Projets

Monoprix Online mise sur l'IA pour suggérer des équivalents pertinents aux produits manquants

---

À l'occasion du salon Big Data & AI Paris 2021, Dimitri Sculy-Logotheti, en charge des solutions Monoprix Plus et e-commerce alimentaire de Monoprix, a expliqué comment des algorithmes de machine learning aidaient l'enseigne à améliorer la gestion des produits manquants sur son activité e-commerce alimentaire.

PublicitéAu cours de l'année passée, le e-commerce alimentaire a explosé. Chez Monoprix, les livraisons à domicile ont ainsi augmenté de 166% sur cette période. Pour l'enseigne, l'expérience offerte aux clients en ligne est d'autant plus essentielle. La manière de gérer les produits manquants ou en rupture fait partie des éléments qui influencent cette expérience, jouant directement sur la satisfaction des clients. Pour le distributeur, c'est aussi un facteur important en termes de rentabilité. En effet, dans les commandes en ligne, les coûts de distribution restent fixes. Dans ce contexte, chaque produit ajouté au panier compte pour obtenir un résultat opérationnel positif. Pour répondre à ce double enjeu, Monoprix souhaitait proposer les meilleurs produits de substitution quand un produit n'est pas disponible. Dans ce but, l'enseigne a développé avec son partenaire Relevanc des algorithmes de machine learning, afin d'identifier plus facilement des produits équivalents dans un assortiment de plus de 30 000 références. Dimitri Sculy-Logotheti, en charge des solutions Monoprix Plus et e-commerce alimentaire de Monoprix, ainsi que Clément Contamine, senior vice-président solutions chez Relevanc, ont détaillé cette approche lors du salon Big Data & AI Paris 2021.

« Nous distinguons deux cas d'usage », a expliqué Dimitri Sculy-Logotheti. Dans le premier cas, le client est en train de constituer son panier sur le site. Celui-ci s'actualise et l'enseigne constate que certains produits seront en rupture au moment du passage de commande. « Dans ce cas, il s'agit de trouver des propositions de remplacement parmi les produits en stock dans l'entrepôt », a poursuivi Dimitri Sculy-Logotheti. Le but est de suggérer des produits équivalents en termes de prix et de catégorie, afin d'avoir le panier le plus élevé possible au moment de la commande. Dans le second cas, le client a déjà passé commande, et un produit promis manque à l'appel pour diverses raisons. « Dans un tel cas, il est parfois préférable de ne rien offrir en remplacement, par exemple si le produit manquant est un vin très spécifique. Sinon, nous proposons un produit de substitution à la livraison, en nous limitant à la suggestion la plus pertinente. Le client a alors le choix d'accepter ou non celui-ci », a décrit le responsable des solutions e-commerce alimentaire. Ces deux cas d'usage sont très différents. Sur le premier, le client a le choix, ce qui autorise davantage de latitude sur les produits proposés. Sur le second, la prise de risques possible est bien moindre, car une proposition non pertinente peut nuire à l'image de marque de l'entreprise. « Il faut donc trouver le bon équilibre », a souligné Clément Contamine.

Un apprentissage initial complexe

En raison du nombre de références, il était indispensable d'automatiser autant que possible le processus d'identification des produits de substitution. Les équipes de Monoprix et Relevanc ont donc décidé de recourir à l'intelligence artificielle pour bâtir une telle fonctionnalité. Mais quelques difficultés ont surgi. « En magasin, tout se passe dans la tête du client, il trouve lui-même les produits de remplacement. Il existait donc très peu de données disponibles pour apprendre », selon Clément Contamine. La phase d'apprentissage s'est donc révélée complexe, d'autant que selon les produits les caractéristiques importantes varient. « Par exemple, sur les colorations de cheveux, un client qui veut du blond ne va pas accepter du brun. Sur les couches bébé, une taille ne peut pas être remplacée par une autre. Dans certains cas, le contexte de la commande joue également un rôle déterminant : remplacer une canette de soda d'une marque par une autre n'a pas le même impact si la commande porte sur 1 ou 10 000 canettes » a détaillé le SVP solutions de Relevanc. Il faut donc être très prudent lorsqu'on teste les algorithmes sur de nouveaux produits, afin de ne pas créer d'insatisfaction chez le client.

PublicitéPour surmonter ces différents obstacles, l'équipe récupère d'abord les informations clefs des produits par différents moyens, dont la reconnaissance du langage naturel (NLP). « L'information n'est pas suffisamment structurée aujourd'hui, les caractéristiques importantes sont souvent contenues dans les descriptions des produits », a observé Clément Contamine. Sur la plupart des produits, les paramètres les plus importants sont souvent le volume et le prix, suivis de la marque. Relevanc a aussi mis en place une table d'initialisation sur les nouveaux produits. « Quand nous ne savons pas si une substitution est acceptable ou pas, nous testons d'abord sur le premier cas d'usage, moins risqué. Nous effectuons aussi une validation manuelle des suggestions dans certaines catégories, par carottage, car c'est la seule façon de vérifier que l'algorithme reste pertinent », a précisé Clément Contamine, pour qui « il est important de ne pas céder à la tentation de tout automatiser ». Par la suite, une boucle assez classique de machine learning prend le relais pour capter les retours clients et améliorer les propositions. Parmi les axes de progression à l'étude figure aussi la prise en compte du contexte client, afin de mieux comprendre pourquoi une commande est faite.

Des taux d'acceptation reflétant la prise de risques

Proposée à travers une API, la fonctionnalité de substitution alimente aujourd'hui les deux cas d'usage. Pour suivre la performance des algorithmes, les équipes ont mis en place plusieurs indicateurs clefs complémentaires du Net Promoter Score (NPS), qui suit la satisfaction des clients. Pour le premier cas d'usage, en moyenne 60% des appels à l'API génèrent des ventes sur le site e-commerce. Dans le second cas, concernant les commandes en préparation, 97% des produits proposés par les préparateurs de commande sont acceptés par les clients. « L'écart entre ces deux indicateurs reflète la prise de risque différente selon le cas d'usage. Dans le second cas, l'acceptation est maximale » a pointé Dimitri Sculy-Logotheti. Grâce à l'apprentissage permanent et aux échanges réguliers entre les deux partenaires, il devient possible de prendre davantage de risques au fil du temps, sans détériorer les KPI finaux.

Article rédigé par

Aurélie Chandeze, Rédactrice en chef adjointe de CIO
Suivez l'auteur sur Linked In,

Partager cet article