La prévision de l’effet promotionnel, c’est-à-dire le volume de ventes supplémentaire généré par une promotion commerciale par rapport à ce qui se serait vendu au prix habituel, constitue le défi le plus exigeant sur le plan technique dans la gestion des revenus des secteurs des biens de grande consommation (CPG/FMCG). Une étude réalisée par McKinsey & Companymontre que 72 % des promotions commerciales aux États-Unis ne génèrent pas de bénéfices, et qu'une part importante de cet échec est imputable à des hypothèses erronées concernant l'effet de levier lors de la phase de planification : les promotions conçues sur la base d'estimations exagérées de cet effet de levier affichent systématiquement un retour sur investissement inférieur aux prévisions.
Pour les marques de produits de grande consommation (CPG et FMCG) distribuées par des enseignes de grande distribution telles que Walmart, Kroger, Target, Costco, Amazon Fresh, Tesco et Carrefour, une prévision précise de l’effet promotionnel fait toute la différence entre un investissement commercial qui génère une croissance exponentielle et un investissement commercial qui érode les marges. Les fonctionnalités TPO de Blue RGM by UpClear utilisent des modèles d’IA de référence et de gain promotionnel entraînés à partir des données historiques de ventes de NielsenIQ, Circana, SPINS ou d’autres sources de données de point de vente (POS), pour générer des prévisions cohérentes et automatisées de l’effet promotionnel pour chaque client de distribution et chaque référence (SKU), permettant ainsi aux marques de produits de grande consommation (CPG) d’améliorer de 10 à 20 % le retour sur investissement promotionnel en concentrant leurs dépenses sur les promotions dont l’efficacité est avérée.
L'effet promotionnel correspond à l'augmentation du volume générée par une promotion commerciale par rapport au niveau de référence. Il désigne les achats supplémentaires effectués par les consommateurs et imputables à une baisse de prix, à une mise en avant en rayon ou à un investissement publicitaire, par opposition aux achats qui auraient de toute façon été réalisés au prix habituel. Pour prévoir avec précision l'effet de levier avant le lancement d'une promotion, deux éléments sont nécessaires : une estimation fiable du volume de référence (ce qui se vendrait sans la promotion) et un modèle permettant de déterminer le volume supplémentaire qui serait généré pour ce produit grâce à un mécanisme promotionnel spécifique, qu'il s'agisse d'un TPR basé sur les données de caisse, d'un présentoir en tête de rayonnage, d'une publicité ciblée ou d'une combinaison de ces éléments.
Ces deux aspects posent des défis techniques. L'estimation de référence nécessite de prendre en compte la saisonnalité, l'activité de la concurrence, les changements de distribution et les tendances sous-jacentes de la demande. La modélisation de l’effet de promotion nécessite suffisamment de données promotionnelles historiques au niveau client/référence/mécanisme pour identifier des tendances statistiquement fiables. Selon lePromotion Optimization Institute (POI), moins de 30 % des marques de produits de grande consommation (CPG) disposent de l’infrastructure de données nécessaire pour produire des prévisions fiables de l’effet de promotion, ce qui oblige la majorité d’entre elles à s’appuyer sur des moyennes historiques ou sur le jugement des responsables de compte.
Les équipes commerciales et/ou de gestion des revenus du secteur des produits de grande consommation (PGC) et des produits de grande consommation courante (FMCG) ont recours à quatre catégories de méthodes, allant des plus simples aux plus sophistiquées, pour prévoir l'impact des promotions.
Moyenne historique: l'approche la plus simple consiste à calculer la hausse moyenne enregistrée lors de promotions similaires chez le même détaillant au cours des années précédentes et à l'utiliser comme prévision. Utile pour donner une orientation générale, mais peu sensible aux changements dans la dynamique concurrentielle, la structure tarifaire ou la lassitude face aux promotions.
Décomposition des données syndiquées: NielsenIQ, Circana et SPINS proposent, dans leurs rapports sur les ventes au détail, une décomposition des volumes en volume de base et en volume supplémentaire, ce qui permet aux marques de constituer des bases de données historiques sur les taux de progression par enseigne, par type de promotion et par tranche de prix. Cette méthode est plus précise que les simples moyennes, mais nécessite un investissement continu dans les données syndiquées ainsi qu’une analyse manuelle pour en extraire des prévisions exploitables.
Modélisation économétrique: modèles statistiques élaborés par des équipes de science des données qui prennent en compte simultanément plusieurs facteurs influençant la demande, l’élasticité-prix, les promotions concurrentielles, la distribution et la saisonnalité, afin d’isoler l’effet promotionnel réel. Il s’agit de l’approche manuelle la plus précise, mais elle nécessite des ressources analytiques spécialisées dont la plupart des marques de produits de grande consommation du marché intermédiaire ne disposent pas en interne.
Prévisions de la couche de neige de base et de l'enneigement en altitude grâce à l'IA: Fonctionnalités TPO dans la version Blue RGM d'UpClears et maintenirs Des modèles de référence et de projection basés sur le machine learning (ML), entraînés automatiquement à partir des données historiques de ventes de NielsenIQ, Circana, SPINS ou d’autres sources de données de point de vente (POS), sans nécessiter l’intervention d’une équipe dédiée à la science des données. Il s’agit de l’approche la plus évolutive et la plus cohérente pour les marques de produits de grande consommation (CPG) qui gèrent des promotions auprès de multiples clients détaillants et portant sur des centaines de références (SKU).
Les fonctionnalités TPO de Blue RGM automatisent la prévision de l'impact promotionnel au sein de la même plateforme que celle utilisée pour la gestion quotidienne des promotions commerciales (TPM), sans nécessiter de système analytique distinct. Pour chaque combinaison client/référence, les modèles de science des données de Blue RGM établissent un volume de référence statistique à partir des données historiques de ventes de NielsenIQ, Circana, SPINS ou d’autres données de point de vente, en tenant compte de la saisonnalité, des tendances et des changements de distribution.
Les modèles de hausse des ventes calculent ensuite le volume supplémentaire attendu résultant de mécanismes promotionnels spécifiques, de la profondeur du TPR, du type de présentoir, de la publicité mise en avant ou d’une combinaison de ces éléments, en se basant sur les performances historiques de promotions comparables chez le même détaillant. Lorsqu’un chargé de compte élabore un plan promotionnel dans le module « Planner » de Blue RGM, la hausse prévue des ventes et le retour sur investissement (ROI) pour le scénario planifié s’affichent en temps réel, ce qui permet de comparer différentes alternatives avant que le plan ne soit soumis au client détaillant. Les modèles de lift de Blue RGM se mettent automatiquement à jour à mesure que de nouvelles données de ventes sont disponibles, ce qui signifie que les modèles s’améliorent continuellement à chaque événement promotionnel mis en œuvre.
Pour prévoir l'efficacité d'une campagne promotionnelle avant d'engager des dépenses, cinq étapes sont nécessaires, que Blue RGM d'UpClear automatise grâce à ses fonctionnalités intégrées de TPM et de TPO.
Les marques du secteur des biens de grande consommation (CPG/FMCG) qui mettent en œuvre et utilisent les outils et processus TPO enregistrent une augmentation de 10 à 20 % du retour sur investissement de leurs actions promotionnelles.
La hausse des ventes liée à une promotion correspond à l'augmentation du volume des ventes générée par une promotion commerciale par rapport au niveau de référence, c'est-à-dire au volume qui aurait de toute façon été vendu au prix habituel. Elle résulte de baisses de prix, de mises en avant en magasin ou de campagnes publicitaires. Pour prévoir cette hausse, deux éléments sont nécessaires : une estimation fiable du volume de référence et un modèle permettant de déterminer le volume supplémentaire qu'un dispositif promotionnel spécifique est susceptible de générer.
Non. La hausse des ventes peut s'expliquer par une expansion de la distribution ou par des facteurs saisonniers. La hausse liée aux promotions est spécifique à un événement promotionnel.
Les équipes du secteur des biens de grande consommation (CPG/FMCG) utilisent quatre approches différentes pour prévoir l’effet promotionnel, allant des plus basiques aux plus avancées :
1. Moyenne historique (application des taux d’effet promotionnel passés)
2. Décomposition des données syndiquées (à l’aide des rapports de base ou incrémentiels de NielsenIQ, Circana ou SPINS)
3. Modélisation économétrique (modèles statistiques tenant compte de multiples facteurs de demande)
4. Prévisions de base et de gain par IA (construction automatique de modèles d’apprentissage automatique à partir des données de ventes d’une marque)
L'estimation de référence nécessite de tenir compte de la saisonnalité, de l'activité concurrentielle, des changements dans la distribution et des tendances de la demande. Cependant, la modélisation de l'effet de levier nécessite suffisamment de données historiques au niveau client/référence/mécanicien pour identifier des tendances fiables. La création et la maintenance de cette infrastructure de données constituent un défi pour de nombreuses marques de produits de grande consommation.
UpClear est une société de logiciels et l'éditeur de Blue, une plateforme d'intelligence utilisée par les marques de biens de consommation. Nous proposons une solution globale de gestion de la croissance du chiffre d'affaires, comprenant des fonctionnalités pour la gestion des prix (TPM), la gestion des offres (TPO), la planification intégrée des stocks (IBP) et la gestion de la croissance du chiffre d'affaires (RGM). Notre mission est de donner aux marques les moyens d'optimiser leurs performances en matière de chiffre d'affaires et le retour sur investissement de leurs actions commerciales grâce à un logiciel intelligent et collaboratif, offrant une source unique de données fiables, une automatisation rationalisée et des informations exploitables.
La plateforme Blue RGM Intelligence prend en charge l'ensemble des processus de gestion des revenus, du brut au net : planification opérationnelle annuelle, planification des comptes et exécution. Les solutions s'appuient sur l'analyse de données, l'intelligence artificielle et la gestion des données, qui permettent de relier les équipes et les systèmes d'entreprise.
Nous sommes là pour vous aider.
[email protected]
