Je veux tout savoir de la transformation numérique !
Pour lire l’intégralité des articles issus du magazine bimestriel, identifiez-vous. Vous accéderez ainsi aux articles premium, aux exclus web et vous pourrez télécharger l’ensemble de nos ressources en un clic.
Pour recevoir le magazine chez vous, abonnez-vous !
Je m'identifie

Des guides shopping qui ciblent mieux vos envies

Les logiciels d’intelligence artificielle (IA) intégrés dans les sites e-commerce des marques de mode
permettent de personnaliser l’expérience client et de favoriser son acte d’achat par une offre produit
adaptée à ses attentes.

Des guides shopping qui ciblent mieux vos envies

Au lieu de vous demander ce que vous recherchez, The North Face s’intéresse au « où » et « quand » vous utiliserez le produit… ainsi qu’à vos préférences. D.R.

Assistants shopping automatiques en langage naturel (Natural Language Processing/ NLP), programmes de
machine learning, algorithmes prédictifs… Ces logiciels d’intelligence artificielle (IA) s’immiscent de plus en plus dans les plateformes web des marques enseignes de la distribution textile. Ils ont tous un premier objectif : améliorer la connaissance du consommateur pour personnaliser son expérience d’achat afin de doper les ventes.

C’est dans cette logique que The North Face, la marque de vêtements et d’équipements de plein air a expérimenté sur son site d’e-commerce aux États-Unis un assistant shopping automatique créé en ligne par Fluid, l’éditeur californien de logiciel web à partir du robot d’intelligence artificielle Watson d’IBM. L’idée était de voir comment Watson peut améliorer l’engagement d’achat des internautes, en les assistant dans leur recherche de produit.

Un outil intuitif

Mais, au-delà de l’expérience client, l’enjeu pour The North Face est d’aboutir à la vente de l’article répondant précisément à l’attente du consommateur. Il fallait donc à la marque un outil intuitif qui aide le client à exprimer le plus naturellement possible sa quête de l’article convoité. C’est ce que propose, aujourd’hui, l’assistant automatique de Fluid, qui sait comprendre, en deux minutes de dialogue par des questions contextuelles et personnelles à l’internaute, le vêtement qu’il recherche. « Au fur et à mesure du dialogue entre le système et le client qui se déroule de façon naturelle comme sur les réseaux sociaux, l’assistant shopping grâce au machine learning améliore sa connaissance du client pour lui présenter
des produits en temps réel qui lui correspondent le mieux. Watson peut lire le descriptif d’un produit et le comprendre par comparaison avec d’autres articles et en fonction du contexte d’utilisation de l’article que souhaite en faire le client », confie Jean-Philippe Desbiolles, vice-président Cognitive Solutions chez IBM France.

Lorsque l’assistant virtuel a compris le produit recherché, il va dénicher dans le catalogue de la marque les articles les plus adaptés. « Watson est capable d’ingérer des masses de données considérables dans le retail pour en extraire les insights ou d’en trouver la bonne information », appuie-t-il. « L’intelligence artificielle est capable de prendre la décision de chercher une aiguille dans une botte de foin. L’intérêt est d’utiliser ces programmes d’aide à la navigation web dans des catalogues très riches de produits pour opérer une exploration déterminée et faire une découverte ciblée de produits susceptibles d’intéresser le consommateur », expose Romain Lerallut, directeur Ingénierie chez Criteo, le spécialiste du ciblage publicitaire sur internet (lire aussi l’encadré ci-contre).

Une rentabilité bien pesée

L’IA s’invite également dans les outils d’analyse prédictive des ventes fondés sur des données sur les processus d’achat. Kiabi, la marque de la mode à petits prix (450 points de vente dans le monde), utilise ainsi le système Predictix, développé par l’éditeur américain éponyme (groupe Infor), capable de calculer la prévision d’une vente au plus près du client final, dans un magasin précis et pour une référence et taille données.

L’assistant virtuel va dénicher dans le catalogue de la marque les articles les plus adaptés.

Pour y parvenir, le logiciel opère deux approches. Celle du « flowcasting » qui s’attache à intégrer les données les plus fines au niveau des points de vente et celle du machine learning qui établit une corrélation entre un nouvel article et une référence plus ancienne possédant des attributs communs (niveau d’originalité, perception couleur/taille…). Le système auto-apprend ce que peut être le comportement d’un nouvel article en magasin : son achat sera-t-il réalisé par des personnes plutôt corpulentes ? Au bout de combien de temps ? À quel moment de la semaine ? Ce niveau de consolidation de données, qui produit des prévisions par référence de taille et de couleur pour chaque magasin et chaque jour de l’année, et va jusqu’à calculer les profils de stocks à établir dans les entrepôts, implique le traitement par Predictix de plusieurs milliards d’informations unitaires.

À l’heure du commerce « cross canal », l’IA investit aussi les magasins pour y redéfinir une expérience client multicanal plus personnalisée. L’une des illustrations en est la reconnaissance faciale, qui permet notamment d’identifier un client déjà venu en magasin. La technologie Realtime Crowd Insights développée par Microsoft, offre ainsi aux marques et aux enseignes de mode l’opportunité d’effectuer une analyse statistique de la fréquentation de leurs magasins, en temps réel et d’identifier le sexe, la tranche d’âge ou les émotions du client. Microsoft va même plus loin, en proposant avec Mall kiosk la recommandation de produits sur la base de la reconnaissance faciale ou vocale des individus et de leurs réactions. Les retailers de la mode s’appuient également sur le big data, ce volume important de données issu des cartes de fidélité (âge, sexe, identité), mais aussi de la catégorie d’achat la plus fréquente, des transactions, du comportement de l’acheteur ou de contexte comme la météo…, pour proposer des réductions,n comme des coupons numériques. Les marques Cache-Cache et Bonobo n(groupe Beaumanoir) vont ainsi jusqu’à faire interagir les passants avec un écran situé dans la vitrine du magasin, servant à habiller virtuellement par le geste le mannequin à l’écran, avec à la clé une offre de coupons de réduction à utiliser en boutique.

Mieux, la chaîne américaine de mode et d’accessoires Macy’s teste dans dix magasins depuis mi-2016 une application mobile qui sert d’assistant virtuel automatique pour guider le client dans le magasin afin de trouver rapidement le produit qu’il cherche. Cette application est capable d’interagir avec une plateforme intelligente de l’entreprise Satisfi, dotée (encore) de la technologie cognitive Watson d’IBM. Pour François Robin, senior manager consulting chez Atos, « les outils d’intelligence artificielle combinés à l’internet des objets permettront à terme aux marques et aux enseignes d’adopter une organisation individuelle et ciblée de chaque magasin en fonction du comportement et des goûts des consommateurs et d’éviter les ruptures en linéaire ».

Le bon moment pour acheter

Vente en ligneDans le ciblage publicitaire ultra-individualisé sur internet, Criteo lance Criteo Search Predictive, première solution spécialisée et dédiée au Search sur Google Shopping. « Fondée sur des algorithmes prédictifs d’IA, notre solution est capable de prédire et de décider en temps réel, le moment le plus approprié pour faire une offre produit à un internaute, en fonction de l’analyse des données historiques de ses habitudes de consommation, de ses goûts… », confie Romain Lerallut, son directeur Ingénierie. Avec cet outil, Criteo est donc en passe de faire une personnalisation complète du ciblage publicitaire individuel, pour ses clients, les directions marketing des enseignes et des marques. « On a complexifié notre système pour mieux leur vendre des clics publicitaires ciblés », conclut-il. En France, BrandAlley, pure player dans l’univers de la mode et de la décoration d’intérieur, a participé au bêta test de la solution depuis juin 2016, et a déjà observé une augmentation de 19 % de ses ventes sur Google Shopping, de 29 % de son ROI et de 9 % son panier moyen. 

À lire aussi sur Alliancy :


Commenter

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *