Business

Customer Data is the new black

De gauche à droite : Valérie Moatti (Chaire Lectra-ESCP Europe), Gulnaz Khusainova (Easysize), Fabrizio Fantini (Evo Pricing), Elise Beuriot (Amazon), Olivier Dancot (Lectra) et Céline Abecassis-Moedas (Chaire Lectra-ESCP Europe)

En ouverture de la cinquième édition de la Fashion Tech Week, la chaire Mode et Technologie de l'ESCP Europe, soutenue par Lectra, a organisé le 12 octobre 2017 un débat sur la data dans la mode et sa distribution.

PublicitéDans le domaine de la mode américaine, quand quelque chose « is the new black » (« est le nouveau noir »), c'est qu'il est devenu très à la mode (d'où un titre ironique d'une série audiovisuelle). Comme chaque année en ouverture de la Fashion Tech Week, la chaire « Mode et Technologie » Lectra-ESCP Europe, qui existe depuis quatre ans pour traiter de l'intersection mode/technologie, a organisé le 12 octobre 2017 un débat. Pour cette cinquième édition, la Fashion Tech Week se déroule du 12 au 20 octobre 2017.
Le thème du débat de cette année était la « customer data » [données clients] qui serait, justement le « new black ». Les intervenants ne provenaient pas strictement de la sphère de la mode mais plus de la distribution de la mode, sans oublier le sponsor, Lectra, qui opère aussi bien dans le logiciel que dans le matériel nécessaire à la découpe du tissus (avec l'optimisation nécessaire).

Diminuer les retours

Après une introduction de Valérie Moatti (co-directrice de la Chaire Lectra-ESCP Europe), la table ronde a réuni Gulnaz Khusainova (CEO de Easysize), Fabrizio Fantini (CEO de Evo Pricing), Elise Beuriot (responsable du marché « mode » chez Amazon en Europe), Olivier Dancot (VP Data de Lectra) et Céline Abecassis-Moedas (co-directrice de la Chaire Lectra-ESCP Europe). La donnée a été vue, d'une manière générale, comme un moyen d'améliorer la distribution de la mode et d'optimiser la rentabilité des distributeurs.
Ainsi, pour EasySize, le premier problème à résoudre pour les e-commerçants opérant dans la mode est le retour de marchandises. Gênant pour le consommateur, qui est en principe déçu par le produit donc par l'enseigne, les retours sont ruineux pour le distributeur. La gestion des historiques d'achat permet de mieux recommander les bonnes options au consommateur et, donc, de diminuer le taux de retour.

Optimiser l'achalandage

En amont de cela, les données sur les historiques d'achat permettent surtout d'optimiser l'achalandage comme l'a rappelé Fabrizio Fantini. Amazon travaille évidemment ce point précis, d'autant plus que le distributeur en ligne est très en retrait sur ce secteur par rapport, par exemple, au secteur culturel. Les données d'historique permettent aussi de bien comprendre les goûts du consommateur dès la conception comme Olivier Dancot l'a souligné. Pour lui, les données collectées et traitées rapidement permettent la « Fast Fashion », c'est à dire des changements de collection tous les mois, en tenant compte des tendances observées grâce à la date. Et, en fonction du plan de charge de production, il est possible de déterminer à quel moment une maintenance sur une machine de coupe sera la plus rentable. Lectra permet ainsi de passer de la maintenance prédictive (savoir quand changer une pièce avant une panne) à la maintenance prescriptive (savoir quand il est le plus rentable de changer une pièce avant une panne).

PublicitéLes données d'historique peuvent être croisées entre plusieurs boutiques différentes, comme le propose Easysize. La difficulté est alors d'intégrer des données pas nécessairement homogènes à chaque fois qu'une nouvelle boutique entre dans le système. Mais la mutualisation des données profite bien sûr à chacun grâce à des informations plus riches. Et le machine learning, où l'ordinateur va apprendre par lui-même en croisant des données d'abord au hasard, peut permettre de dépasser des limites traditionnelles du décisionnel qui exige normalement que l'on sache quoi chercher.

Un meilleur service en échange de données personnelles

La vraie question soulevée -surtout en cette période de mise en conformité GDPR- concernait l'acceptation par le consommateur du traitement de données personnelles le concernant. Un distributeur comme Amazon ne demande que peu d'informations : une identité, une adresse mail, une adresse physique et un moyen de paiement. Le reste est collecté à partir du comportement en ligne du consommateur, donc sans rien lui demander directement. Ces données, croisées avec celles d'autres consommateurs et les stocks disponibles, permettent de proposer des offres dédiées.

Les données permettent ainsi d'optimiser le service rendu au consommateur. En tant que consommateur, a affirmé Fabrizio Fantini, il est prêt à livrer des données personnelles afin de bénéficier d'un meilleur service, plus proche de ses attentes. Gulnaz Khusainova a confirmé ce point de vue mais, pour elle, il est tout à fait essentiel que tout se fasse dans la plus parfaite transparence, que le consommateur maîtrise ses données et leur partage. Et donc qu'il sache quel service il peut obtenir en échange de quelles données.