Le principe de la segmentation est de diviser une population , des produits , o une audience en sous-ensembles distincts (segments ou clusters). Un segment de marché regroupe des individus ou produits qui partagent des caractéristiques communes. La segmentation est primordiale pour mettre en place une démarche stratégique , marketing et commerciale efficace.
La segmentation produit permet de regrouper les produits en clusters ayant des attributs similaires en utilisant des algorithmes de machine learning.Dans le secteur de la vente au détail , la segmentation des produits est souvent utilisée pour gérer la planification, les prix, les promotions et les remises sur les produits et pour anticiper les stocks.
Grâce à des méthodes de segmentation produit basé sur le Machine Learning, il est possible d’anticiper les ruptures de stock. sur des articles , identifier rapidement les produits en manque de succès et permettre aux équipes merchandising de prendre des décisions de façon efficace avec pour objectif la gestion efficace des stocks autant sur les references produits performants versus les produits moins performants.
Cas Pratique
Le client souhaite détecter très rapidement les produits ‘Hot’ afin de pouvoir gérer de façon plus ou moins prédictif ses stocks. L’idée est de pouvoir à la fin du projet , fournir tous les jours aux équipes une segmentation produits ainsi que les stocks associés. La segmentation doit prendre en compte :
- La donnée comportementale chaude générée sur le site , donc données Google Analytics 4
- La donnée transactionnelle , achats du produit , donnée GA4 et Prestashop
- Quantité en stock dans la boutique Prestashop
La consolidation et la transformation des données GA4 et Prestashop via DBT va nous permettre de créer la table suivante :
Pour chaque produit disponible dans la boutique , nous utilisons les données GA4 (grâce au tracking ecommerce) pour calculer les indicateurs chauds, notamment :
- view_item_list : Nombre de fois que le produit a été affiché dans une liste produit
- view_item : Nombre de fois où la fiche produit a été consulté
- add_to_cart : Nombre de fois où le produit a été mis au panier
- begin_checkout : Nombre de fois où le produit est entré dans un processus d’achat
- purchase : Nombre de fois où le produit a été acheté
Nous calculons ces kpis à J-1, J-7, et J-30. Nous calculons aussi , grâce aux données Prestashop , les kpis :
- order_recency : La récence d’achat pour chaque produit
- order_seniority : L’ancienneté d’achat pour chaque produit
- stock : la quantité dispo en stock sur le shop Prestashop
Modélisation
Nous intégrons la table BigQuery dans Deepnote , puis nous utilisons un Pycaret pour créer un modèle de segmentation.
Le modèle de Kmeans nous indique 4 segments viables que nous pouvons interpreter facilement :
Le modèle une fois validé peut être sauvegarder dans Deepnote et on peut y exposer de nouvelles données tous les jours pour mettre à jour les clusters produit systématiquement. La pipeline est donc crée , validée et mis en production via un outil d’orchestration pour le run quotidien.
Visualisation
Les données sont repoussées dans une table BigQuery connectée à Google Data Studio. Ce qui permet d’avoir une la visualisation suivante mis à jour automatiquement tous les jours :
Ce reporting mis à jour quotidiennement permet aux équipes de détecter rapidement les produits en vogue ou en perte de vitesse et d’avoir une vision sur les stocks liés à chaque produit.