Lorsque l’équipe de direction d’Boggi Milano a été confrontée à une baisse de la fréquentation le dimanche dans son magasin phare en 2018, elle a fait une découverte surprenante : la cause profonde du problème ne résidait ni dans le marketing ni dans le merchandising. C'était le manque de familiarité du personnel avec l'agencement du magasin qui affectait les conversions des clients. Ce constat, mis en évidence grâce à des analyses avancées en magasin, a marqué le début d'une transformation fondée sur les données qui allait entraîner une augmentation de 40 % du rendement par client au cours des cinq années suivantes.
EN SAVOIR PLUS : Le commerce de détail en 2030 : les possibilités technologiques en magasin
La gestion de 235 magasins répartis dans 61 pays pose des défis opérationnels particuliers. Pour Boggi Milano, la marque de mode italienne réputée pour ses vêtements pour hommes contemporains, qui allie des matières durables à un design avant-gardiste, l'absence de visibilité unifiée sur les performances commençait à constituer un frein à la croissance.
L’entreprise était confrontée à trois lacunes majeures que de nombreux détaillants disposant de plusieurs points de vente ne connaissent que trop bien. Premièrement, elle ne parvenait pas à répartir efficacement ses effectifs au sein de son réseau de magasins. Certains points de vente étaient en sureffectif pendant les périodes creuses, tandis que d’autres peinaient à faire face aux pics d’affluence. Deuxièmement, déterminer quels magasins enregistraient une forte fréquentation mais de faibles taux de transformation nécessitait une analyse manuelle à la fois chronophage et souvent imprécise. Enfin, en l’absence de visibilité sur le nombre de clients par heure de travail, l’optimisation de la productivité du personnel relevait davantage de la conjecture que d’une véritable stratégie.
Marco Benasedo, directeur des systèmes d'information chez Boggi Milano, a reconnu que ces défis exigeaient davantage que les indicateurs traditionnels du secteur de la distribution. L'entreprise avait besoin d'analyses complètes et en temps réel, capables de traduire les comportements complexes des clients en décisions opérationnelles concrètes.
La plateforme de RetailNext, qui s'appuie sur sa technologie de capteurs Aurora, offrait quelque chose de fondamentalement différent des systèmes classiques de comptage de personnes. Le Aurora combine plusieurs capacités de collecte de données au sein d'un seul appareil IoT, notamment la vidéo HD, le Wi-Fi et la détection Bluetooth. Mais le matériel à lui seul ne résout pas les problèmes des entreprises ; c'est la couche d'intelligence qui transforme les données brutes en informations stratégiques.
L'IA de type « deep learning » de la plateforme traite les modèles comportementaux afin d'offrir une compréhension nuancée du parcours des clients. Plutôt que de se contenter de compter les entrées et les sorties, le système analyse le temps passé en magasin, les parcours empruntés et les zones d'engagement. Cette visibilité détaillée permet aux commerçants de comprendre non seulement combien de personnes entrent dans leurs magasins, mais aussi dans quelle mesure ces visites se traduisent effectivement par des ventes.
Pour Boggi Milano, cela s'est traduit par le passage d'un mode de fonctionnement réactif à un mode prédictif. Les prévisions algorithmiques de la plateforme s'appuient sur les tendances historiques pour estimer la fréquentation par tranches de 15 minutes, ce qui permet une planification proactive des horaires du personnel. La mise en forme conditionnelle et les tableaux de bord intuitifs permettent aux responsables de magasin d'identifier rapidement les opportunités sans se perdre dans la complexité des données.
DÉCOUVREZ : Pourquoi il est important de choisir un seul partenaire d'installation technique
L'un des défis les plus urgents auxquels Boggi Milano était confronté consistait à déterminer les effectifs appropriés en équivalents temps plein (ETP) pour chacun de ses magasins. L'entreprise devait mener à bien cette tâche en l'espace d'une semaine seulement. Les méthodes traditionnelles auraient nécessité un travail considérable d'observation et d'estimation manuelles, ce qui aurait probablement entraîné des imprécisions importantes.
Grâce aux outils d'analyse Traffic 3.0 d'RetailNext, l'équipe a adopté une approche fondée sur les données. Elle a analysé les tendances relatives à la durée des visites et a constaté que les clients passaient généralement entre 17 et 18 minutes en magasin. En combinant ces informations avec leur estimation selon laquelle chaque vendeur pouvait servir efficacement 3,5 clients par heure de travail, elle a défini des besoins précis en matière d'effectifs.
Mais Boggi Milano est allé au-delà des simples moyennes. Conscient que chaque magasin présente des caractéristiques qui lui sont propres, l’entreprise a adapté son analyse en fonction de chaque site. Une boutique phare située dans le quartier de la mode à Milan ne fonctionne pas de la même manière qu’un point de vente situé dans un centre commercial de banlieue. Cette approche fine de l’optimisation des effectifs a donné des résultats remarquables : une réduction de 15 % des effectifs depuis 2018, tout en améliorant la qualité du service client.
L’entreprise a également défini des attentes claires en matière de performance, fondées sur l’analyse de ses données. Les vendeurs savent désormais qu’ils doivent consacrer environ la moitié de leur temps aux activités de vente directe, le reste étant dédié à des tâches essentielles non commerciales, telles que la mise en scène des produits et la gestion des stocks. Les données ont révélé que les vendeurs performants réalisent environ une transaction toutes les deux heures. Ce repère aide les responsables à accompagner leurs équipes dans l’amélioration de leurs performances et à récompenser l’excellence.
De nombreux commerçants tombent dans le piège consistant à suivre un trop grand nombre d'indicateurs, ce qui génère davantage de confusion que de clarté. Boggi Milano a d'abord été confronté à ce problème, submergeant les équipes en magasin d'une multitude d'indicateurs clés de performance (KPI) qui envoyaient souvent des signaux contradictoires quant aux priorités.
Après une analyse minutieuse de ses données RetailNext, l'entreprise a pris la décision stratégique de se concentrer principalement sur le « Shopper Yield ». Cet indicateur composite est calculé en multipliant le taux de transformation par la valeur moyenne des transactions. Cet indicateur clé de performance (KPI) unique permet d'équilibrer avec élégance les deux composantes essentielles de la réussite dans le secteur de la vente au détail.
La visualisation du « quadrant de performance » est devenue un outil puissant pour les responsables de magasin et les responsables régionaux. Ce rapport simple représente graphiquement les performances de chaque point de vente sur deux axes : le taux de transformation et le montant moyen des transactions. Les magasins se situant dans différents quadrants bénéficient d’un accompagnement ciblé. Les points de vente présentant un taux de transformation élevé et un panier moyen faible s’attachent à augmenter la taille du panier. Les magasins proposant des articles à prix élevé mais présentant un faible taux de transformation s'efforcent d'attirer davantage de clients qui ne font que flâner.
Cette approche ciblée permet d'éviter l'écueil courant qui consiste à optimiser un indicateur au détriment d'un autre. Lorsque les équipes mettent trop l'accent sur les taux de transformation, elles risquent de précipiter les clients et de réduire la valeur des transactions. À l'inverse, se concentrer exclusivement sur les ventes importantes peut signifier passer à côté d'opportunités auprès de plusieurs clients. Shopper Yield permet de maintenir un équilibre entre ces deux facteurs.
L'entreprise est également passée d'une analyse quotidienne à une analyse horaire des performances, ce qui a permis de mettre en évidence des tendances invisibles dans les données agrégées. Un magasin pouvait afficher un taux de transformation quotidien acceptable, mais l'analyse horaire pouvait révéler des opportunités manquées pendant les heures de pointe du déjeuner ou les pics d'affluence du week-end.
Le partenariat de cinq ans entre Boggi Milano et RetailNext a permis d'obtenir des améliorations opérationnelles mesurables qui justifient l'investissement dans l'analyse avancée :
Augmentation de 40 % du rendement par client : la stratégie axée sur les indicateurs clés de performance (KPI) a permis d'améliorer de manière constante tant le taux de transformation que la valeur des transactions
Augmentation de 5 points du taux de transformation : une meilleure répartition du personnel et une formation mieux adaptée aux tendances de fréquentation ont permis d'améliorer l'engagement des clients
Augmentation de 15 % du panier moyen : la compréhension du comportement des clients a permis de mettre en place des stratégies de merchandising et de vente plus efficaces
Réduction de 15 % des coûts de main-d'œuvre : l'optimisation de la planification des horaires a permis de réduire les charges salariales tout en préservant la qualité du service
Ces résultats montrent que l'analyse des données dans le secteur de la grande distribution ne vise pas à remplacer le jugement humain par des algorithmes. Il s'agit plutôt de donner aux équipes les moyens de prendre de meilleures décisions grâce à des informations précises. Lorsque les responsables de magasin comprennent exactement à quel moment les clients arrivent, comment ils se déplacent dans l'espace et quels sont les facteurs qui favorisent la conversion, ils peuvent créer des expériences qui profitent à la fois aux clients et aux résultats financiers.
Le succès de Boggi Milano illustre une évolution fondamentale dans les opérations de vente au détail. Comme le souligne M. Benasedo, la capacité à transformer des analyses complexes en informations exploitables rationalise la prise de décision et permet de réagir rapidement à l'évolution de la situation. Ce qui nécessitait autrefois des semaines d'analyse manuelle s'effectue désormais en temps réel.
L'investissement dans une technologie d'analyse fiable, telle que la plateforme de capteurs Aurora d'RetailNext, ne se limite pas à une simple amélioration opérationnelle. Il s'agit de se forger un avantage concurrentiel grâce à une meilleure compréhension des clients. À une époque où les e-commerçants disposent d'une visibilité parfaite sur chaque clic et chaque défilement, les commerçants traditionnels ont besoin d'informations équivalentes concernant leurs espaces.
Pour les détaillants qui envisagent des investissements similaires, le parcours d’Boggi Milano offre de précieux enseignements. Commencez par définir clairement les enjeux commerciaux plutôt que de courir après la technologie pour elle-même. Concentrez-vous sur les indicateurs qui favorisent une performance équilibrée plutôt que de submerger les équipes de données. Et surtout, gardez à l’esprit que l’objectif ne se limite pas à la simple mesure des performances : il s’agit de créer de meilleures expériences tant pour les clients que pour les collaborateurs.
À mesure que le secteur de la distribution continue d’évoluer, le fossé entre les opérations fondées sur les données et celles reposant sur l’intuition ne fera que se creuser. La transformation d’Boggi Milano démontre qu’avec un partenaire technologique adapté et une orientation stratégique adéquate, les détaillants peuvent mettre en lumière les opportunités cachées dans leurs données opérationnelles, favorisant ainsi une croissance durable tout en améliorant l’expérience d’achat.
👉 LISEZ L'ÉTUDE DE CAS DANS SON INTÉGRALITÉ : à lire en ligne ou à télécharger