Implanter ses points de vente : géomarketing & méthodes d'optimisation

1. Implanter ses points de vente : géomarketing & méthodes d'optimisation

2. Cédric Hervet Directeur Recherche Opérationnelle Catherine Daval Experte Géomarketing Athmane Hamel Directeur Computer Science 2

3. QUAND LE GÉOMARKETING DEVIENT PRÉDICTIF Enjeux et panorama Le géomarketing en pratique Retour d’expérience de Renault Retour d’expérience de Retail Int. 3

4. 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

5. LE GEOMARKETING Une approche dynamique intégrant les dimensions sociodémographiques, spatiales et temporelles dans vos analyses marketing. 5

6. 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

7. 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

8. NOTIONS CLES SUR L’EMBOITEMENT GEOGRAPHIQUES Région Département Communes (36 000) Iris (52 000 – habitat/activité/divers) Ilot 8

9. 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€

10. 3 HISTOIRES DE GÉOMARKETING & Open Data & Recherche Opérationnelle & Outil de simulation 1 2 4 4

11. Jean-Pierre Cousinie Market Intelligence Europe Team leader 11

12. LE GROUPE RENAULT : LES PRODUITS 12

13. LE GROUPE RENAULT : LES MARCHÉS 13 Les ventes du Groupe Renault en 2014 et 2015 (VP+VU)

14. 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

15. 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

16. ARBRE DE DECISION 16

17. 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

18. LES RÉSULTATS 18 Visualisation cartographique des zones à potentiel Un fichier de probabilité pour les 50 000 IRIS de France IRIS Proba 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

19. 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

20. 3 HISTOIRES DE GÉOMARKETING & Open Data & Recherche Opérationnelle & Outil de simulation 1 2 4 4 20

21. 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

22. 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

23. 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

24. 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 Tempsdetrajetmoyen(minutes) Nombre d'agences Impact du nombre d’agences sur le temps de trajet moyen 24

25. QUELS IMPACTS ? Solution avec fermeture seulement Solution avec fermeture & déplacement Simulation de plusieurs scénarii (2/2) 25

26. 3 HISTOIRES DE GÉOMARKETING & Open Data & Recherche Opérationnelle & Outil de simulation 1 2 4 4 26

27. Emmanuel de Courcel Fondateur 27

28. 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

29. 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

30. RETAIL INT. EST UN « CLUB » D’ENSEIGNES 50+ Enseignes – 10 000 magasins Collecte des données de vente et format des magasins « Anonymisation » Comparaison des performances des enseignes par emplacement 30

31. Détermination du CA cible d’une enseigne 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

32. 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 AFF h si CONCEPT A, i si B 32

33. 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

34. LES RÉSULTATS OBTENUS 34

35. 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

36. 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

37. ? VOUS SOUHAITEZ EN SAVOIR PLUS http://www.np6.fr/demande-de-contact/

38. Workshop #1 Développeur MailPerformance : agilité et communauté développeurs Workshop #1 Data Marketing Démo : solution de Pré & Post tests publicitaires/produits Workshop #1 Digital Marketing MailPerformance : personnaliser ses campagnes emailing Auditorium New York / HambourgMontréal 13H30 38

Implanter ses points de vente : géomarketing & méthodes d'optimisation

Implanter ses points de vente : géomarketing & méthodes d'optimisation

Recomendados

Mais conteúdo relacionado

Mais procurados

Mais procurados(20)

Destaque

Destaque(6)

Similar a Implanter ses points de vente : géomarketing & méthodes d'optimisation

Similar a Implanter ses points de vente : géomarketing & méthodes d'optimisation(20)

Mais de NP6

Mais de NP6(20)

Implanter ses points de vente : géomarketing & méthodes d'optimisation

Notas do Editor