Challenges client

• Proposer aux équipes commerciales des recommandations de produits et de clients à solliciter en se basant sur une démarche orientée Data
• Automatiser le rafraichissement des recommandations et concevoir une solution générique permettant son déploiement sur plusieurs marchés différents
  

Approche méthodologique

• Compréhension du besoin et analyse de la méthodologie utilisée pour évaluer les opportunités de vente
• Implémentation d’un algorithme de Data Science permettant de :
  • Enrichir les données de vente (Product mix des marques Pernod-Ricard et Compétition) par les données socio-démographiques relatives à la zone de chalandise de chaque point de vente (Age, revenus, études, données ethniques pour le marché US)
  • Faire appel à un algorithme non-supervisé de clustering, permettant d’identifier les points de vente présentant des similarités dans les comportements d’achat et les données socio-démo.
  • Au sein de chaque cluster, calculer la fair-share (la moyenne des ventes par marque pour tous les points de vente faisant partie d’un cluster donné).
  • Comparer les ventes de chaque point de vente par marque par rapport à la fair-share correspondante : dans le cas où ces ventes-ci sont inférieures à la fair-share, nous pouvons parler d’une opportunité de vente supplémentaire pour la marque donnée
• Mise à disposition des résultats aux équipes commerciales via un tableau de bord Power BI. ce qui leur permet de cibler les points de vente avec l’opportunité la plus intéressante
• Mise en production de la solution dans un environnement cloud (Python, Microsoft Azure)

Résultats

• Simulation, prédiction d’impact et optimisation de différents scénarios de promotion
• Mise en production de la solution et automatisation des rafraichissement des données
• Couverture de 3 marchés différents en se basant sur la même solution de calcul