À l’occasion du salon Big Data & AI Paris 2021, Dimitri Sculy-Logotheti, en charge des solutions Monoprix Plus et e-commerce alimentaire de Monoprix, a expliqué comment des algorithmes de machine learning aident l’enseigne à améliorer la gestion des produits manquants sur son activité e-commerce alimentaire. (Photo CIO DR)
En 2020, le e-commerce alimentaire a explosé. Chez Monoprix, les livraisons à domicile ont ainsi augmenté de 166% sur cette période. Pour l’enseigne, l’expérience offerte aux clients en ligne est d’autant plus essentielle. La manière de gérer les produits manquants ou en rupture fait partie des éléments qui influencent cette expérience, jouant directement sur la satisfaction des clients. Pour le distributeur, c’est aussi un facteur important en termes de rentabilité. En effet, dans les commandes en ligne, les coûts de distribution restent fixes. Dans ce contexte, chaque produit ajouté au panier compte pour obtenir un résultat opérationnel positif. Pour répondre à ce double enjeu, Monoprix souhaitait proposer les meilleurs produits de substitution quand un produit n’est pas disponible. Dans ce but, l’enseigne a développé avec son partenaire Relevanc des algorithmes de machine learning, afin d’identifier plus facilement des produits équivalents dans un assortiment de plus de 30 000 références. Dimitri Sculy-Logotheti, en charge des solutions Monoprix Plus et e-commerce alimentaire de Monoprix, ainsi que Clément Contamine, senior vice-président solutions chez Relevanc, ont détaillé cette approche lors du salon Big Data & AI Paris 2021.
« Nous distinguons deux cas d’usage », a expliqué Dimitri Sculy-Logotheti. Dans le premier cas, le client est en train de constituer son panier sur le site. Celui-ci s’actualise et l’enseigne constate que certains produits seront en rupture au moment du passage de commande. « Dans ce cas, il s’agit de trouver des propositions de remplacement parmi les produits en stock dans l’entrepôt », a poursuivi Dimitri Sculy-Logotheti. Le but est de suggérer des produits équivalents en termes de prix et de catégorie, afin d’avoir le panier le plus élevé possible au moment de la commande. Dans le second cas, le client a déjà passé commande, et un produit promis manque à l’appel pour diverses raisons. « Dans un tel cas, il est parfois préférable de ne rien offrir en remplacement, par exemple si le produit manquant est un vin très spécifique. Sinon, nous proposons un produit de substitution à la livraison, en nous limitant à la suggestion la plus pertinente. Le client a alors le choix d’accepter ou non celui-ci », a décrit le responsable des solutions e-commerce alimentaire. Ces deux cas d’usage sont très différents. Sur le premier, le client a le choix, ce qui autorise davantage de latitude sur les produits proposés. Sur le second, la prise de risques possible est bien moindre, car une proposition non pertinente peut nuire à l’image de marque de l’entreprise. « Il faut donc trouver le bon équilibre », a souligné Clément Contamine.
Mais les données sont dans la tête du client
En raison du nombre de références, il était indispensable d’automatiser autant que possible le processus d’identification des produits de substitution. Les équipes de Monoprix et Relevanc ont donc décidé de recourir à l’intelligence artificielle pour bâtir une telle fonctionnalité. Mais quelques difficultés ont surgi. « En magasin, tout se passe dans la tête du client, il trouve lui-même les produits de remplacement. Il existait donc très peu de données disponibles pour apprendre », selon Clément Contamine. La phase d’apprentissage s’est donc révélée complexe, d’autant que selon les produits les caractéristiques importantes varient.
[…]
