Bien avant l’avènement de plateformes de données clients (CDP)le modèle commercial de Kohl était centré sur la collecte et la culture des données clients.
« Nous disposons d’un environnement de données client développé en interne depuis des décennies », déclare Paul Gaffney, directeur technique et responsable de la chaîne d’approvisionnement de la chaîne de grands magasins américaine d’une valeur de 19,4 milliards de dollars. « Et nous sommes assez satisfaits de notre implémentation personnalisée. »
Le détaillant basé à Milwaukee, dans le Wisconsin, a initialement construit son CDP sur site sur Netezza, créant des profils de clients solides basés sur le vaste portefeuille de cartes de crédit de la chaîne et « une approche historique de la fidélisation et de l’attachement des clients qui est très personnalisée », explique Gaffney. .
Mais au cours des dernières années, Kohl’s a fait un grand pas vers le cloud dans le cadre d’une « modernisation technologique » qui, selon Gaffney, tire le meilleur parti de l’apprentissage automatique, de la personnalisation, des ensembles de données démographiques améliorés et des informations « d’hyper-localisation » pour fournir la marchandise la plus pertinente aux magasins locaux.
La transformation voit le détaillant, qui est actuellement en vente, exécuter des charges de travail sur Google Cloud Platform et sur des serveurs Google Cloud privés sur site exécutant VMware, ainsi que certaines charges de travail utilitaires sur Amazon Web Services, a déclaré le CTO. Alors que le cloud sur site actuel de l’entreprise utilise une suite complète d’outils, y compris Qlik pour l’analyse avancée et la visualisation des données, le plan à long terme de Kohl pour les données concerne Google BigQuery, déclare Gaffney.
« Il y a quatre ans, nous avons commencé à nous concentrer sur BigQuery en tant qu’environnement de données principal », une décision dont Gaffney dit avoir hérité. Kohl’s a depuis mis en place une pratique sophistiquée de science des données autour de la plate-forme Google, la plupart des données critiques du détaillant, y compris les vues sur les performances des clients, des produits et de l’entreprise, résidant désormais dans cet environnement de données modernisé.
Mais Gaffney est loin d’avoir fini.
« Il nous reste environ deux ans pour arriver à un point où je nous décrirais comme une organisation entièrement basée sur les données, utilisant des processus de décision automatisés au lieu d’utiliser des données qui ne font qu’augmenter les processus de décision humains », déclare Gaffney.
La clé de cette poussée est une stratégie visant à tirer le meilleur parti de l’apprentissage automatique et des données tierces au service de la personnalisation des clients et de l ‘«hyper-localisation» des décisions de marchandisage, explique Gaffney.
La puissance des données tierces
Kohl’s, qui emploie 1 000 personnes dans son organisation informatique, dont 50 scientifiques des données, a lancé sa campagne d’automatisation des données il y a 18 mois. Actuellement, la vaste collection de données client de première partie de la chaîne ainsi que des ensembles de données tiers sous licence sont en cours de migration vers BigQuery pour appliquer des modèles d’apprentissage automatique avancés et une technologie de personnalisation améliorée pour renforcer les ventes, explique Gaffney.
Comme de nombreux détaillants, Kohl’s utilise également des modèles d’apprentissage automatique accessibles au public sur la plate-forme Google et a utilisé la plate-forme Vertex AI de Google. Le détaillant a également autorisé un ensemble de données appelé Demand Brain de Deloitte axé sur la demande, la compréhension et les prévisions des consommateurs, explique Gaffney, expliquant que toutes les grandes sociétés de conseil ont des produits d’abonnement aux données et des moteurs ML disponibles pour les licences.
L’analyste de Gartner, Erick Brethenoux, affirme que l’utilisation des données des consultants et des modèles ML gagne du terrain, en particulier chez les détaillants.
« De nombreuses organisations font appel à des tiers pour créer des modèles pour eux », déclare Brethenoux, notant que les cabinets de conseil utilisent également des ensembles de données tiers pour pré-construire des modèles à intégrer dans les systèmes clients ou, dans de rares cas, utilisent à la fois leur propre technologie et leur propres données pour créer des modèles pour les détaillants et d’autres clients.
Kohls, par exemple, a obtenu une licence pour une plate-forme de Deloitte appelée InSightIQ et travaille avec un autre partenaire, Axiom, pour améliorer ses données de première partie avec d’autres ensembles de données. Travailler avec des partenaires est essentiel pour distinguer quels signaux de données sont utiles et ce qui est du bruit, dit Gaffney.
« L’une des choses les plus intéressantes dans le paysage technologique actuel est la prolifération de ces ensembles de données tierces syndiquées », dit-il.
Par exemple, Kohl’s utilise une combinaison d’algorithmes de dépenses des clients pour prédire la prochaine meilleure offre à un client en fonction de ses achats récents. Une grande partie de cela est basée sur les données de première partie des clients de Kohl en ligne et dans les magasins. Mais maintenant, pour en savoir plus sur leurs clients fidèles, Kohl’s peut utiliser des ensembles de données tiers sous licence pour obtenir des informations précieuses sur l’emploi ou les activités récréatives d’un client, par exemple.
« Nous avons commencé à augmenter les données de première partie avec des données de tiers pour déterminer quel type de travail ils font quand ils ne font pas leurs courses et cela a un impact sur les chaussures que nous devrions leur offrir, et ce n’est qu’un exemple parmi des dizaines. », déclare Gaffney, ajoutant que la communauté des investisseurs utilise des ensembles de données tiers depuis de nombreuses années, tandis que la communauté des affaires en général en est aux premiers jours de leur utilisation.
« Au cours des six derniers mois, nous avons commencé à ajouter, à côté de ces algorithmes déterministes sans apprentissage, de nouveaux modèles d’apprentissage automatique pour nous aider à être plus précis sur les types d’offres que nous devrions faire [to shoppers]à qui nous devrions les faire et quand nous devrions les faire », dit-il.
Gaffney ne voit que des opportunités dans l’espace de personnalisation. « Nous avons été très efficaces dans l’utilisation de la science des données pour mieux cibler nos campagnes marketing historiques », déclare le CTO. « Je pense qu’il ne nous reste plus que six mois pour passer d’une approche basée sur les campagnes à une approche véritablement personnalisée et encore trois bonnes années à cinq années d’amélioration continue. »
De meilleures décisions grâce aux données
Avec son CDP modernisé et sa stratégie de personnalisation entièrement en place, Kohl’s pourrait être sur le point de faire d’autres mouvements commerciaux plus importants. Par exemple, Kohl’s a puisé dans ses données clients pour former un partenariat marketing avec le géant des cosmétiques Sephora, dans le but de créer une entreprise de beauté de 2 milliards de dollars. Kohl’s aura des magasins Sephora dans 850 de ses plus de 1 100 magasins d’ici 2023, selon les responsables de Kohl.
Pour Gaffney, l’hyper-localisation est l’une des applications les plus « excitantes » des données tierces. L’un des objectifs, explique-t-il, est d’appliquer l’apprentissage automatique à un mélange de données propriétaires et tierces pour prendre des décisions de marchandisage très ciblées et déterminer où ouvrir des magasins sur la base d’une matrice de milliers de points de données.
Cela pourrait s’avérer précieux dans les plans de l’entreprise d’ajouter 100 nouveaux magasins de petit format à sa flotte de grands magasins au cours des quatre prochaines années. Au cours des décennies passées, en utilisant uniquement ses propres données clients, Kohl’s proposait un assortiment identique de produits dans chaque magasin en fonction de données démographiques de base telles que le revenu, les informations sur la demande, la concurrence locale et l’appartenance ethnique du quartier. Il y a à peine deux ans, en appliquant des ensembles de données tiers en plus de ses données de première partie, Kohl’s a pu générer, par exemple, environ 35 assortiments différents de chaussures pour divers magasins en fonction de la population supplémentaire, de la météo et d’autres tiers. données du parti, dit Gaffney.
Et ce nombre a explosé à mesure que le volume de modèles d’apprentissage automatique et d’ensembles de données tiers a augmenté. « Nous avons maintenant une matrice d’environ 1 500 cellules au lieu de seulement 35 », explique le CTO. « C’est la prochaine étape : … s’appuyer sur ce paradigme sous-jacent pour trouver de meilleures données et utiliser une meilleure science des données pour rendre les données plus granulaires et donc prendre des décisions plus efficaces. »
Source link