K:\Documents\PAPERS\Finished\RF de Gestion\rf_de_gestion

Scanners: Utilisation de bases de données à des fins stratégiques
Xavier Drèze
University of Southern California
October 4, 2001
Xavier Drèze
Docteur en Philosophie, Professeur Assistant à l'University of Southern California (Los Angeles),
où il enseigne le marketing. Auparavant, il a été directeur MIS pour le centre de recherche en
micro-marketing de l'Université de Chicago. Il est l'auteur de plusieurs publications traitant de
problèmes stratégiques dans le domaine de la grande distribution.
Le déploiement des systèmes informatiques met un important volume de données à la
disposition des dirigeants d'entreprises. Nous proposons dans cet article une méthodologie pour
augmenter la quantité d'information contenue dans ces données. Nous montrons comment,
grâce à des expérimentation sur le terrain, ces données peuvent être utilisées de manière
stratégique pour une meilleure prise de décision tant à long qu'à court terme. Nous illustrons
ensuite notre méthodologie en relatant les résultats de deux tests effectués dans une chaine
américaine de supermarchés.
Remerciement
L'auteur désire remercier Dominick's Finer Food et IRI pour l'aide qu'ils ont apportée
durant les tests décrits dans cet article; Stephen J. Hoch et Mary E. Purk pour leur collaboration
et support; Jean-François Fagnart (IRES-UCL) et Christophe Ferrari (IRI-SECODIP) pour leurs
commentaires.
Introduction
Les années 90 sont les années de l'information. L'omniprésence des systèmes
informatiques permet de mesurer et enregistrer tout ce qui se passe à tout moment et en tout lieu.
Que ce soit la température au sommet de la tour Eiffel, le nombre de touristes qui se présentent
aux portes d'Eurodisney ou encore le prix du kilo d'oranges en Floride.
Dans cet article, nous proposons une méthodologie qui permet d'exploiter cet afflux
d'informations et facilite la prise de décision des gestionnaires d'entreprise, que ce soit pour la
gestion quotidienne ou pour la prise de décision à long terme. Nous commençons par décrire
différents niveaux de classifications de données. Nous proposons ensuite d'appliquer une
méthodologie d'expérimentation sur le terrain pour augmenter la quantité et qualité d'information
contenue dans les données brutes. Enfin, nous utilisons notre expérience dans le domaine de la
grande distribution pour illustrer les concepts présentés. A cette fin, nous décrivons deux études
empiriques menées dans l'une des plus grandes chaines de supermarchés de Chicago. La
première étude porte sur l'assortiment et l'agencement des rayons, la seconde porte sur
l'optimisation des prix de détail. Le secteur de la grande distribution représente un parfait
exemple car la généralisation de l'usage des scanners aux caisses d'enregistrement a transformé
les supermarchés en l'un des plus grands producteurs de données brutes (une chaîne de taille
moyenne produit plus d'un Giga-Octet de données par mois).
1
Typologie des données
Nous divisons l'univers des données en trois niveaux (Tableau 1). Chaque niveau est
construit à partir des niveaux inférieurs, et apporte aux managers un niveau de connaissance plus
élevé. A la base (Niveau 0), nous avons les données brutes. Ces données brutes sont un simple
enregistrement d'évênements passés. Un détaillant, par exemple, enregistrera pour chaque
produit le nombre d'unités vendues chaque semaine, les prix de vente et d'achat. Ces données
sont de type comptable et contiennent peu d'information en elles-mêmes. En effet, savoir que 20
caisses de Coca-Cola ont été vendues par ce détaillant la semaine du 14 Juillet nous apprend peu
de chose. Nous ne savons pas si ces 20 caisses représentent un niveau de vente élevée ou
médiocre. Nous ne savons pas non plus comment le détaillant se compare vis à vis de ses
concurrents. Pour établir ce genre d'information, nous devons passer au niveau 1.
Niveau
Donnés
Usage
Outils
Attitude
0
Données Brutes
Descriptif
Base de Données
Passive
1
Données Analysés
Contrôle
Analyse Statistique
Réactive
2
Données Expérimentales
Stratégique
Expérimentation
Active
Tableau 1: Typologie des données
Le passage du niveau 0 au niveau 1 se fait en structurant les données de façon à décrire
une situation passée. On peut ensuite utiliser des outils statistiques tels que la régression ou
l'analyse de variance pour répondre à des questions simples quant à la performance des actions
passées. Par exemple, une série chronologique nous permet d'examiner l'évolution des ventes
des 5 dernières années et de situer les 20 caisses vendues la semaine du 14 Juillet par rapport aux
2
ventes attendues. De la même manière, l'évolution de notre part de marché nous permet de juger
notre performance par rapport à la concurrence.
L'analyse d'événements passés est certainement utile pour évaluer la réaction du marché à
une politique de vente donnée, mais elle est très limitée puisqu'elle ne permet pas de répondre à
deux questions fondamentales: Pourquoi le marché réagit-il ainsi? Comment réagirait-il si nous
suivions une politique différente?
Seule une manipulation expérimentale et scientifique des variables du "Marketing Mix"
nous permettra de recueillir les informations nécessaires pour répondre à ces questions. Cette
expérimentation est la clef d'accès au niveau 2. Ces expériences peuvent être menées soit en
laboratoire soit directement sur le terrain. Les expériences en laboratoires permettent de
contrôler toutes les variables de l'environnement et de mesurer le comportement des sujets de
manière précise. Il est malheureusement impossible de mener ces expériences dans des
conditions identiques à la réalité, et les résultats obtenus ont généralement peu de validité
externe. Les résultats sont donc d'un intérêt limité lorsqu'il s'agit de les transposer en action
manageriale concrète. Aussi préconisons-nous la conduite d'expérimentations sur le terrain, à
l'insu des consommateurs. Cela nous permet de mesurer la réaction des consommateurs face à
des choix qu'ils font de manière courante et dans un état d'esprit non altéré par les
expérimentations que nous conduisons.
Méthodologie
Un des problèmes inhérant aux expérimentations sur le terrain est qu'il est impossible de
contrôler de manière efficace l'environnement des consommateurs. Par exemple, si nous voulons
3
étudier leur réaction à un nouveau type de promotion, nous pouvons manipuler l'activité
publicitaire et le niveau des prix de la chaîne de distribution que nous utilisons pour nos tests,
mais nous sommes totalement incapables de contrôler le comportement des chaines concurrentes.
Si un des concurrents décide de changer sa stratégie de prix au moment où nous réalisons nos
tests, nos résultats perdront de leur validité. Aussi, un grand soin doit être pris lors de la
planification des tests pour s'assurer que les résultats obtenus soient robustes. A cette fin, nous
utilisons une méthode de double contrôle chaque fois que nous effectuons nos tests.
L'opérationalisation du double contrôle se fait de la manière suivante. Supposons qu'une
chaine de supermarchés veuille savoir si elle pourrait augmenter ses revenus en baissant ses prix
de 10%. Pour répondre à cette question, nous répartissons, de manière aléatoire, les magasins de
la chaine de supermarchés en deux groupes. Le premier groupe (Contrôle) demeurera inchangé
durant le test. Dans les magasins du second groupe (Test), nous diminuerons les prix de 10%
durant la phase expérimentale. Une fois cette répartition faite, nous commençons par collecter de
6 mois à un an de chiffres de vente et de profit pour chaque magasin (sans changer la politique de
prix). Ces données constituent la partie historique de l'analyse. Un fois que nous avons récolté
suffisamment de données historiques, nous changeons les prix dans les magasins faisant partie du
groupe "Test," tout en gardant les prix des magasins du groupe "Contrôle" inchangés. Nous
collectons ensuite une nouvelle série de 16 à 24 semaines de données. Ces dernières données
constituent la partie expérimentale de l'analyse. En comparant, pour chaque groupe de magasins,
4
la différence de revenus entre la période historique et la période expérimentale nous pouvons
dégager l'effet net du test de la manière suivante:
Historique
Expérimentale
Test
Xht
Xet
Contrôle
Xhc
Xec
Tableau 2: Résultats Expérimentaux
Augmentation des ventes due au test (en %):
Δ% X etX ht
X ht
X ecX hc
X hc
x 100%
où Xij est la moyenne des ventes pour les magasins de type j (t
Test,
c
Contrôle) pendant la période i (h
Historique, e
Expérimentale)
De cette manière, il est possible de compenser les différences de tailles des magasins (en
divisant chaque terme par les ventes durant la période historique) et les changements de
l'environnement (en comparant le changement pour les magasins "Test" au magasins
"Contrôle"). D'où le nom de double contrôle.
L'importance de ce double contrôle peut être mise en valeur par un exemple chiffré.
Supposons toujours que nous désirions évaluer le gain potentiel d'une baisse de prix de 10%. A
cette fin, nous divisons nos magasins en deux groupes (Test et Contrôle). Après avoir collecté
26 semaines de données historiques, nous baissons les prix de 10% dans les magasins "Test," et
collecté 26 semaines de données expérimentale. Le revenu moyen hebdomadaire des magasins
de chaque groupe pour chaque période est repris dans le Tableau 3 (en millions de FF).
5
Historique
Expérimentale
Test
80
87
Contrôle
78
75
Tableau 3: Revenu hebdomadaire
Ce tableau illustre deux problèmes que l'on évite grâce au double contrôle. D'une part,
comme on peut le voir en comparant le revenu moyen des magasins durant la période historique,
les magasins du groupe "Test" ont des ventes plus elevées que les magasins du groupe
"Contrôle." De ce fait, si l'on se contentait de comparer les données expérimentales (87 et 75,
soit une augmentation de vente de 16%), sans se soucier des données historiques, l'impact de la
baisse des prix serait surestimé (voir Tableau 4). D'autre part, le Tableau 3 indique que les
ventes de ces magasins ont baissé entre la période historique et la période expérimentale (les
revenus des magasins "Contrôle" baissent de 78 à 75). Donc, si l'on se limitait à comparer les
résultats des magasins "Test" (80 et 87) on sous-estimerait l'effet de la baisse des prix.
Augmentation des Revenus
Problèmes
Sans magasins de Contrôle
(87 - 80)/80 = 8.75%
Sous-estimation
Sans période historique
(87 - 75)/75 = 16%
Surestimation
Double Contrôle
(87-80)/80 - (75-78)/78 = 12.6%
Tableau 4: Problèmes d'estimation
Ce type de problèmes est courant lors d'expérimentation sur le terrain car nous
travaillons avec des échantillons limités (20 à 40 magasins) et les produits que nous observons
connaissent souvent une forte saisonnalité.
6
Le projet de recherche en Micro-Marketing
Les bénéfices que l'on peut retirer du passage de données de niveau 1 à des données de
niveau 2 sont parfaitement illustrés par les résultats du projet de recherche en micro-marketing
mené à bien à l'Université de Chicago entre 1991 et 1994. Ce projet démarra suite au souhait de
Dominick's Finer Food (DFF, la deuxième chaîne de supermarchés à Chicago) de tirer parti du
flot de données généré par l'utilisation de scanners aux caisses d'enregistrement. Jusqu'en 1991,
DFF n'utilisait ces données qu'à des fins comptables et de planning, mais la direction sentait
qu'il devait être possible d'exploiter ces données de manière stratégique pour répondre à des
questions fondamentales dans le domaine du merchandising et de la promotion. Ne possédant
pas l'expertise requise en matière de traitement des données et d'analyse statistique, DFF s'est
tourné vers l'Université de Chicago pour conduire un programme de recherche dont l'objectif
était:
"Appliquer les techniques de traitement de l'information au domaine du
marketing pour améliorer la prise de décision des détaillants et tirer un meilleur
parti des budgets promotionnels existants."
Ce projet fut financé par 20 des principaux annonceurs de produits de grande
consommation (par exemple Coca-Cola, Kraft, Procter & Gamble, ...) et se pencha sur deux
axes de recherche: la gestion des rayons et la détermination des prix de vente.
Phase I: la gestion des rayons
En matière de gestion des rayons, la direction de DFF se posait deux questions. D'une
part, elle voulait savoir si la politique actuelle avec un plan-o-gramme (plan d'agencement des
7
rayons) unique pour tous leurs magasins était adéquate, ou si une individualisation des
plan-o-grammes à chaque magasin augmenterait les ventes. D'autre part, elle voulait savoir s'il
était possible d'augmenter les ventes en jouant sur les complémentarités naturelles existant entre
certaines catégories de produits ou en facilitant le processus de décision des consommateurs.
Nous ne nous pencherons ici que sur le problème de l'individualisation des plan-ogrammes. Un compte rendu détaillé de toutes les analyses de merchandising faites dans le cadre
du projet Dominick's se trouve dans Drèze, Hoch et Purk (1994).
La première série de tests que nous avons conduite visait a répondre à la question de
l'individualisation des plan-o-grammes. Un certain nombre d'études portant sur l'optimisation
de l'aassortiment des rayons a été effectué dans les années 80. Corstjens and Doyle (1981)
notamment ont étudié l'optimisation de l'assortiment pour un détaillant de crèmes glacées et
chocolats. Bultez et Naert (1988 et 1989) ont fait une analyse similaire pour l'assortiment du
rayon d'aliments pour chien d'une chaîne de supermarchés belges. Ces études, néanmoins, sont
limitées parce qu'elles ne considèrent qu'un nombre réduits de produits, et qu'elles n'offrent que
peu de validation empirique. Notre recherche, par contre, porte sur l'ensemble des produits de
chaque catégorie, et se base sur un large ensemble d'études empiriques.
Pour étudier l'attrait d'une individualisation des plan-o-grammes, nous avons commencé
par étudier le profil des ventes pour les magasins de la chaîne Dominick's. Notre étude
démontra qu'il existe de fortes différences entre le comportement de la clientèle des magasins du
centre de Chicago et celui des clients de la banlieue mais que le comportement des clients à
l'intérieur de chacune de ces régions est très homogène. De ce fait, nous avons crée deux séries
de plan-o-grammes (une pour les magasins de banlieue et une pour ceux du centre de Chicago)
8
en plus de la série de plan-o-grammes qui était utilisée à l'époque du test. Les modifications
apportées à chaque série de plan-o-grammes étaient multiples: élimination des produits qui ne se
vendent pas, augmentation ou réduction du nombre de facings pour chaque produits,
changements d'emplacement, ainsi qu'adaptation de la hauteur de chaque rayon.
La Figure 1 représente les
Analgésiques: Banlieue
changements apportés aux plan-o-grammes
Enfants
Acetaminophen
des analgésiques. L'analyse de cette catégorie
Ibuprofen
montra que les familles de banlieue achètent
Aspirine
moins d'Aspirines et d'avantage d'Ibuprofens
que les familles du centre-ville. Dans les
Analgésiques: Centre-Ville
nouveaux plan-o-grammes, les magasins de
Enfants
banlieue ne possèdent donc qu'un seul rayon
Aspirine
Ibuprofen
d'Aspirine alors que les magasins de centre-
Aspirine
Acetaminophen
ville possèdent près d'un rayon et demi (une
Figure 1
différence d'environ 40%). D'autre part, dans
les magasins de centre-ville, les Aspirines sont placées sur la troisième étagère au lieu de la
première. Les autres catégories furent l'objet de de changements similaires.
Soixante magasins furent sélectionnés pour faire partie des tests. Comme décrit dans la
première partie de cet article, ces magasins furent séparés en deux groupes (Test et Contrôle).
Chaque groupe était constitué de 11 magasins de centre-ville, et 19 magasins de banlieue. Les
plan-o-grammes des magasins du groupe "Contrôle" restèrent inchangés alors que les magasins
9
du groupe "Test" reçurent les nouveaux plan-o-grammes (différents pour les magasins de
banlieue et les magasins de centre-ville).
Les nouveaux plan-o-grammes restèrent en place pendant une période expérimentale de
16 semaines. Pour valider la performance de chaque stratégie, nous avons comparé les ventes
pour chaque groupe de magasins durant la période de test, tout en utilisant une période
historique de 90 semaines. En moyenne, les magasins du groupe "Test" ont vu leurs ventes
augmenter de 3.9% par rapport aux magasins du groupe "Contrôle" (voir Tableau 5).
Une augmentation de 3.9% peut sembler non significative. Il faut néanmoins réaliser
d'une part que cette augmentation porte sur des produits vendus à prix plein et non sur des
produits vendus en promotion, et d'autre part que cette augmentation peut être maintenue à long
terme. Le seul coût subi pour réaliser cette augmentation de vente a été de dessiner des
plan-o-grammes différents pour les magasins de banlieue et pour les magasins de centre-ville.
10
Augmentation
des ventes
p-value1
8.4%
0.0001
Jus en bouteille
4.9
0.0001
Soupe en boite
6.3
0.0001
Thon en boite
-1.0
0.09
Cigarettes
7.2
0.02
Detergent pour vaiselle
-2.0
0.18
Plats cuisiné
4.4
0.0001
Jus Congelé
2.6
0.0001
Moyenne
3.9
Catégorie
Analgesiques
Tableau 5: Résultats des tests d'achalamdage
Phase II: EDLP ou Hi-Lo
Parmis les questions que se posent habituellement les dirigeants d'entreprises sont, on
retrouve: Que se passerait-il si nous réduisions nos prix? Verrions-nous un afflux soudain de
clients? Nos ventes augmenteraient-elles suffisamment pour compenser la baisse de revenu due
à l'érosion des marges? A l'inverse, que ce passerait-il si nous augmentions nos prix?
Créerions-nous un exode de nos clients vers nos concurrents?
Pour répondre à ces questions, nous avons convaincu les dirigeants de DFF de nous
laisser changer les prix de détail dans leurs magasins et d'étudier la réactions des
1
Probabilité que l'augmentation des ventes soit égale à 0.
11
consommateurs. A cette fin, nous avons divisé les 86 magasins en trois groupes: EDLP 2, Hi-Lo3
et Contrôle. Les magasins du premier groupe (EDLP) virent leurs prix baisser de 10% pour 26
différentes catégories de produits (représentant un tiers des ventes). Les magasins du second
groupe (Hi-Lo) virent leur prix augmenter de 10% pour les mêmes catégories de produits. Les
prix du dernier groupe (Contrôle) demeurèrent inchangés.
De manière à nous assurer que les consommateurs aient l'occasion d'effectuer plusieurs
achats de chaque produit au nouveau prix, nous avons maintenu l'écart en prix pendant une
période expérimentale de 16 semaines (le cycle d'achat pour les produits des catégories que nous
avons manipulées varie de moins d'une semaine à un peu plus d'un mois).
Durant cette période, nous n'avons pas changé le régime de promotions utilisé par DFF.
Les promotions se sont déroulées comme s'il n'y avait pas de test. Les prix promotionnels
étaient les mêmes pour tous les magasins de la chaine, seul l'écart entre prix normal et prix
promotionnel était different d'un groupe à l'autre.
Nous avons mesuré l'effet du changement de prix à deux niveaux: en terme de vente
unitaires, et en terme de profit brute. Comme décrit précédemment, nous mesurons ces effets en
comparant les ventes de chaque groupe de magasins pour la période expérimentale (16
semaines) et pour une période historique de 26 semaines précédant le test. En utilisant le groupe
de contrôle comme étalon, nous sommes en mesure de calculer l'effet net du changement de
prix.
2
EDLP: Every Day low Price, une politique de prix bas avec peu de promotion.
3
Hi-Lo: Une politique de prix élevé avec forte promotion.
12
Les résultats obtenus furent aussi
significatifs qu'inattendus. Nous pensions
Augmentation des
ventes du au test
(Contrôle = 100)
Ventes Unitaires
que l’augmentation des prix dans les
magasins Hi-Lo aurait un effet très négatif
110
Profits
100
sur les ventes. En effet, le leitmotif des
90
gérants de magasins est: "Si nous
80
augmentons les prix, nos concurrents vont
nous décimer.” Nos tests nous révélérent
EDLP
Contrôle
Hi-Lo
Figure 2
une réalité différente. Nous avons observé
que le volume des ventes est en fait fort peu sensible au niveau net des prix. Une augmentation
de prix de 10% ne produit qu'une baisse des ventes de 3% (voir Figure 2). De même, les
magasins dont les prix ont été réduits de 10% n'ont vu leur ventes augmenter que de 3%. Ces
faibles mouvements en termes de ventes se sont traduits par de forts changements de profit.
Les magasins Hi-Lo ont vu le profit des catégories que nous avons manipulées augmenter de
15% suite à l'augmentation de prix.
1.4
Alors que les magasins EDLP ont vu le
1.0
(pour plus de détails, voir Hoch, Drèze et
Profits
1.2
profit de ces catégories baisser de 18%
Controle
EDLP
Hi-Lo
Moyenne
0.8
Purk (1994)).
L'intérêt de la méthode de double
02/18/93
contrôle est mise en évidence si l'on
04/29/93
07/08/93
Figure 3
examine une série chronologique des
13
09/16/93
profits réalisés par chaque groupe de magasins (voir Figure 3). Dans ce graphe, nous avons
indexé les profits pour chaque groupe de telle sorte que la moyenne des profits pour la période
historique (partie gauche du graphe) soit égale à 1. L'effet du changement de prix (mi-juillet 93)
est très clair. Dès la première semaine du test, les magasins du groupe Hi-Lo voient leur profit
s'accroître alors que les magasins du groupe EDLP voient leur profit diminuer. Il est important
de constater que les magasins du groupe Contrôle ont, pendant la période du test, un profit
environ 15% plus élevée au regard de la période historique. De ce fait, sans l'utilisation d'un
groupe de contrôle, nous aurions surestimé l'attrait de le stratégie Hi-Lo, et sous-estimé le côté
négatif de la stratégie EDLP.
Conclusions
Ces exemples montrent de manière irréfutable l'avantage de procéder à des
expérimentations pour répondre aux questions d'ordre stratégique. Nous avons depuis lors
appliqué ces mêmes méthodes, avec succès, dans d'autres cas de figure (American Greetings
1994 & 1995).
Bien sûr, nous ne préconisons pas d'effectuer constamment des expérimentations aussi
importantes que celles décrites dans cet article. Cela serait trop coûteux et risqué. Nous
conseillons en revanche de constamment utiliser une petite partie des ressources de ventes à des
fins de recherche. Utilisez un ou deux de vos magasins comme laboratoire. Si vous utilisez des
listes de maillings pour vos campagnes publicitaires, réservez 5 ou 10% des adresses pour tester
différents messages ou formats. Si vous envisagez de changer la gamme de services que vous
14
offrez, utilisez une partie de votre clientèle comme cobayes et comparez leur changement
d'attitude à celle de vos autres clients.
Passer ainsi de données de niveau 1 (ou 0) à des données de niveau 2 vous donnera une
nouvelle capacité stratégique dans un environnement où la concurrence s'intensifie de jour en
jour.
L'utilisation de l'infrastructure de vente comme laboratoire visant à répondre à des
questions de type stratégique demande un engagement de tous les échelons d'une société, ainsi
qu'une culture qui favorise la circulation d'informations entres les différentes fonctions de
l'entreprise. Il y a un investissement initial à faire tant en termes de ressources informatiques
qu'en termes de ressources humaines. Mais une fois l'investissement initial effectué, les frais
additionnels de fonctionnement sont limités et, si bien utilisés, auront un effet bénéfique sur le
profit de l'entreprise, tant à court qu'à long terme.
Il est important de se souvenir que le savoir n'est pas une chose fixe. L'environnement
change constamment, de nouvelles techniques promotionnelles et de nouveaux formats de vente
apparaissent sans cesse. Une fois le processus d'apprentissage lancé, il est crucial de le garder
en vie.
15
Bibliographie
American Greetings Research Council (1994), "Turning Traffic into Transaction,"
American Greetings Corporation.
American Greetings Research Council (1995), "Transforming the casual shopper into a
loyal shopper," American Greetings Corporation.
Bultez A., Gijsbrechts E., Naert Ph. and Vanden Abeele P., "Asymmetric Cannibalism in
Retail Assortments," Journal of Retailing, Vol. 65, No. 2, Summer 1989.
Bultez A. and Naert Ph., "SH.A.R.P.: Shelf Allocation for Retailer's Profit," Marketing
Science, Vol. 7, No. 3, Summer 1988.
Corstjens M. and Doyle P.. "A Model for Optimizing Retail Space Allocations,"
Management Science, Vol. 27, No. 7, July 1981.
Drèze, Xavier, Stephen J. Hoch et Mary E. Purk (1994), "Shelf Management and Space
Elasticity," Journal of Retailing, Winter 1994, Vol. 70, pp 301-326.
Hoch, Stephen J., Xavier Drèze et Mary E. Purk (1994), "EDLP, Hi-Lo, and Margin
Arithmetic," Journal of Marketing, Oct. 1994, Vol. 58, pp 16-27.
16