EXPERTISE + LIBERTÉ
= OPINIONS

Comment se mettre au Big Data pour les FMCG ?

Publié le
17/4/2018
|
Mercedes Sgobba
|
Big Data
Publié le
17/4/2018
Mercedes Sgobba
|
Big Data

Les FMCG sont aussi concernés par le Big Data

Les annonceurs FMCG (Fast-Moving Consumer Goods), s’ils sont le plus souvent privés de la donnée transactionnelle ne sont pas pour autant des novices de l’utilisation de la data. Leurs équipes marketing et commerciales ont développé une grande maitrise dans l’analyse des données, grâce entre autres aux données des panels IRI & Nielsen de leur marché de référence. Leurs équipes supply chain ne sont pas en reste, et exploitent la data notamment dans les prévisions de ventes (en fonction des prévisions météo par exemple), dans les volumes de promotion, les changements de prix et les investissements en communication.

Cependant il est évident que la granularité des données consommateurs liées aux données transactionnelles échappe en grande partie aux sociétés de grande consommation. Ces données sont collectées par les retailers (enseigne de distribution) et les tentatives de collaboration ont été, jusque-là, relativement peu fructueuses.

Alors, existe-t-il un intérêt pour un acteur FMCG à mener des projets Big Data ? La réponse est clairement OUI. Mais, une attention forte doit être portée sur les conditions de réussite de ce projet. Cette réussite conditionne en effet la rentabilité d’investissements importants pour collecter ou acquérir plus de données.

La Data – toute seule - ne parle pas.

La Data, interne ou externe, ne peut donner sa valeur qu’en répondant à une question bien posée. Et cette question est toujours une « question métier » : donc une question marketing, commerciale, supply chain ...

Pour pouvoir bien poser cette question, il est fondamental que les fonctions business (marketing, commercial, supply chain, RH…) et les fonctions techniques (les data scientistes, les IT, les ingénieurs de la data…) parlent le même langage et travaillent main dans la main. Cela n’est hélas pas le cas le plus fréquent car, souvent, ces deux populations ont des formations ou un background professionnel différents. Il est donc impératif d’étoffer le niveau de connaissance du B-A-BA de la Data, du Machine Learning, (voire de l’Intelligence Artificielle) et des outils pour faciliter le dialogue.

Et pour faciliter encore cette collaboration, des ateliers de sensibilisation et de partage de problématiques sont nécessaires. Il est par exemple fondamental, de se mettre d’accord en amont sur les KPI (chiffre d’affaires, rentabilité, taux de recrutement ou fidélité) qui serviront à l’analyse et à l’évaluation du projet Data. Il est conseillé de ne pas inventer de nouveaux KPI ; l’effet sur les KPI connus et réputés de l’entreprise démontrera, même aux plus réticents, l’impact économique de ce nouveau projet Data.

Penser Lean

Pas besoin de grand volume de données pour se lancer, et pas nécessaire d’avoir d’énormes structures technologiques pour faire du prédictif, on peut commencer avec des technologies disponibles en open source (c’est-à-dire, accessibles sur le net et libres de droit) et des outils disponibles en cloud. Ce qui est primordial c’est le choix de cas d’usage mobilisant de la data qui est à la fois fraiche, accessible et exploitable. Par contre, il faut penser ‘industrialisation’ dès le démarrage et lancer des cas pour lesquels cette ‘industrialisation’ est possible rapidement.

En somme, éviter des projets trop longs et préférer des projets qui permettent de donner des résultats business exploitables dès 3-4 mois.

Impact organisationnel

Le lancement d’un projet Data a de forts impacts organisationnels et demande un très fort soutien de la Direction Générale. La Data est partout en entreprise, divisée sur plusieurs départements : la DSI, le marketing, le commercial, le service consommateurs, la direction financière, et autres. La data est de plus silotée en fonction de sa collecte et de ses usages. Mais, selon la question, il peut être intéressant voir indispensable de créer des ponts entre ces silos. Pour tirer le maximum de valeur de chaque projet Data, il peut être alors judicieux de centraliser celle-ci dans une approche transversale pour tous les services. Ce projet Data exige en plus du changement technologique, in fine, un changement culturel et organisationnel.

Autour de ces questions et uses cases auxquels la data doit apporter une réponse, des équipes transversales, rassemblant a minima : les ‘métiers’, les Data scientist, les équipes IT et les fonctions juridiques doivent être construites et partager le même langage. Comme ce fut le cas dans le passé pour le ‘digital’, les compétences de Data Science passeront d’une équipe unique et centrale à une intégration dans chaque équipe marketing, commercial, finance, supply chain, production RH, …

Cas de l’optimisation du Marketing Mix Modeling

Dans le secteur des FMCG, l’absence pour une large part de ventes directes rend la mesure de la performance d’action Marketing moins aisé. Hors, les Directions Générales, Marketing ou Financière doivent bien suivre l’impact sur les ventes de leurs différents leviers : communication télé ou digitale, ajustement des prix, pression promotionnelle ou éléments externes comme la météo ou la pression de la concurrence.

En exploitant l’ensemble des données disponibles pour chaque levier, des analyses permettent d'isoler le ROI et l’impact croisé de chaque action du Marketing Mix Modeling. Ces drivers peuvent être étudiés au niveau macro (la télé, les prix…) ou à un niveau plus fin : campagne publicitaire, par type de promotion (format produit, réduction de prix ...), canaux de distribution …

« Le Marketing Mix Modeling permet d’expliquer les ventes passées et aide ainsi les DG, les Directions Financière ou Marketing à piloter le futur. On peut valider par exemple le meilleur mix marketing et commercial pour la saison à venir ou, autre exemple, si investir davantage sur un pays A vs un pays B contribuera davantage à la performance financière de la division d’un groupe » nous dit François Poitrine co-fondateur et Directeur Général d’Ekimetrics. Société française de datascience qui compte parmi ses clients des grands acteurs FMCG comme L’Oréal, Coca-Cola UK & Heineken.

Dans un monde où les consommateurs sont hyper connectés et où le progrès technologique transforme tous les métiers et les secteurs, les FMCG ont tout intérêt à promouvoir en interne une culture Data et à initier des projets, dans la plupart des départements.

La Data (Big ou Small) aura dans toutes les entreprises, le même impact qu’a eu l’arrivée du digital il y a 15 ans. La meilleure façon de savoir comment s’y mettre et de commencer à jouer et à apprendre. La bonne nouvelle est qu’il y a de nombreuses sociétés déjà data-driven et qui ont expérimenté l’utilisation stratégique et opérationnelle de la Data, autant de sources d’inspiration et de modèles à suivre.

Photo de Mercedes Sgobba

Auteur : Mercedes Sgobba

Après une grande expérience dans les FMCG (elle a été VP Marketing chez Danone & Coca-Cola) et sa certification de Data Scientist à l’ENSAE, collabore aujourd’hui avec plusieurs cabinets en Data (dont Keley-Data). Convaincue du besoin de démocratiser la connaissance de la Data en entreprise, Mercedes enseigne au mastère « Data Strategy » de Mediaschool et elle a conçu et produit le cours d’e-learning « Big Data : comprendre les opportunités de la Data en entreprise » en collaboration avec HubInstitute.   https://formation-elearning.hubinstitute.com/p/big-data/

Contactez-nous
Partager cet article:

Inscrivez-vous à La newsletter keley

Recevez tous les mois nos paroles d'experts et l'actualité du digital dans notre newsletter.

Merci ! Votre message a bien été envoyé.
Désolé ! Votre message n'a pu être envoyé.