Se ha denunciado esta presentación.
Utilizamos tu perfil de LinkedIn y tus datos de actividad para personalizar los anuncios y mostrarte publicidad más relevante. Puedes cambiar tus preferencias de publicidad en cualquier momento.

Livre Blanc Data in store, collecte & exploitation : Le point de vente s'inspire du web ?

2.817 visualizaciones

Publicado el

Converteo présente son nouveau livre blanc sur les Data in store :
Les nouvelles technologies de collecte de data en point de vente favorisent-elles une exploitation marketing plus fine et temps réel sur le modèle du web ?

Publicado en: Internet
  • Sé el primero en comentar

Livre Blanc Data in store, collecte & exploitation : Le point de vente s'inspire du web ?

  1. 1. LIVRE BLANC DATA IN STORE, COLLECTE & EXPLOITATION : LE POINT DE VENTE S’INSPIRE-T-IL DU WEB ? Les nouvelles technologies de collecte de data en point de vente favorisent-elles une exploitation marketing plus fine et temps réel sur le modèle du web ? Juin 2017
  2. 2. Converteo – Livre blanc Data in store – Remerciements Nous remercions vivement les éditeurs et partenaires technologiques avec lesquels nous avons échangé au cours de la rédaction de ce livre blanc et qui nous ont permis de nourrir nos réflexions : 2 Iacopo CARRERAS, CEO & Fondateur Patrick SCHENAVSKY, Sales Development Manager Olivier MAGNAN-SAURIN, CEO & Co-Fondateur Mathieu FRANCESCH, CEO Nous recommandons également la lecture des ressources bibliographiques suivantes, dans lesquelles nous avons identifié des cas et visions marché intéressantes : • The truth about in-store analytics: examining wi-fi, bluetooth & video in retail par Prism et Monolith • “Analyze This: Web Style Analytics Enters The Retail Store” par Forrester • Le Blog Behavior Analytics in Retail • How to identify retail customer in store par E-consultancy • Video and the Internet of Things : solving the brick-and-mortar challenge par Prism • Engaging Connected Consumers through Location Insights par EKN - Fujitsu Jérôme STIOUI, CEO
  3. 3. Converteo – Livre blanc Data in store – Executive summary « La Data in store aujourd’hui : un souhait plus qu’une réalité » 3 Beaucoup de technologies sont matures et répondent aux attentes principales des annonceurs : caméras 3D et infrarouges, faisceaux de comptage, beacons, mais peu ont été déployées à grande échelle. Une généralisation qui tarde pour des raisons de coûts : de l’achat initial de la technologie, les coûts d’installation puis de maintenance, auxquels il faut parfois ajouter les coûts de licence. Un déploiement sur un échantillon représentatif de points de vente vs national prend tout son sens pour les solutions d’analyse comportementale par souci d’économies. Des technologies de collecte et d’exploitation matures, mais des coûts élevés Les difficultés pour identifier le shopper : l’activation par défaut du wi-fi ou du bluetooth reste partielle, donc la population est un échantillon de visiteurs, qu’il faut ensuite réussir à matcher avec le CRM. La réalité des points de vente rattrape également la viabilité des projets : faible qualité des réseaux wi-fi, coût d’installation d’un réseau 3G ou 4G. Des contraintes techniques pour la collecte et l’identification qui impactent le shopper La captation de données impose des contraintes à l’utilisateur final : installation de l’application, opt-in notifications, connexion via social login ou formulaire (wi- fi), activation du micro ou la camera (li-fi). Une ambition d’exploitation de la Data in store légitime mais à intégrer dans la vision stratégique Le point de vente reste la principale source de CA et levier de trafic pour les acteurs omnicanaux, d’où un intérêt majeur de mieux convertir et développer le panier et la fréquence in store. Toutes les technologies ne permettent pas de répondre à l’intégralité des besoins entre analytics & insights, construction de parcours ou activation. Comme pour tout projet, la garantie de succès d’une initiative in store réside dans son intégration à une stratégie point de vente long terme, claire et détaillée.
  4. 4. Avant propos
  5. 5. Converteo – Livre blanc Data in store – Et si vous pouviez connaître le comportement en point de vente de vos shoppers aussi bien que sur votre site ? Les parcours, les centres d’intérêts, les intentions d’achat, etc. 5 Comptage du nombre de visiteurs entrant en point de vente Collecte des données de transaction issues des systèmes caisse ou de la carte de fidélité uniquement des clients ? Contrairement aux acteurs e-commerce qui s’appuient sur de la donnée comportementale exhaustive et chaude grâce au marquage des supports digitaux et la webanalyse, les distributeurs disposent de peu d’informations sur le comportement des shoppers en point de vente du fait du faible déploiement de solutions d’analytics « in store ».
  6. 6. Converteo – Livre blanc Data in store – Les nouvelles technologies de collecte favorisent l’analyse des comportements en point de vente sur le modèle de la webanalytics et pour des KPIs proches 6 Entrée sur le site • Visiteurs uniques • Nouveaux visiteurs • Visites répétées • Fréquence de visite • Taux de rebond • Sources de trafic • Indicateurs socio-démographiques (genre, âge, géographique, …) • Parcours du visiteur (séquence de pages et d’événements) • Pages vues • Mouvements sur la page • Temps passé (par page) • Nombre d’événements : clics, etc. • Transaction • Montant du panier • Fréquence d’achat • Nombre d’articles • Taux de conversion • Cross shopping (achat dans des catégories distinctes) • Taux d’abandon panier Entrée en point de vente • Visiteurs uniques • Nouveaux visiteurs • Visites répétées • Fréquence de visite • Attractivité (nombre d’entrants magasin vs nombre de passants) • Indicateurs socio-démographiques (genre, âge, géographique, …) Visite du site Visite du point de vente Achat en ligne Achat en caisse • Parcours du visiteur (distance, trajet et zones parcourues) • Temps passé (par zone du parcours) • Temps passé actif / à l’arrêt • Nombre d’événements : prise produit, interactions avec conseillers, etc. • Nombre de conseillers • Transaction • Montant du panier • Fréquence d’achat • Nombre d’articles • Taux de conversion • Cross shopping (achat dans des catégories distinctes) • Temps d’attente en caisse WEBANALYTICSINSTOREANALYTICS Les indicateurs exclusifs à la webanalytics et analytics in-store sont en orange ci-dessous
  7. 7. Converteo – Livre blanc Data in store – Derrière la notion de « Data in store », 2 ambitions existent pour les enseignes : (1) collecter de la data plus fine et temps réel sur un canal clé et (2) la valoriser pour augmenter les revenus 7 COLLECTER Parcours & Activation Suivre le parcours du visiteur via un device digital et tenter de l’identifier Comptage Mesurer l’affluence ou l’attractivité en décomptant les passages Comportemental Comprendre les parcours, mouvements et interactions des visiteurs Monétisation Mettre en place des audiences médias 2nd ou 3rd party, de l’insight sharing, etc. Activation Interagir avec le visiteur : campagnes, notifications, retargeting, servicing, programme de fidélité, etc. VALORISER Valoriser la data collectée pour augmenter les revenus Récupérer de la data de qualité pour enrichir sa connaissance client Connaissance client Mieux comprendre pour mieux agir au service de la stratégie enseigne : promotion, merchandising, etc.
  8. 8. Converteo – Livre blanc Data in store – Mais malgré un fort potentiel, la Data in store, hormis via les système de caisse et carte de fidélité, est une brique peu mise en valeur à cause de nombreuses contraintes 8 CONTRAINTES ET FREINS … et organisationnellesDes contraintes techniques … Intégrer à la stratégie une vision globale de dataification du point de vente : de l’expérience client à la perspective business Clarifier la gouvernance et la responsabilité budgétaire des projets : Direction Marketing digital vs. Direction Data, points de vente franchisés vs intégrés Prévoir un budget de transformation « data in store » au regard de la taille des réseaux sur : technologies, architecture des points de vente, formation des RH, etc. Tenir compte des contraintes légales actuelles et à venir sur la collecte de données et leur anonymisation : droit à l’image (caméra), GDPR, opt-in, etc. Interaction temps réel Certaines solutions nécessitent des temps de retraitement de la donnée (flux vidéos) Contraintes fonctionnelles des technologies Exemple : le signal lumineux du li-fi doit atteindre le capteur du device (smartphone à la main), les ultrasons nécessite l’activation du micro Niveau d’agrégation / d’échantillonnage La technologie détermine le niveau d’agrégation : individu (bluetooth) ou groupe (caméra 3D), et la précision : échantillon (bluetooth, wi-fi, etc.) ou total Consentement Pour être activé, le visiteur doit être opt-in : app téléchargée et notifications acceptées (par défaut parfois) ou contact CRM disponible (numéro, email)
  9. 9. Collecter et traiter la data in store : quels moyens pour quels objectifs ? 1
  10. 10. Converteo – Livre blanc Data in store – 3 grandes catégories de solutions de collecte et d’analyse de data in store existent, qui se différencient par leur principe analytique et les enjeux business qu’elles adressent 10 PRINCIPE ANALYTIQUE Décompte de passage sur un point fixe Analyse du comportement d’un visiteur anonyme sur un périmètre précis par reconnaissance de forme et de direction Suivi de la localisation d’un visiteur par synchronisation entre un device disposant d’un identifiant unique et des émetteurs OBJECTIF Compter l’affluence à l’entrée ou sur une zone du point de vente pour une population non identifiée Comprendre les comportements visiteurs en point de vente sur une population non identifiée : déplacement, prise en main de produits, … Suivre le parcours d’un individu mais pas ses interactions, avec la possibilité d’interagir (notification push, retargeting, etc.) lorsqu’il est identifié COMPTAGE SIMPLE ANALYSE COMPORTEMENTALE SUIVI DE PARCOURS TECHNOLOGIES PRINCIPALES CAMÉRAS MOBILIER CONNECTÉ FAISCEAUX (BEAMS) IMAGERIE THERMIQUE CAMÉRAS 3D CAPTEURS WI-FI BEACON
  11. 11. Converteo – Livre blanc Data in store – Chaque catégorie intègre des solutions basées sur des technologies différentes et qui se distinguent par leur niveau de maturité et leur capacité à interagir avec les devices 11 CAMÉRAS Caméras de sécurité classique (single lense sensor) MOBILIER CONNECTÉ Planchers sensibles à la pression, tourniquets connectés FAISCEAUX (BEAMS) Faisceaux infrarouges et capteurs de présence CAMÉRAS 3D Capteurs identifiant les formes via la température IMAGERIE THERMIQUE Analyse de flux vidéos caméras 3D retraités par analyse de forme 3D SPATIAL LEARNING Capture et apprentissage de l’espace en 3D CAPTEURS WI-FI Boîtiers wi-fi installés dans le magasin ou sur un caddie RFID / NFC Radio identification via une radio étiquette (RFID tag) ULTRASONS Boîtier diffusant un signal sonore ultrason BEACON Capteurs beacon BLE (bluetooth low energy) LI-FI Transmission de données via le spectre lumineux NIVEAU DE MATURITÉ - + MATURITÉ / REMISE EN QUESTION ADOPTION INNOVATIONS / EXPÉRIMENTATION DÉCLIN
  12. 12. Converteo – Livre blanc Data in store – Toutes les technologies ne se valent pas : au-delà de répondre à des besoins différents, leur coût, leur précision ainsi que le niveau d’échantillonnage sont également à prendre en compte 12 PRÉCISION LOCALISATION PORTÉE ÉCHANTILLONNAGE (% des visites) COÛT MOBILIER CONNECTÉ - Taille de la dalle - €€ CAMÉRA 2D - Champ vision caméra ~90% € FAISCEAUX - 10 m maximum de largeur ~90% € IMAGERIE THERMIQUE - Champ vision caméra - €€€ CAMÉRA 3D 1 m Champ vision caméra - €€€ WI-FI Supérieur à 2-3 m 25 à 50 m 70 à 80% (taux d’activation par défaut du wi-fi en France) €€ BEACON* 0,05 à 2 m 2 à 70 m 20 à 30% en hausse (taux d’activation par défaut du bluetooth en France) €€ RFID - 10 cm (NFC) à 100 m - €€ LI-FI* (tech. expérimentale) 10 cm Limité à la propagation du signal lumineux - €€€ ULTRASONS* (tech. expérimentale) 1 m 1 à 20 m - Non disponible 3D SPATIAL LEARNING (tech. expérimentale) Non disponible Champ vision caméra - Non disponible *technologies nécessitant l’installation d’une application pour l’activation (notifications push, retargeting, etc.)
  13. 13. Converteo – Livre blanc Data in store – Sous-titre Les principes analytiques des différentes technologies 13
  14. 14. Converteo – Livre blanc Data in store – Technologies de comptage Une méthode simple pour déterminer l’affluence d’un point de vente 14 TrajetMeuble ou linéaire +1 COMPTAGE DES VISITESPRINCIPE TECHNIQUE Un dispositif est placé en entrée de point de vente ou dans des passages stratégiques : allée principale, proximité de caisses, …dès son activation (rupture de faisceau, pression sur un plancher, passage d’un tourniquet), une visite est comptée. Faisceau (invisible) Plancher Caméra 2D
  15. 15. Converteo – Livre blanc Data in store – Technologies de comptage Les technologies de comptage s’appuient sur des fonctionnements simples 15 CAMÉRA DE SURVEILLANCE Caméras de surveillance 2D (monoculaire) ou 3D (stéréoscopique) avec connexion au réseau MOBILIER CONNECTÉ Plancher ou tapis sensible à la pression Tourniquets comptant les passages FAISCEAUX OU BEAMS Faisceau infrarouge transmis par un émetteur vers un récepteur SYSTÈME 2D : reconnaissance d’objets se déplaçant dans le champ de vision et décompte comme des personnes en fonction de la taille et du mouvement (90% de précision) 3D : ajout de la profondeur en complément de la 2D dans le champ de vision afin de mesurer la hauteur de l'objet décompté pour une plus grande précision Intégralité des visites (90-100%) Envoi d’un signal lumineux en continu par un émetteur vers un récepteur placé de part et d’autre du point d’entrée / sortie Un passage est compté par rupture du faisceau lumineux COLLECTE FONCTIONNEMENT Échantillonnage Granularité Identification Temps réel Visiteur Non Possible Intégralité des visites (~80%) Visiteur Non Possible Installé à l’entrée / sortie du point de vente, le mobilier connecté (plancher, tapis, tourniquet) décompte le nombre de passages (entrée et/ou sortie) grâce à l’action exercée sur l’installation Intégralité des visites (~90%) Visiteur Non Oui CONTRAINTE Légale : fortes contraintes sur l’exploitation du droit d’image des individus en France Précision : perte de précision en fonction des ombres, reflets et densité du trafic pour la 2D Précision : le comptage est perturbé par les effets de groupe ou le passage des caddies Précision : en fonction de la technologie, le comptage est moins précis sur les mouvements de groupe et les entrées / sorties simultanées
  16. 16. Converteo – Livre blanc Data in store – Technologies d’analyse comportementale Le retraitement des enregistrements rattachent les comportements à la signature d’un visiteur 16 Trajet Arrêt / pause (dwell time) Meuble ou linéaire ENREGISTREMENT DE LA VISITE ET DES INTERACTIONSPRINCIPE TECHNIQUE Hauteur Vitesse Direction Largeur Signature (forme ou thermique) Individu (caractéristiques) Prise en main d’un produit Le flux enregistré est analysé pour identifier des individus uniques via leur signature (forme, taille, etc.) ainsi que leur déplacement (direction, vitesse) dans le cas des caméras 3D ou thermiques, caractéristiques qui permettent ensuite d’étudier les interactions et parcours.
  17. 17. Converteo – Livre blanc Data in store – Technologies d’analyse comportementale Les technologies d’analyse comportementale étudient les interactions sans identifier le visiteur IMAGERIE THERMIQUE Caméra mesurant l’énergie thermique émise par un objet ou un corps CAMERAS 3D Caméra 3D stéréoscopique identifiant des visiteurs uniques grâce à leur taille, masse, vitesse et direction Détection et suivi des mouvements d’un visiteur par les capteurs thermiques grâce à la chaleur émise par le corps humain Non sensible aux différences de luminosité Intégralité des visites Visiteur Non Possible Suivi d’un visiteur unique et de ses interactions en point de vente sans identification de l’individu basée sur la masse, la direction et la reconnaissance faciale (anonymisée ensuite) En fonction des technologies, possibilité de qualifier les visiteurs selon différents critères : adulte/enfant, tranche d’âge, sexe, … et d’exclure les membres du staff Intégralité des visites Visiteur Non Possible Précision : l’analyse est perturbée par les effets de groupes (sources de chaleur proches) et ne différencie pas employés / shoppers - SYSTÈME COLLECTE FONCTIONNEMENT Échantillonnage Granularité Identification Temps réel CONTRAINTE 17
  18. 18. Converteo – Livre blanc Data in store – Technologies de suivi de parcours Le signal émis vers le device du visiteur le positionne dans le point de vente et peut générer des actions après synchronisation avec les systèmes backend 18 TrajetMeuble ou linéaire SUIVI DE LA LOCALISATION DU DEVICEPRINCIPE TECHNIQUE (BEACON) Un émetteur diffuse un signal bluetooth avec un ID unique lu par le device visiteur (si le bluetooth est activé) et envoyé vers des serveurs pour analyse de la localisation dans le point de vente. Des actions on-device peuvent être déclenchées uniquement si l’application enseigne est installée et les notifications acceptées. Beacon (émetteur avec ID unique) Capteur actif (bluetooth) et App installée Communication serveur fournisseur beacon ou enseigne ou solution de production de pushs Action contextualisée Localisation et recherche triggers et actions Instructions d’action ID User ID Beacon Envoi
  19. 19. Converteo – Livre blanc Data in store – Technologies de suivi de parcours (1/2) Le wi-fi et les beacons reconstruisent le parcours du visiteur sur la base de sa localisation 19 CAPTEUR WI-FI Boitiers captant les signaux wi-fi (récepteur) émis par les smartphones (émetteur) lorsqu’ils recherchent un réseau BEACON Appareil envoyant des signaux (émetteur) captés par les smartphones équipés de la technologie Bluetooth (récepteur) Localisation du visiteur en point de vente sur la base des signaux émis par le wi-fi activé sur le device mobile du visiteur Grâce à l’identifiant wi-fi unique (adresse MAC), les visiteurs sont rendus uniques mais anonymes Si application de l’enseigne installée, matching possible entre la personne et son profil CRM Echantillon (supérieur à 70% des visites) Visiteur / individu Oui (mais anonyme si application non installée) Oui Localisation du visiteur en point de vente sur la base des signaux émis par le beacon et reçus par le device mobile, et grâce à l’intensité du signal Si l’application de l’enseigne est installée, des notifications push peuvent être envoyées au visiteur identifié Echantillon (~30% des visites ; en hausse) Visiteur / individu Possible (si application installée) Oui Utilisateur : wi-fi activé sur le device visiteur Synchronisation : device connecté à internet pour se synchroniser avec les serveurs Utilisateur : Bluetooth activé sur le device visiteur et application de l’enseigne installée Synchronisation : device connecté à internet pour se synchroniser avec les serveurs SYSTÈME COLLECTE FONCTIONNEMENT Échantillonnage Granularité Identification Temps réel CONTRAINTE RFID (Radio Frequency Identification) Etiquette RFID émettant des radiofréquences captées et lues par un récepteur-lecteur, encore principalement utilisé sur des produits A proximité d’un capteur, transmission par l’étiquette RFID de diverses informations (référence, origine, caractéristique, …) Les étiquettes sont collées ou incorporées dans des objets ou produits Principalement utilisée pour la micro-localisation (courte portée), pour certaines étiquettes, les distances de lecture avoisinent les 100m Echantillon Individu / produit Possible (si information embarquée dans l’étiquette) Oui Technique : le récepteur doit être à proximité de l’émetteur pour récupérer les informations
  20. 20. Converteo – Livre blanc Data in store – Technologies de suivi de parcours (2/2) Le li-fi et les ultrasons (aussi appelé watermarking) sont peu exploitées ; le 3D spatial learning est encore en développement 20 Transmission de données par la lumière LED via des modulations à haute fréquence Boîtier ultrason diffusant un signal sonore haute fréquence inaudible capté par le micro du device du visiteur Localisation du visiteur par interprétation d’un signal lumineux différencié lu par les récepteurs situés dans le device (caméras) De la même manière que le Bluetooth, le li-fi nécessite l’installation d’une application enseigne pour interpréter le signal et générer de l’activation Echantillon Grâce à un module intégré dans l’application de l’enseigne, décodage par le device du visiteur de signaux ultra-sons permettant sa localisation dans le point de vente et le déclenchement de contenus contextualisés en mode push Ne nécessite pas nécessairement d’installation hardware supplémentaire : diffusion des signaux par haut-parleurs traditionnels Visiteur / individu Possible (si application installée) Oui Echantillon Individu Possible (si application installée) Oui Technologie : le device mobile du visiteur doit être équipé d’un récepteur capable de décrypter les informations transmises par le li-fi Utilisateur : le visiteur doit avoir téléchargé l’application dédiée (+opt-in) Technologie : l’application doit être active ou en veille pour déclencher des interactions ULTRASONS (WATERMARKING)LI-FI SYSTÈME COLLECTE FONCTIONNEMENT Échantillonnage Granularité Identification Temps réel CONTRAINTE Modélisation et reconstitution de l’espace en 3D grâce à la combinaison de capteurs optiques et inertiels depuis un périphérique mobile Géolocalisation du visiteur grâce à une reconstitution en 3D du point de vente et ajout d’informations contextuelles dans l’espace visualisable par le visiteur sur son device, en plus d’une fonction GPS in-store Echantillon Individu Oui Oui Technologie : le device du visiteur doit être équipé de cette technologie 3D SPATIAL LEARNING
  21. 21. Converteo – Livre blanc Data in store – En quelques mots … 21 Pour de la maîtrise d’affluence et la gestion de file d’attente Les technologies de comptage constituent l’option la plus logique car il n’y a pas d’échantillonnage Pour de l’analyse comportementale Les systèmes de caméras permettent la mesure d’interactions et de flux sur des zones précises, sans reconstruction de parcours unique, mais doivent être croisées avec un plan du point de vente à jour Pour de l’activation pendant et après visite Les technologies beacon et wi-fi sont les plus utilisées mais souffrent encore d’un niveau d’échantillonnage élevé : seule une partie de la population peut être détectée et activée
  22. 22. Le challenge de l’identification du visiteur : le pont de la collecte vers l’activation 2
  23. 23. Converteo – Livre blanc Data in store – L’identification du visiteur comme un individu unique propriétaire d’un moyen d’interaction, fait passer de l’analytics seul à la possibilité d’activation in store 23 COMPTAGE GROUPE Groupe de visiteurs soumis au risque d’effet de groupes COMPTAGE COMPORTEMENTAL VISITEUR UNIQUE VISITEUR ACTIVABLE CLIENT Visiteur rendu unique mais anonyme (non identifié) : pas d’identification ni d’activation Visiteur avec Wi-Fi ou Bluetooth activé par défaut et application enseigne installée : possibilité d’activation Visiteur unique et identifié comme client : réconciliation entre comportemental et transactionnel Détection d’un visiteur par son « empreinte » corporelle ou un ID unique Synchronisation Wi-Fi / Bluetooth et application Actions temps réel : notifications push, retargeting Entrée magasin PARCOURS / ACTIVATION
  24. 24. Converteo – Livre blanc Data in store – L’identification est favorisée par les devices mobiles et les applications enseigne qui transmettent par leurs interactions avec les technologies in store des identifiants uniques : adresse mac, email, … 24 TECHNOLOGIES UTILISÉESIDENTIFIANTUNIQUE SYSTÈME CAISSE BORNE MAGASIN APP MOBILE CAPTEURS WI-FI Carte de crédit N° carte de fidélité Nom / Prénom / Adresse Adresse email Coupon avec ID unique Advertising ID / Cookie Adresse MAC (wi-fi) *La technologie beacon ne collecte pas d’identifiant unique car elle utilise le device comme récepteur et non émetteur, c’est l’application qui analyse le signal des beacons et détermine les actions à effectuer via une connexion application – serveur. *
  25. 25. L’exploitation de la data collectée in store : illustrations et cas d’usage 3
  26. 26. Converteo – Livre blanc Data in store – Les cas d’activation de la data in store sont variés et dépendent toujours des technologies choisies 26 Connaissance client au service de la stratégie Monétisation des données collectées • Marketing mix : optimisation des leviers offre, promotion, prix, merchandising en fonction des interactions des visiteurs • Segmentation des visiteurs identifiés et des clients sur la fréquence et le panier online et offline • Optimisation des plans de masse sur la base des parcours et conversion • Prévisions et logistique en fonction de l’affluence en temps réel • Insight sharing : monétisation des données aux partenaires pour la connaissance client et les campagnes • Valorisation des points de vente : optimisation du calcul des montants des baux commerciaux et des loyers Activation des visiteurs avec des campagnes • Acquisition et média : retargeting en point de vente ou géolocalisé • Marketing relationnel : personnalisation et contextualisation des messages (timing et contenu) pré et post achat • Cross-canal : gestion de la pression cross-canale
  27. 27. Converteo – Livre blanc Data in store – Un des rares exemples de déploiement à grande échelle : WoolWorths, un POC sur le Click & Collect à Sidney avant déploiement sur 254 points de vente 27 OPTIMISATION DE LA PRÉPARATION ET DU RETRAIT CLICK & COLLECT OBJECTIF TECHNOLOGIES UTILISÉES MÉTHODE KEY LEARNINGS • Un choix de technologie qui vient soutenir une démarche marketing et non l’inverse • Une démarche qui vise à améliorer l’expérience client plutôt qu’à tester une technologie • Un volontarisme dans le POC et le déploiement (obsolescence de la technologie inconnu, coûts importants…) • Organisation interne • Changement des process de travail des équipes • Investissement dans la solution • Une démarche « test & learn » : déployé au départ sur une application mobile dédiée, la fonctionnalité sera désormais directement intégrée dans l’application de l’enseigne Augmenter la satisfaction client en réduisant l’attente entre l’arrivée en point de vente et le retrait des achats en Click & Collect Suivi de parcours et activation via beacon • Lorsqu’un client vient pour retirer sa commande Click & Collect et qu’il arrive dans une zone spécifique du point de vente, un message prévient les équipes pour qu’elles préparent la commande (pratique autrement appelée « géofencing ») • Une fois la commande préparée, une notification push déclenchée par la technologie beacon prévient le client que sa commande est prête • Un choix de technologie pour soutenir une démarche marketing et non l’inverse • Un volontarisme dans le POC et le déploiement (obsolescence de la technologie inconnue, coûts importants, …) : • Organisation interne • Changement des process de travail des équipes • Investissement dans la solution • Une démarche « test & learn » : déployée au départ sur une application mobile dédiée, la fonctionnalité est maintenant directement intégrée dans l’application de l’enseigne DESCRIPTION La remise d’une commande Click & Collect pour des produits alimentaires nécessite toujours un délai de préparation, lié aux différents modes de stockage des produits (frais, surgelé, sec…) Ces temps de préparation et d’attente pour le client ont été identifiés comme des irritants par WoolWorths
  28. 28. Converteo – Livre blanc Data in store – 28 Source :http://www.rsrresearch.com/research/what-video-analytics-can-do DESCRIPTION Développer les ventes grâce à un meilleur merchandising : A/B test de plan d’implantation Analyser les réactions des visiteurs au niveau du produit (trafic, temps d’arrêt, prise en main) Optimiser le staffing grâce au comptage de personnes Granularité : agrégat (anonymisation de la donnée) Flux vidéos des parcours de visiteurs en magasin Données de système de caisse pour performance des ventes http://www.lsa-conso.fr/comment-les-terrasses-du-port-exploitent-le-potentiel-du-beacon,207025 Le centre commercial Les terrasses du port à Marseille a déployé 250 beacons de la société Match2blue sur 61 000 m² L’application Les Terrasses du Port PLUS permet aux 160 enseignes de pousser des notifications publicitaires ciblées aux utilisateurs opt-in en fonction de leurs parcours et intérêts renseignés lors du paramétrage L’application doit être téléchargée et le bluetooth actif sur le device de l’utilisateur pour que les signaux des beacons soient interprétés Via un système de gestion de contenu (CMS) commun, les enseignes gèrent de façon autonome le contenu qu’elles diffusent aux clients CENTRE COMMERCIAL LES TERRASSES DU PORT Ajuster le pricing des baux commerciaux grâce à l’analyse des parcours visiteurs (temps de visite, taux de fréquentation, zone froide ou chaude) Créer de l’engagement en boutique grâce à des promotions ciblées Offrir un service supplémentaire en permettant aux visiteurs de se localiser dans le centre commercial Granularité : visiteur identifié (grâce à l’application) Signaux beacons permettant la géolocalisation dans le centre commercial Données CRM collectées lors de la configuration de l’application OBJECTIFSDONNÉES La chaîne de confiserie américaine Lolli and Pops a mis en place un système d’analyse vidéo Prism Skylabs dans son réseau de magasins Le dispositif Prism Skylabs interprète les mouvements flux vidéos des caméras de sécurité existantes en identifiant les déplacements des individus Les résultats sont accessibles dans une interface à un niveau de restitution agrégé (pas de données brutes) sous forme de cartes de chaleur (heatmaps) D’autres exemples de cas d’usage déployés à plus petite échelle
  29. 29. Converteo – Livre blanc Data in store – Sous-titre Cas d’usage d’exploitation de la data collectée en point de vente 29
  30. 30. Converteo – Livre blanc Data in store – Cas d’usage média et CRM Identifier un client qualifié pour mobiliser les ressources magasin nécessaires 30 OBJECTIFS Identifier un visiteur engagé dès son arrivée ENJEUX BUSINESS • Augmenter la conversion via la vente assistée : recommandation personnalisée par un vendeur GRANULARITÉ Individu TECHNOLOGIES UTILISÉES Suivi de parcours : beacon, wi-fi … MÉTHODE Identification dès l’entrée en magasin d’un visiteur connu et qualifié comme étant appétent à une catégorie de produit (par exemple sur la base de son historique de navigation ou ses transactions précédentes) Mobilisation d’un vendeur dès l’arrivée en magasin du visiteur RESULTATS ATTENDUS • Hausse du taux de conversion des visiteurs • Capacité à mobiliser efficacement les ressources du point de vente
  31. 31. Converteo – Livre blanc Data in store – Cas d’usage média et CRM Autres cas d’usage orientés média et CRM à des fins d’activation des visiteurs 31 OBJECTIFS • Développer la conversion cross-canale • Favoriser la re-visite TECHNOLOGIES UTILISÉES Suivi de parcours : beacon, wi-fi … MÉTHODE Sur la base des univers produits visités lors du dernier passage en point de vente, envoi d’un email promotionnel ou de retargeting RELANCE POST-VISITE GRANULARITÉ Individu DRIVE TO STORE • Augmenter la fréquence de visite de visiteurs qualifiés • Développer la conversion cross-canale Envoi d’une communication personnalisée basée sur l’historique de navigation n’ayant pas généré de conversion lorsque le visiteur est à proximité du point de vente Suivi de parcours : beacon, wi-fi … Individu
  32. 32. Converteo – Livre blanc Data in store – Identifier les zones « clés » du point de vente Cas d’usage connaissance client Mesurer l’attractivité du linéaire pour impacter le plan de masse 32 • Optimiser le merchandising : mise en avant, plan d’implantation, organisation du linéaire Agrégat Analyse comportementale : caméras 3D, imagerie thermique Analyse des zones devant lesquelles les temps d’arrêt sont les plus importants et les zones d’interaction visiteur / linéaire comme de la prise en main de produit • Zones froides / chaudes en termes de trafic et d’interactions • Répartition du trafic (part des visiteurs) par zone du magasin OBJECTIFS ENJEUX BUSINESS GRANULARITÉ TECHNOLOGIES UTILISÉES MÉTHODE RESULTATS ATTENDUS
  33. 33. Converteo – Livre blanc Data in store – Cas d’usage connaissance client Comprendre les circulations des visiteurs dans le point de vente 33 • Reconstituer les parcours et évaluer leur « efficacité » • Détecter des centres d’intérêt Suivi du déplacement de visiteurs uniques et identifiés pour segmenter les parcours en fonction de facteurs : conversion, trafic, durée, … PARCOURS CLIENT AFFLUENCE • Gérer les files d’attente • Optimiser l’affectation des ressources en période d’affluence Comptage du nombre de visiteurs dans des zones « stratégiques » du point de vente pour allouer les ressources : vendeurs, caisses, … Suivi de parcours + données sortie de caisses Comptage : faisceaux, caméras de surveillance Individu Agrégat OBJECTIFS TECHNOLOGIES UTILISÉES MÉTHODE GRANULARITÉ
  34. 34. Converteo – Livre blanc Data in store – Cas d’usage monétisation des données collectées S’appuyer sur de la donnée chaude pour du RTB ou de la donnée froide pour poser les bases d’un dispositif d’insight sharing 34 Monétiser une audience qualifiée et localisée Mise aux enchères en temps réel des profils des visiteurs présents et adressables dans le point de vente sous forme d’audience pour le retargeting ou le display in store MÉDIAS POUR RTB INSIGHT SHARING Proposer un service à forte valeur ajoutée pour des entreprises partenaires Partage des données agrégées sur le trafic dans un centre commercial ou devant un linéaire pour que les marques proposent des projets de transformation : trade marketing, merchandising, mise en avant, … Suivi de parcours Beacon, Wi-fi … Suivi de parcours Beacon, Wi-fi … Individu Individu OBJECTIFS TECHNOLOGIES UTILISÉES MÉTHODE GRANULARITÉ
  35. 35. Intégrer le projet « Data in store » dans l’entreprise 4
  36. 36. Converteo – Livre blanc Data in store – Panorama des acteurs du marché Les acteurs de l’univers data et marketing in-store se répartissent entre fabricants de matériels, intégrateurs et solutions d’analytics, et parfois cumulent plusieurs de ces rôles 36 A noter : certains des acteurs répertoriés ci-dessus peuvent posséder leur propre technologie et proposer des solutions d’intégration Nous avons choisi de lister les principaux fournisseurs de solutions analytics en les classant selon le type d’exploitation de données : COMPTAGE SIMPLE ANALYSE COMPORTEMENTALE SUIVI DU PARCOURS ACTIVATION WI-FI/ BLUETOOTH CAMÉRAAUTRES (Glimr) (Kairosfire)
  37. 37. Converteo – Livre blanc Data in store – Ecosystème Data & Marketing La data in store, une brique de valeur supplémentaire dans l’écosystème data de l’entreprise 37 Content management system (CMS) Etudes marketing Campagnes relationnelles et marketing (Email, SMS) CRM Logistique Plans merchandising RH et planning Webanalyse : trafic (visites) et comportement (interactions) A/B test Session replay Campagnes d’acquisition payantes : online et offline Météorologie Géolocalisation Mobile Système de caisse Programme de fidélité Caméra Wi-fi Bluetooth Ecosystème media (DSP / SSP) Data Management platform (DMP) Digital Asset Management Marketing automation CRM Data management & storage Business intelligence et webanalytics Campaign management CRM & Data onboarding
  38. 38. Converteo – Livre blanc Data in store – Impacts sur l’entreprise Au-delà des défis, les mutations en point de vente engendrées par une meilleure exploitation de la donnée et en temps réel vont poser des challenges métiers, techniques et organisationnels 38 MÉTIER ORGANISATIONNELTECHNIQUE • Impact sur la gestion du point de vente et des baux commerciaux : allocation de m² en fonction du trafic potentiel • Indépendance accrue des points de vente en terme de stratégie in store et d’analytics • Gestion de la pression marketing sur les visiteurs identifiés notamment sur le retargeting offline post visite en point de vente • Challenge de l’augmentation de la part des visites captées par des technologies d’analyse de parcours : bluetooth, wi-fi, … • Mise à jour agile et automatique des plans de chaque point de vente via le spatial learning pour maintenir la qualité des résultats de l’analytics in store • Déduplication des visites entre les points de vente via l’identification • « Désilotage » de la donnée afin de développer une vision client 360° unifiée entre online et offline • Redéfinition du métier de vendeur / conseil en point de vente • Flexibilisation des horaires et des plannings en fonction de l’affluence • Intégration des contraintes légales de l’exploitation de la donnée individuelle dans les équipes analytics et métier
  39. 39. Converteo – Livre blanc Data in store Alexandre MARROT Consultant Senior @ ama@converteo.com D +33 ​1 85 09 72 96 Pierre-Eric BENETEAU Manager @ peb@converteo.com M +33 6 43 50 09 58 D +33 1 84 16 06 69 Florian MARTINEZ Consultant Senior @ fml@converteo.com D +33 1 85 08 40 85 Thomas GORGET Consultant @ tg@converteo.com D +33 ​1 85 09 72 96 Thomas FAIVRE-DUBOZ Directeur Associé et Fondateur @ tfd@converteo.com M +33 6 33 68 34 85 D +33 1 84 16 06 61 LES AUTEURS :

×