Depuis quelques années déjà, le retail est un secteur en transition. La popularité grandissante de l’e-commerce perturbe l’activité des magasins physiques bien implantés qui se voient un peu désemparés notamment parce qu’ils disposent de moins d’outils leur permettant de riposter.

Les techniques marketing de tracking en ligne rendent accessible toute ou quasi toute sorte d’information vous concernant sur base de votre historique de navigation ou de vos clics. Il est possible de connaître vos désirs sur base de vos recherches et des produits visualisés. Cependant, le parcours d’un client à l’intérieur du magasin physique avant qu’il ne procède à l’achat, demeure inconnu.

Les solutions d’in-store analytics

Il existe différentes solutions permettant de prendre de meilleures décisions business en recourant à des données tangibles. En réalité, ces solutions ne sont que partielles pour la plupart.

retail analytics

Pourquoi ?

Prenons comme exemple l’analyse Wi-Fi. Il s’agit de la solution la plus fréquemment choisie. Les coûts du dispositif technique qu’elle nécessite restent relativement bas, ce qui joue en sa faveur. Dans les faits, elle permet de détecter les personnes disposant d’un smartphone avec le Wi-Fi activé. C’est pour cette raison que la fiabilité des chiffres quant à la présence d’individus est très faible. Le rayon d’action est souvent tellement important qu’il est impossible de faire la distinction entre les personnes réellement présentes à l’intérieur du magasin et celles qui se trouvent seulement à proximité. De plus, la connexion peut parfois s’interrompre, ce qui entrave la visualisation précise du parcours d’un visiteur. Bien que l’analyse Wi-Fi soit peu coûteuse par rapport aux autres méthodes d’acquisition de données in-store, l’installation d’un tel dispositif reste contestable en raison de son manque de fiabilité. Il est inconcevable de baser ses décisions business sur cette méthode, car la nature ou l’exactitude des données sont altérées. Les retailers se doivent d’avoir une connaissance client qui soit à la fois juste et complète. De la même façon, les données doivent permettre de prendre des actions concrètes et de générer un ROI pour le département ventes, le merchandising et les équipes opérationnelles.

Live video analytics

L’analyse des flux de données vidéo du point de vente constitue une solution beaucoup plus fiable et complète pour acquérir de la data relative aux visiteurs. Grâce aux caméras installées à l’intérieur du point de vente, l’analyse s’effectue en real-time sans stockage d’images pour une raison évidente de respect du RGPD.

retail analytics

Des techniques d’intelligence artificielle, et plus concrètement des techniques de computer vision, permettent d’analyser ces images avec un haut degré de précision afin d’obtenir des données relatives au profil des visiteurs, et plus particulièrement relatives à leur comportement. Pour rappel, l’analyse Wi-Fi ne le permet pas. Grâce aux caméras placées à l’entrée du magasin, il est possible de compter les clients passant la porte du magasin avec exactitude. De plus, l’analyse de l’image fournit des informations intéressantes quant à leur profil (notamment, la tranche d’âge, leur sexe ou encore la récurrence de leurs visites). Ces caméras installées à des endroits stratégiques peuvent également fournir des données relatives au comportement de clients. Ainsi, le parcours du client, son engagement pour une catégorie de produits ou à un article en particulier, le niveau de satisfaction, le temps d’attente constituent des exemples de données que l’analyse de vidéos permet d’obtenir. Ces informations sont recueillies de façon automatique et présentées sous forme de rapports et de tableaux de bord.

Pour conclure, on peut dire que les in-store analytics collectés avec l’analyse de flux de vidéos grâce à la computer vision concurrencent les web analytics. Ils permettent même d’aller plus loin en définissant un profil plus précis des clients alors que les données récoltées en ligne peuvent être biaisées par un ordinateur qui serait partagé par toute une famille ou bien inexistantes pour les sessions privées qui empêchent la collecte de données issues des profils des usagers non enregistrés.