Implanter ses points de vente :

géomarketing & méthodes

d'optimisation

Cédric HervetDirecteur Recherche Opérationnelle

Catherine DavalExperte Géomarketing

Athmane HamelDirecteur Computer Science

2

QUAND LE GÉOMARKETING DEVIENT PRÉDICTIF

Enjeux et panorama

Le géomarketing en pratique

Retour d’expérience de Renault

Retour d’expérience de Retail Int.

3

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

LE GEOMARKETING

Une approche dynamique intégrant les dimensions

sociodémographiques, spatiales et temporelles dans vos analyses marketing.

5

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

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

NOTIONS CLES SUR L’EMBOITEMENT GEOGRAPHIQUES

Région

Département

Communes (36 000)

Iris (52 000 – habitat/activité/divers)

Ilot

8

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€

3 HISTOIRES DE GÉOMARKETING

& Open Data

& Recherche Opérationnelle

& Outil de simulation

1

2

4

4

Jean-Pierre CousinieMarket Intelligence Europe Team leader

11

LE GROUPE RENAULT : LES PRODUITS

12

LE GROUPE RENAULT : LES MARCHÉS

13

Les ventes du Groupe Renault en 2014 et 2015 (VP+VU)

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

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

ARBRE DE DECISION

16

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

LES RÉSULTATS

18

Visualisation cartographique

des zones à potentiel Un fichier de probabilité pour les

50 000 IRIS de France

IRISProba 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

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

3 HISTOIRES DE GÉOMARKETING

& Open Data

& Recherche Opérationnelle

& Outil de simulation

1

2

4

4

20

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

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

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

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

Tem

ps

de

traj

et m

oye

n (

min

ute

s)

Nombre d'agences

Impact du

nombre

d’agences sur le

temps de trajet

moyen

24

QUELS IMPACTS ?

Solution avec fermeture seulement Solution avec fermeture & déplacement

Simulation de plusieurs scénarii (2/2)

25

3 HISTOIRES DE GÉOMARKETING

& Open Data

& Recherche Opérationnelle

& Outil de simulation

1

2

4

4

26

Emmanuel de CourcelFondateur

27

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

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

RETAIL INT. EST UN « CLUB » D’ENSEIGNES50+ Enseignes – 10 000 magasins

Collecte des données de vente et format des magasins

« Anonymisation »

Comparaison des performances des enseignes par emplacement

30

Détermination du CA cible d’uneenseigne 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

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 AFFh si CONCEPT A, isi B

32

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

LES RÉSULTATS OBTENUS

34

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

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

?

VOUS SOUHAITEZ EN SAVOIR PLUS

http://www.np6.fr/demande-de-contact/

Workshop #1Développeur

MailPerformance : agilité et communauté développeurs

Workshop #1Data Marketing

Démo : solution de Pré & Post tests

publicitaires/produits

Workshop #1Digital Marketing

MailPerformance : personnaliser ses

campagnes emailing

Auditorium New York / HambourgMontréal

13H30

38