou la chaîne de vente au détail pour tous les produits afin de faciliter la comparaison entre les différents produits. Le taux de conversion moyen de la chaîne de distribution/magasin apparaît sous le filtre de magasin.
Performance des produits alternatifs
Le graphique des performances des produits alternatifs vous permet d’analyser les performances des produits sélectionnés et alternatifs dans le temps.
Ce graphique montre les ventes unitaires quotidiennes des produits sélectionnés et alternatifs au fil du temps. Le graphique montre les ventes unitaires quotidiennes des produits sur la période choisie dans les champs de filtre de dates.
Prévisions de la circulation piétonne
L’organisation des ventes et des magasins des détaillants dépend fortement du nombre de clients qui visitent leurs magasins au cours de la journée. Le trafic piétonnier prédictif est un modèle IA/ML qui analyse le trafic piétonnier passé, avec des facteurs externes (par exemple, la saison, les vacances) et produit des informations qui permettent aux détaillants d’anticiper la demande des clients et d’ajuster leurs activités en conséquence. Le modèle IA de prévision du trafic piétonnier dans Smart Store Analytics fait une prévision du trafic piétonnier pour chaque heure des sept jours à venir. Ces données fournissent aux responsables de magasin et à l’équipe marketing une prévision horaire du nombre de clients pouvant visiter un magasin au cours des sept prochains jours.
Avec la prévision trafic piéton, les détaillants peuvent :
- Élaborez des horaires optimisés qui s’alignent sur les périodes de pointe, en garantissant des niveaux de dotation adéquats.
- Répartissez la main-d’œuvre pour chaque magasin et entre les magasins, avec une granularité horaire.
- Planifiez des tâches, telles que le réapprovisionnement des rayons et le réapprovisionnement avant les heures de pointe pour permettre aux associés du magasin de se concentrer sur l’assistance aux clients pendant les périodes de forte demande.
- Optimisez les calendriers de réapprovisionnement et priorisez les expéditions en fonction des fluctuations de la demande.
La prévision du trafic piétonnier pour une journée est réalisée en agrégeant les valeurs horaires du trafic piétonnier pour ce jour. Pour faire une prévision, le modèle IA utilise les valeurs historiques réelles du trafic piétonnier dans un magasin et une liste des jours fériés dans la région où se trouve le magasin. Il ne tient pas compte de facteurs tels que la météo, les horaires des magasins, les fermetures inattendues de magasins ou d’autres conditions susceptibles d’affecter la précision des prévisions.
Tableau de bord des prévisions de la circulation piétonne
Le tableau de bord de prévision de trafic piétonnier permet aux responsables de magasin et aux équipes marketing de surveiller les prévisions de trafic piétonnier pour un magasin intelligent sélectionné à une date précise.
Important
Pour que le modèle affiche une prévision, il doit avoir accès à au moins 14 jours de données historiques réelles pour un magasin particulier. La prévision devient plus précise au fil du temps à mesure que le modèle apprend à partir de jeux de données historiques plus importants. Les magasins qui ont un trafic horaire extrêmement faible et intermittent peuvent avoir une prévision moins précise.
Le tableau de bord de prévision du trafic piétonnier comporte quatre domaines clés :
- Filtres : la liste déroulante Détaillants et magasins affiche tous les magasins de la chaîne de détaillants pour lesquels vous disposez de données. Le jour vous permet de choisir l’un des sept jours pour lesquels le modèle IA/ML a produit une prédiction. Les filtres disponibles pour « Détaillants et magasins » et « Jour » s’appliquent à toutes les données de la page.
Note
La "Dernière mise à jour le mm/jj/aaaa hh:mm UTC" fournit l’horodatage lorsque le tableau de bord est actualisé et les sept jours de prédiction du trafic piétonnier commencent à partir de cette date. Il est important de noter que les heures sont considérées en temps universel UTC coordonné, c’est-à-dire une longitude zéro : Greenwich, fuseau horaire du Royaume-Uni.
Indicateur de performance clé : les Indicateurs de performance clés de niveau supérieur aident à évaluer le trafic piétonnier prédictif par rapport à la semaine précédente :
Prévision du trafic piétonnier pour la journée : prévision du nombre d’acheteurs entrant dans le magasin sélectionné, y compris les entrées répétées, pour le jour sélectionné. Les groupes de clients sont comptés comme un seul client. Ainsi, une famille de cinq personnes est comptée comme un seul client unique.
La variation en pourcentage (%) par rapport au même jour de la semaine précédente est également affichée dans ce widget. Il y a une flèche indiquant la tendance et le texte est coloré en vert pour la croissance ou en rouge pour indiquer une diminution du trafic piétonnier.
Le modèle IA fait une prévision du trafic piétonnier pour chaque heure des sept jours à venir. La prévision du trafic piétonnier pour une journée est réalisée en agrégeant les valeurs horaires du trafic piétonnier pour ce jour.
Trafic piétonnier réel pour le même jour de la semaine précédente : le trafic piétonnier réel (ou historique) le même jour de la semaine précédente est affiché. La date calculée pour le même jour de la semaine précédente est également affichée. Cette vue permet une comparaison précieuse, entre deux lundis consécutifs ou n’importe quel jour de la semaine.
Prévision du trafic piétonnier au cours des 7 prochains jours : la somme du nombre prévu d’acheteurs entrant dans le magasin sélectionné, pour les sept jours à venir, comme indiqué par la plage de dates : mm/jj/aaaa – mm/jj/aaaa. Ce widget est impacté par la sélection d’un magasin, mais pas par la sélection d’un jour dans le filtre.
La variation en pourcentage (%) par rapport aux sept derniers jours est également affichée dans ce widget. Il y a une flèche indiquant la tendance et le texte est coloré en vert pour la croissance ou en rouge pour indiquer une diminution du trafic piétonnier.
Trafic piétonnier réel au cours des 7 derniers jours : trafic piétonnier réel (ou historique) au cours des sept derniers jours, tel qu’indiqué par plage de dates : mm/jj/aaaa – mm/jj/aaaa. Ce widget est impacté par la sélection d’un magasin, mais pas par la sélection d’un jour dans le filtre.
Graphiques de séries temporelles : les graphiques de séries temporelles affichent le trafic piétonnier prévu au fil du temps, en trois variantes :
La prévision du trafic piétonnier par heure de la journée affiche le nombre d’acheteurs par heure du jour sélectionné
Prévision du trafic piétonnier par jour au cours des 7 prochains jours affiche les barres la somme du nombre prévu d’acheteurs entrant dans le magasin sélectionné, pour chacun des sept jours à venir, comme indiqué par la plage de dates : mm/jj/aaaa – mm/jj/aaaa. La ligne de couleur vive montre le trafic piétonnier réel (ou historique) des sept derniers jours. Ce widget est impacté par la sélection d’un magasin, mais pas par la sélection d’un jour dans le filtre.
Prévision du trafic piétonnier par jour et heure de la journée sur les 7 prochains jours montre chaque jour représenté par une ligne et les heures sous forme de colonnes. La couleur de chaque carré représente le nombre d’acheteurs à une certaine heure, d’un certain jour, tel que défini dans la légende. Par convention, plus le carré est sombre, plus le nombre d’acheteurs est élevé. Les heures vont de 0 à 23 et les jours couvrent sept jours à l’avance, comme indiqué par la plage de dates : mm/jj/aaaa – mm/jj/aaaa.
Comment est calculée la prévision de trafic piétonnier ? - Cette section fournit des informations de base sur le modèle de prévision prédictive, les données d’entrée, c’est-à-dire l’importance du jeu de données historique et les facteurs qui ne sont actuellement pas pris en compte dans le modèle.