Data / IA
Auchan s’appuie sur XGBoost pour maximiser le CA de ses points de vente
Par Alain Clapaud, publié le 16 mars 2023
Les applications d’analyse de la data – et d’IA – se multiplient dans le secteur de la distribution. Auchan Retail France a mis en production une solution sur-mesure, basée sur XGBoost, pour optimiser les rayons de ses points de vente, en exploitant des données externes et internes très variées et de pertinence inégale.
Avec 350 points de vente dans l’Hexagone, Auchan est une marque incontournable en France. Et comme toutes les enseignes de la grande distribution, Auchan Retail France est confrontée à une baisse d’activité de ses magasins. Un projet a donc été lancé dans le but d’optimiser et de maximiser leur performance en jouant sur la répartition et les surfaces des rayons.
Créer une application capable de délivrer des recommandations solides pour réaménager ces espaces commerciaux ne va pas de soi. Et pas seulement parce que la taille des magasins varie considérablement, entre les 600 m2 du supermarché le plus petit et les 17 000 m2 de l’hyper de Vélizy.
Pour relever le défi, le spécialiste de l’analyse de données Ekimetrics a commencé par analyser les apports des nombreux types de données disponibles pour alimenter ses algorithmes de recommandation basés sur la technologie de machine learning XGBoost. « Dans une démarche d’optimisation, la première question à se poser était de savoir lesquelles étaient à notre disposition et desquelles nous allions avoir besoin », explique Piotr Woznica, senior manager chez Ekimetrics. « Selon qu’il s’agisse d’un petit supermarché ou d’un hyper, on imagine bien que la répartition optimale des rayons ne sera pas la même. D’autant qu’on ajoute aux données du magasin d’autres informations relatives à son environnement et ses concurrents. Selon la distance et le type d’activité d’une enseigne voisine, elle n’exercera pas la même pression sur le magasin et sur les différents rayons. Leur répartition idéale ne sera pas la même. »
Un algorithme pour créer l’organisation de chaque magasin
Rapidement, les membres du projet comprennent qu’il leur faudra compiler énormément de sources différentes pour élaborer des recommandations fiables. « Ce n’est pas tant la complexité de l’algorithme mis en œuvre qui fait la différence, que la sélection des données qu’il va utiliser et la manière dont elles vont lui être présentées. »
Matthieu Guiet,
data analyst chez Auchan Retail France
« La solution délivre des résultats fiables avec un niveau de granularité très fin puisque nous avons des recommandations pour chaque rayon de nos magasins. »
Autre aspect important du projet, l’équipe d’Auchan Retail France souhaite aussi disposer d’une solution utilisable par les métiers, qui pourront ensuite la réutiliser dans la durée pour ajuster l’optimisation des rayonnages. « Dès le départ, nous avons recueilli leur avis, explique Matthieu Guiet, data analyst chez Auchan Retail France. Nous avons animé de nombreux ateliers avec des directeurs de magasin, des directeurs de territoires et avec la direction produit afin de mieux connaître leurs attentes. »
3 To de données à collecter
Un autre enjeu concernait l’automatisation de la collecte des données : l’entraînement des modèles a en effet été mené sur 3 To de données, soit 20 milliards de lignes, avec des origines très différentes, que ce soit des sources internes à Auchan Retail France ou des sources externes. « La clé est de savoir équilibrer les informations sous-représentées dans les données avec celles qui sont sur-représentées, explique Piotr Woznica. Par exemple, nous avions peu d’informations sur les implantations physiques relatives entre les rayons. Du coup et pour modéliser ces liens physiques, nous avons analysé les parcours clients et leurs comportements d’achat pour en déduire des variables qui représentent ces liens entre rayons. À l’opposé, en termes de données sur-représentées, nous avions de nombreuses statistiques sur les populations habitant autour des magasins. Mais l’information s’est finalement révélée très diffuse et pas suffisamment claire pour l’algorithme. »
À LIRE AUSSI :
Une application accessible aux utilisateurs métiers
Baptisé Caméléon, l’outil délivre donc au final des recommandations pour chacun des magasins. En en sélectionnant un en particulier, l’utilisateur peut retrouver l’ensemble des rayons existants et définir une fourchette d’évolution en % ou en m2 à partir des surfaces existantes pour lancer une simulation. Il peut aussi ajouter de nouveaux rayons pas encore disponibles dans le magasin, comme le vrac, le discount ou la jardinerie, etc. Une fois ce paramétrage réalisé, l’outil va délivrer une simulation de la taille idéale des rayons pour l’ensemble du magasin et une estimation de la progression du CA.
L’ensemble des hypermarchés et supermarchés, soit près de 350 points de vente, bénéficient actuellement des recommandations de l’application Caméléon. Des discussions sont actuellement en cours pour en faire aussi bénéficier les franchisés.
Pour Matthieu Guiet, un important facteur de succès aura été la mise en place d’une interface utilisateur compréhensible par les métiers. « Nos utilisateurs ne sont pas uniquement des profils techniques et des spécialistes de la data. Ce sont aussi des services métiers, notamment le service de la Performance ou la direction des Concepts qui est le sponsor du projet et a pour mission l’aménagement de nos magasins. » En outre, l’équipe projet Ekimetrics a travaillé directement avec les data scientists, data analysts et data engineers d’Auchan Retail, lesquels sont désormais autonomes sur l’amélioration et le développement de cet outil.
Actuellement, sur les 350 magasins Auchan Retail, seul un nombre restreint se sont réorganisés selon un schéma idéal proposé par l’application. L’objectif est donc désormais d’adresser un par un ceux où l’algorithme a identifié un potentiel d’amélioration en proposant au directeur de l’établissement une optimisation ou un réagencement. Par la suite, l’optimisation des assortiments viendra s’ajouter à l’application en 2023, l’objectif étant de créer un pont entre celle-ci et l’optimisation des rayons déjà préconisée par Caméléon.
LE PROJET EN QUELQUES CHIFFRES
10 utilisateurs (directions Concepts, Performance et Connaissances clients & Data intelligence).
350 points de vente concernés
+4,8 % de CA en plus pour une variation de 20 % de la taille des rayons
L’ENTREPRISE
Activité : Grande distribution
Effectif : 50 000 collaborateurs (2020)
CA : 13,4 Md€À LIRE AUSSI :
