Comment Sephora prédit ses ventes quotidiennes... et adapte son marketing

"Avec un site e-commerce déployé dans plusieurs pays, nous avions besoin, pour piloter notre activité online de réaliser des forecasts, soit la mesure de la fiabilité des prévisions de vente quotidiennes", témoigne Clément Marchal, Manager Data Science de l'enseigne Sephora, à l'occasion du Salon Big Data Paris 2018. Utile pour les ventes, le forecast (la qualité des prévisions commerciales) ne l'est pas moins pour le marketing - afin de piloter son plan marketing - ou pour le service client, afin d'anticiper le volume de contacts supplémentaires en passe de le contacter. Piloté manuellement par le service marketing de Sephora, le forecast représentait un "lourd investissement en temps pour les équipes", explique Clément Marchal.

Pour permettre au marketing de se consacrer pleinement au coeur de son activité, Sephora s'est donc lancé dans un projet de machine learning. Et ce, avec plusieurs enjeux : de data (sur quelles sources de données s'appuyer ?) ; de machine learning (quels algorithmes choisir ?) et de process (comment donner aux métiers des prévisions simples à prendre en main ?).

Un projet "data" et IA

Transversal, le projet qui a mobilisé les équipes IT, data science, e-store et les partenaires Avisia et Dataiku - pour développer et industrialiser les algorithmes - est basé sur une bonne dose de données. L'idée : évaluer l'impact de différents facteurs dans la prédiction via la collecte et l'analyse de données du plan marketing (planning marketing, typologie des offres, calendrier des événements et temps forts) et des données de navigation sur le site et l'application mobile (visites, transactions, commandes et montants, notamment). Ces données sont intégrées au data lake déployé par la marque, de manière automatique, à J+1. Puis, structurées, les données viennent alimenter le forecast.

Une fois le type de données sélectionné, quels algorithmes choisir pour optimiser la chaîne logistique, de la production à la vente ? Le chiffre d'affaires et le détail des commandes sont les facteurs clés pour le site e-commerce. "Nous avons mis au jour des algorithmes intégrant des tendances d'activité sur le court, moyen et long terme, et des algorithmes intégrant le contexte marketing, à savoir le plan et l'offre marketing et le calendrier des événements", précise le Manager Data Science de Sephora.

Pour mettre à disposition des métiers un forecast simple, la marque a déployé un process en plusieurs étapes : en premier lieu, le métier dépose son plan marketing, soit les actions opérationnelles prévues dans un temps donné, sur le data lake, connecté aux algorithmes de Dataiku... qui scannent les données sur deux ans. Le métier reçoit en retour un email contenant le forecast, avec une ligne de prévision, par jour. "Il est ainsi possible pour le marketing de tester plusieurs offres et plusieurs événements", révèle Clément Marchal, qui note un gain d'autonomie des équipes marketing. Une fois le plan marketing validé, les prévisions de vente le sont également. Celles-ci sont, ensuite, diffusées au marketing, à la supply chain et au service client. Avantage ? "Le métier garde la main sur les prévisions pour s'assurer de la cohérence de ses actions", complète le professionnel.

Grâce au machine learning, Sephora revendique une optimisation des forecasts. La marque note un gain de 15 points de précision apportés par le machine learning entre les forecasts et le chiffre d'affaires réalisé. Ainsi qu'une optimisation des process pour le marketing, qui se libère d'une charge de travail pour se consacrer à son métier.

À lire aussi :

- [Big Data Paris 2018] La fast data à l'honneur

- Sephora : un chatbot pour allier beauté et intelligence...artificielle

- Data lake : le nouvel outil incontournable ?