Business & Data Fail - La donnée maître du référentiel de magasins, pivot des retailers
Parmi les problèmes business & data, il en est un qui touche toutes les enseignes dès qu’elles dépassent une certaine taille : la gestion de la donnée maître du référentiel de magasins. Celui-ci m’est revenu en tête en préparant l’article Business & Data Discovery sur Picard Surgelés publié ce lundi.
La majorité des parcs de magasins qui circulent dans les enseignes présentent les défauts suivants :
Des données de localisation erronées
Des adresses imprécises ou non normées
Des doublons qui faussent l’effectif total
On reviendra en fin d’article sur des astuces open data qui ont permis de relocaliser certains magasins et de conduire des analyses, parce qu’elles peuvent intéresser les équipes Picard a posteriori.
Assurer la qualité de ses données maîtres impacte les opérations de toutes les équipes
Les données maîtres sont des données fondamentales que se partagent toutes les parties prenantes d’une entreprise, chacune avec son angle propre :
les produits,
les points de vente,
les clients,
les employés,
les fournisseurs,
les revendeurs,
la structure financière du groupe…
Le parc de magasins et ses attributs associés (localisations, horaires d’ouvertures…) est consommé par, au moins :
Les clients, pour des raisons évidentes
Des partenaires permettant de faire connaître l’enseigne, comme… Google
Les fournisseurs et les livreurs, qui géolocalisent leurs flottes pour leur propre tracking
Le marketing, qui peut chercher à cibler certains magasins pour ses campagnes
L’offre et le merchandising, qui peut chercher à spécialiser ses assortiments par magasin sur la base d’informations très localisées : informations socio-démographiques, points d’intéret, environnement compétitif, transports en commun, flux véhicules et piétons…
Les équipes logistiques, qui dans le cadre de leurs prévisions de volumes ont besoin des caractéristiques ci-dessus pour alimenter leurs modèles
Le pricing, qui peut lui aussi chercher les mêmes informations pour adapter localement les prix
Le contrôle de gestion et les analystes de toutes les directions précédentes, qui doivent pouvoir être alignés sur le nombre de magasins qui étaient ouverts à un instant t.
En interne, la donnée maître du parc de magasins peut devenir la base d’un rapport clé partageant entre tous les acteurs les données de description et de mesures de performance et d’excellence opérationnelle les plus importantes : caractéristiques socio-démographiques, environnement local et commercial, trafic, panier moyen, taux de marge, taux de casse produit, satisfaction client... Pour une équipe data, c’est une des premières tables à mettre entre toutes les mains !
Ceux qui peuvent “se préoccuper” de la qualité des données de parc ne sont pas ceux qui les utilisent
Le grand défi pour les enseignes, c’est de réussir à maintenir cette source unique de vérité concernant son parc de magasins. On parle souvent de la vision unique du client, très souvent de référentiel produit, mais pas assez souvent du référentiel des points de vente !
On vient de le dire, tout le monde exploite les informations du parc, chacun avec sa propre vision, sauf peut-être… les équipes qui les renseignent.
Eh oui ! Le premier owner de la donnée de localisation et ses interlocuteurs directs : chargé d’expansion, responsable de chantier, directeur de magasin, ont déjà une connaissance assez fine de l’environnement local, et leur préoccupation est uniquement de communiquer à l’un de ces interlocuteurs comment retrouver le magasin.
Cela donne des adresses du type :
“Rond point pariwest Face au centre commercial auchan”
“Route de bordeaux ccial leclerc les portes du bassin En face de la station essence”
Pour vous faire sourire un instant, ça me rappelle toujours ce sketch de Chevallier et Laspalès (sorry, english-speaking world) :
Annexe : Les défauts rencontrés et quelques astuces pour les retrouver
1. Lister tous les magasins
Petit problème de navigation sur la page de recherche des magasins : l’indexation est limitée à 50 pages x 20 magasins par pages = 1000 magasins ! En jouant avec les filtres sur les services, on peut en retrouver… 1105 sur les 1110.
2. Dédoublonner les magasins
Les magasins 763/764, 821/822, 922/923 sont identiques. Changement de propriétaire et ancien code toujours actif ?
3. Localiser les magasins listés
Les magasins qui avaient des adresses complètes avec des numéros de rue (745 magasins) ont globalement été retrouvés par l’API Adresse de la Base Adresse Nationale.
Les autres magasins ne pouvaient pas être positionnés précisément parce que l’adresse ne le permettait pas. Parfois il peut s’agir de zones récentes ou rurales où les numéros ne sont pas définis, parfois il s’agit d’adresses qui portent à confusion. Exemple, le magasin de Wintzenheim est localisé sur le site à… Wettolsheim, 3,4 km au sud de l’emplacement réel du magasin.
Parmi ces 352 magasins, qui ne pouvaient être positionnés que de manière approximative dans la rue ou la commune, 202 ont pu être associés avec des bâtiments précisément localisés dans la carte collaborative OpenStreetMap. Il est bon de savoir qu’une part significative des localisations provient du cadastre publié en open data par la Direction Générale des Finances Publiques et est donc d’une grande fiabilité. La méthode par contre (rapprocher les magasins mal localisés du premier magasin d’OSM dans un rayon de 3km) peut aussi apporter son lot d’erreurs !
Au global, on a donc 745 + 202 + 5 = 952 magasins localisés avec un bon niveau de confiance sur les 1102. Assez pour se lancer dans une analyse géographique !
La carte finale est ici !
En résumé :
C’est tout pour aujourd’hui !
Est-ce que cet article vous rappelle la gestion des données maîtres dans votre propre organisation ? Votre propre parc de points de vente ? N’hésitez pas à me suivre et me contacter sur LinkedIn, ou à m’écrire sur gansanay AT gmail DOT com.