Gamme de produits optimisée par la data science dans le cas d'un client du discount

Optimisation de la gamme de produits pour une rentabilité accrue

Un magasin discount comptant plus de 200 succursales a demandé à COSMO CONSULT de développer une solution qui optimise la gamme de l'ensemble des produits sur la base des comportements d'achat et d'autres facteurs d'influence. Aujourd'hui, l'entreprise bénéficie d'une meilleure rentabilité et de coûts de stockage réduits, tout en pouvant adapter de manière optimale la gamme de produits aux conditions de marché de ses entités commerciales.

Bénéfices principaux

  • Optimisation dynamique de la gamme de produits pour les différentes succursales
  • Evaluation et prise en compte ciblées des succursales et groupes de succursales
  • Prise en compte des différentes conditions et restrictions sous-jacentes
  • Placement optimal des produits pour un maximum de ventes
  • Recommandations d'actions efficaces

Situation initiale

La gamme de produits de l'entreprise avait tellement augmenté au fil des ans qu'il lui était devenu économiquement inefficace de proposer la gamme complète de produits dans chaque succursale. L'entreprise a donc dû mettre en place une procédure permettant de réduire la gamme de produits dans chacune d'entre elles, tout en répondant au plus grand nombre de demandes clients. Environ 80 % de la gamme de produits devaient être disponible dans toutes les succursales, mais les 20 % restants devaient être définis individuellement en fonction de l'environnement et de l'emplacement de chaque succursale.
Le détaillant a demandé à COSMO CONSULT d'optimiser la gamme de produits de chaque succursale, de manière à ce que le potentiel du marché soit pleinement exploité tout en préservant l'individualité de chaque emplacement. Par conséquent, les comportements d'achat locaux des clients et d'autres facteurs ont été analysés.

Approche retenue

L'équipe projet a utilisé la liste des stocks, les ventes et les données des succursales pour effectuer l'optimisation. Par exemple, l'analyse agrégée a été utilisée pour déterminer la fréquence à laquelle certaines combinaisons de produits sont vendues ensemble à partir des données de vente. Le résultat a été une structure de réseau qui affiche clairement les informations pertinentes telles que le regroupement, les ventes, les recettes ou les quantités. L'avantage : la structure illustre la taille globale ainsi que l'influence de chaque produit sur l'ensemble de la gamme de produits. Selon la stratégie respective, différents points de réseau ont été utilisés pour classer la gamme de produits optimale. Ensuite, un algorithme d'allocation a été utilisé pour déterminer le meilleur placement en rayon de la gamme de produits, afin d'utiliser les effets composites et d'augmenter la quantité de ventes par ticket de caisse. En outre, le classement peut être utilisé pour initier des actions ciblées pour les produits individuels qui conduisent à des effets composites élevés.
Aujourd'hui, le magasin discount utilise le processus d'optimisation de plusieurs manières. Tout d'abord, un script de mise à jour s'exécute chaque semaine dans R et CPLEX, qui effectue l'analyse et enregistre les résultats dans un fichier QlikView. Les résultats sont ensuite visualisés à l'aide d'un tableau de bord QlikView pour faciliter le processus de prise de décision.

Bénéfice supplémentaire

Dans le cadre du processus d'optimisation, il a été possible non seulement d'augmenter le quota de vente, mais aussi de rendre la planification des actions plus ciblée et plus efficace. À partir de l'historique des actions, des "flops" peuvent être identifiés, ce qui affecte à peine les produits en dehors des quantités d'action. Le placement optimal pourrait augmenter les bénéfices et réduire les coûts de stockage. En outre, il a été possible d'adapter de manière optimale la gamme de produits à l'état, à l'environnement et à la situation concurrentielle de chaque entité commerciale.