Évaluez votre maturité et construisez une roadmap priorisée.
Découvrir le diagnosticÉclairer cinq décisions retail avec la Data Science et le machine learning
Quel seuil de livraison gratuite tester ? Quel effet une ouverture de magasin peut-elle avoir sur les ventes en ligne ? Chez Grain de Malice, un consultant data scientist d’aiko a développé cinq outils que quatre directions utilisent pour comparer des scénarios, fiabiliser leurs données clients et prioriser leurs actions.

Le point de départ
Mieux anticiper les effets d’une décision commerciale ou opérationnelle
Chez Grain de Malice, l’ouverture d’un magasin peut faire évoluer les ventes en ligne dans sa zone. Un changement du seuil de livraison gratuite peut modifier le panier moyen, mais aussi les retours, le réachat et les coûts logistiques. Et une même référence peut manquer en boutique alors qu’elle s’écoule lentement dans l’entrepôt web.
L’enseigne disposait d’historiques de ventes, de tickets, de retours et de stocks. L’enjeu était de les exploiter au moment où les équipes doivent comparer des options ou décider d’une action. Ces cinq projets s’inscrivent dans un accompagnement plus large de la DSI, de la stratégie IA à la mise en production.
Le dispositif déployé
Du cadrage métier aux outils dans Snowflake
Pour chacun des cinq projets, le consultant data scientist d’aiko a précisé la décision à éclairer, préparé les données et choisi la méthode adaptée.
- 01AI Build
Construire les modèles et les intégrer aux usages métier
Selon le besoin, aiko a entraîné un modèle prédictif, combiné des règles SQL et de la détection d’anomalies ou construit un moteur de recommandation fondé sur le gain attendu. Les modèles et les applications s’exécutent dans Snowflake, la plateforme Data déjà utilisée par Grain de Malice. Trois interfaces Streamlit donnent aux équipes la main sur les simulations et les investigations.
Ce qui a été réalisé
Cinq projets, de la simulation commerciale aux recommandations de stock
E-commerce
Comparer les seuils de livraison gratuite
À partir des historiques de ventes, de retours et de réachat, aiko a développé un modèle de machine learning pour estimer les taux de retour et de réachat selon le seuil testé. Le simulateur combine ces estimations avec les revenus et les coûts logistiques. L’équipe e-commerce peut ainsi comparer chaque scénario au seuil de 60 €, en vigueur au moment de l’étude.
Expansion réseau
Estimer l’effet d’une ouverture sur les ventes en ligne
aiko a entraîné un modèle supervisé sur l’historique des ventes web et magasin. L’équipe expansion renseigne la surface du point de vente envisagé et le type d’emplacement. L’application projette l’effet sur le chiffre d’affaires web local et aide l’équipe à estimer si le magasin pourrait stimuler les ventes en ligne ou en capter une partie.
Fidélité
Repérer les comportements atypiques avec Véracité
Des achats fractionnés sur une courte période peuvent multiplier les avantages fidélité et fausser des indicateurs comme le panier moyen ou la fréquence d’achat. aiko a combiné une analyse SQL des séquences d’achat et un score d’anomalie pour signaler les profils qui méritent un examen.
CRM
Adapter les campagnes à sept profils de clientèle
aiko a construit une segmentation K-means à partir de la récence, de la fréquence et de la valeur des achats, ainsi que de l’ancienneté des clientes. Le coefficient de silhouette a servi à évaluer la séparation entre les groupes. Les profils sont suivis dans le temps et le CRM s’appuie sur les sept segments pour personnaliser les campagnes et ajuster la fréquence des sollicitations.
Supply
Prioriser les transferts de l’entrepôt web vers les magasins
Le moteur croise les ruptures en magasin avec les stocks disponibles dans l’entrepôt web. À partir du rythme de vente en boutique, il estime la probabilité d’écoulement et tient compte du coût logistique. L’équipe supply dispose ainsi d’une liste priorisée des transferts dont le gain attendu dépasse le coût.
L’arbitrage structurant
Simuler l’effet d’un seuil avant de changer la politique de livraison
Un seuil plus élevé peut inciter certaines clientes à ajouter un article pour atteindre la livraison gratuite. L’intérêt économique du scénario dépend aussi de ce qui se passe après la commande, notamment des retours et du réachat, ainsi que du coût de la livraison.
aiko a donc relié la prédiction des comportements à un calcul économique. L’équipe e-commerce peut examiner les effets de chaque scénario et décider lequel mérite d’être testé auprès des clientes.
Les résultats
Des millions de tickets analysés et cinq solutions utilisées
Avec Véracité, la détection automatique oriente les analystes vers les profils signalés parmi des millions de tickets. Ils examinent les cas dans Streamlit et enregistrent leur qualification directement dans Snowflake. L’équipe dispose ainsi d’un processus qui va du repérage à la qualification de la donnée client.
- 5
- solutions livrées et utilisées
- 4
- directions métier équipées
Deux simulateurs, un outil d’investigation, une segmentation CRM et un moteur de recommandation.
E-commerce, expansion réseau, CRM et fidélité, supply.
Des analyses intégrées au travail des équipes
L’expansion réseau et l’e-commerce utilisent les simulateurs pour étudier leurs scénarios. Le CRM exploite les segments dans ses campagnes et la supply s’appuie sur les recommandations pour prioriser les transferts.
L’insight projet
Concevoir le modèle avec l’action que le métier doit pouvoir mener
La sortie utile dépend de la décision. Pour une ouverture, l’équipe doit pouvoir modifier les caractéristiques du projet et voir évoluer la projection. Pour un transfert, elle doit disposer d’un ordre de priorité qui tient compte du coût. Pour la fidélité, l’analyste doit pouvoir examiner le signal et consigner sa décision.
En s’appuyant sur la plateforme Data existante, aiko a réuni les données, les modèles et les outils métiers dans le même environnement. Sur Véracité, l’information saisie par les analystes est conservée à l’endroit où les tickets sont analysés. Découvrir Snowflake parmi les partenaires technologiques d’aiko.



