Post on 23-Jan-2018
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
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
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.
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 ».
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
WE
BA
NA
LY
TIC
SIN
ST
OR
E A
NA
LY
TIC
S
Les indicateurs exclusifs à la webanalytics et analytics in-store sont en orange ci-dessous
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.
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)
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
ANALYTIQUEDécompte 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 CAMÉRASMOBILIER
CONNECTÉ
FAISCEAUX
(BEAMS)IMAGERIE
THERMIQUECAMÉRAS 3D
CAPTEURS
WI-FIBEACON
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
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 cmLimité 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.)
Converteo – Livre blanc Data in store –
Sous-titre
Les principes analytiques des différentes technologies
13
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
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 récepteurSYSTÈME
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
CO
LL
EC
TE
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
Converteo – Livre blanc Data in store –
Technologies d’analyse comportementale
Le retraitement des enregistrements rattachent les comportements à la signature d’un visiteur
16
TrajetArrêt / pause
(dwell time)Meuble ou
linéaire
ENREGISTREMENT DE LA VISITE ET DES INTERACTIONSPRINCIPE TECHNIQUE
HauteurVitesse
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.
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
CO
LL
EC
TE
FONCTIONNEMENT
Échantillonnage
Granularité
Identification
Temps réel
CONTRAINTE
17
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 BeaconEnvoi
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
CO
LL
EC
TE
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
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
CO
LL
EC
TE
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
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
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 GROUPEGroupe 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
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 UTILISÉESID
EN
TIF
IAN
T U
NIQ
UE
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.
*
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 stratégieMonétisation 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
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
DESCRIPTIONLa 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
Converteo – Livre blanc Data in store – 28
Source :http://www.rsrresearch.com/research/what-video-analytics-can-do
DE
SC
RIP
TIO
N
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 COMMERCIALLES 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
OB
JE
CT
IFS
DO
NN
ÉE
S
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
Converteo – Livre blanc Data in store –
Sous-titre
Cas d’usage d’exploitation de la data collectée en point de vente
29
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
UTILISÉESSuivi 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
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
UTILISÉESSuivi 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
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
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
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
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 /
BL
UE
TO
OT
HC
AM
ÉR
AA
UT
RE
S
(Glimr)
(Kairosfire)
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
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
Converteo – Livre blanc Data in store
Alexandre MARROTConsultant Senior
@ ama@converteo.com
D +33 1 85 09 72 96
Pierre-Eric BENETEAUManager
@ peb@converteo.com
M +33 6 43 50 09 58
D +33 1 84 16 06 69
Florian MARTINEZConsultant Senior
@ fml@converteo.com
D +33 1 85 08 40 85
Thomas GORGETConsultant
@ tg@converteo.com
D +33 1 85 09 72 96
Thomas FAIVRE-DUBOZDirecteur Associé et Fondateur
@ tfd@converteo.com
M +33 6 33 68 34 85
D +33 1 84 16 06 61
LES AUTEURS :