Une multinationale du secteur des boissons automatise l'assortiment des produits en magasin grâce à l'apprentissage automatique

Le contexte de notre client

En raison de sa croissance rapide, cette multinationale du secteur des boissons était confrontée à un manque d'efficacité dans la fourniture d'un assortiment de produits adéquat aux magasins. Auparavant, elle s'appuyait sur l'intuition d'experts pour fixer des seuils arbitraires pour l'assortiment des produits, ce qui entraînait un surstockage dans certains magasins et un sous-stockage dans d'autres, avec pour conséquence une perte de parts de marché, des surcoûts et des pertes de revenus.

‍

Pour améliorer l'assortiment des produits à l'échelle nationale, ils ont cherché une approche de modélisation puissante mais explicable, que les parties prenantes non techniques pourraient comprendre. Le modèle visait à déterminer l'assortiment optimal pour chaque magasin sur la base d'une myriade de données.

‍

‍

Un défi brassicole

Fournir des segments de produits utiles

Notre client avait besoin d'identifier les magasins présentant des schémas de distribution de produits similaires. Auparavant, la segmentation était basée sur des seuils arbitraires, manquait de données et reposait sur l'intuition d'experts, ce qui n'était pas viable en cas de départ de personnel clé.

‍

Normaliser des données ayant des structures différentes

Les données des différents segments de marché avaient des sources et des structures de colonnes différentes. Un modèle de données normalisé était essentiel pour prendre des décisions cohérentes en matière de placement de produits.

‍

‍

Une solution facile à entretenir pour s'adapter à l'ensemble des compétences du client

Disposant d'une expertise technique limitée, le client avait besoin d'une solution non codée pour faciliter la maintenance et le réexécution. La solution devait comporter une interface utilisateur pour le nettoyage des données, l'exécution du modèle d'apprentissage automatique et la visualisation des résultats.

‍

‍

Servir un ensemble de boissons

L'équipe de Compass Analytics s'est appuyée sur Alteryx et Tableau. Alteryx a été utilisé pour créer des flux de travail qui ont été transformés en applications analytiques afin de créer une interface pointer-cliquer pour la normalisation des données et pour exécuter le modèle de regroupement à l'aide de scikit-learn. Tableau a permis de visualiser les résultats et les mesures clés pour une interprétation intuitive.

‍

Pour le nettoyage des données, nous avons créé un flux de travail Alteryx pour normaliser toutes les entrées de données dans notre modèle de données défini et une application analytique, une interface utilisateur permettant aux utilisateurs professionnels de sélectionner des sources de données et des colonnes communes, garantissant ainsi un format standardisé pour le clustering. Les étapes de validation ont confirmé que les colonnes correctes étaient incluses dans l'ensemble de données final. Le flux de travail a permis à un utilisateur non technique d'exécuter le processus de normalisation des données.

‍

Pour le clustering, l'interface utilisateur a permis aux utilisateurs professionnels de sélectionner des paramètres tels que l'étendue du magasin et le nombre de clusters. L'outil Python d'Alteryx a mis en œuvre le modèle de regroupement qui utilise scikit-learn. Les mesures clés ont été converties en un rapport de diagnostic, donnant un aperçu de la qualité des grappes et des caractéristiques des produits. Des instructions ont été fournies aux utilisateurs professionnels sur la manière d'interpréter les résultats.

‍

Les résultats du modèle ont été exportés vers Tableau, mettant en évidence les indicateurs clés et visualisant la distribution géographique des groupes de magasins.

‍

‍

Les ingrédients de la réussite d'un regroupement

La solution développée par Compass Analytics a permis à l'entreprise de boissons de mettre en œuvre un modèle robuste de segmentation des produits, facilitant les décisions basées sur les données et améliorant le placement des produits dans les magasins.

‍

Une solution durable pour les besoins des clients

Conçue principalement en Alteryx, la solution offre une interface utilisateur pour la normalisation des données et le paramétrage du modèle de clustering. Cela permet à l'entreprise de créer de la valeur commerciale à partir de l'assortiment et de l'allocation des produits sans avoir besoin d'une expertise technique en matière de codage.

La multinationale de boissons dispose désormais d'un processus normalisé de regroupement et d'allocation optimale des produits, ce qui permet aux responsables de catégories de continuer à définir des distributions optimales de produits dans les magasins, de s'assurer des parts de marché et de maintenir le chiffre d'affaires.

‍

‍

Consolidation des différentes solutions de données

Notre processus standardisé de nettoyage des données a assuré une ingestion cohérente des données dans les différents segments du marché, facilitant un regroupement uniforme et des résultats perspicaces dans les différentes régions.

‍

Amélioration du placement des produits

La solution regroupe les magasins dont la distribution des produits est similaire et fournit des visuels faciles à comprendre, aidant l'entreprise à appréhender rapidement ses segments de produits. Cette approche fondée sur les données permet aux responsables de catégories d'optimiser l'assortiment de produits, de réduire la perte de connaissances institutionnelles et de maintenir la part de marché même en cas de départ de membres clés de l'équipe.