L'analyse étudie l'impact de la présence d'un magasin physique dans une zone géographique sur le chiffre d'affaire eCommerce de la même zone.

1. Comprendre le lien entre ventes retail
et eCommerce de la marque
DataBird - mars 2021

2. Contexte, objectifs de l’étude et méthodologie
1. Exploration des comportements des internautes par zones géographiques
(GA)
2. Exploration de l’ensemble des ventes Volcom (FR) Retail et eCommerce
(Dataset)
Conclusions et préconisations
Analyse Volcom
2

3. La marque en France
13 magasins Retail (+ 2 outlets)
Volcom en France
+ 1 site eCommerce
+ des Marketplaces (Amazon, All Tricks…)
3

4. Un CA 2020 de 8,38 M€* **
● 65% pour le Retail
● 35% pour l’eCommerce
Volcom en France
*sur la base des données de ventes qui nous ont été fournies dans le dataset.
Susceptible de différer du CA comptable.
**A comparer au CA Volcom Monde
CA 2020 (source Dun & Bradstreet) : $103.81 million
4

5. Question
« Y a-t-il un lien entre les ventes en magasins et les ventes en ligne ? »
Plus précisément
● L’implantation d’un nouveau magasin physique dans un secteur géographique a-t-il des
répercussions pour la marque sur le site internet ?( chiffre d’affaire, nombres d’utilisateurs,
sessions, taux de conversion…) et plus globalement pour l’eCommerce (marketplaces)
● Améliore-t-il la notoriété de Volcom dans la zone concernée en augmentant les ventes en
ligne?
Axe d’analyse principal : géographique
(régions, villes)
5

6. Sources de données
2 principales sources de données distinctes :
- le dataset qui fusionne les ventes Retail et eCommerce sur la période 2019-début
2021
- les Google Analytics période 2017-début 2021
autre source :
- INSEE comparateur de villes
6

7. Méthologie
Un Dataset dense
10 tables différentes certaines avec 40 colonnes et 2 millions de lignes
- long travail de préparation de la donnée
- Export dans SQL Express
- Interpretation des donnees complexe et chronophage
- Formatage en .csv et .xlsx
- Nettoyage sur notebook Jupyter Python
Un compte Google Analytics pour le site
- Exploration et repérage des données disponibles
- Export et reformatage des données Excel pour pouvoir les
utiliser en dehors de GA
Mise en forme sur Tableau Desktop
1. Préparation des données
2. Analyse des données
7

8. 1 fichier csv
par table
1 fichier csv
retraité par
table
Export GA
Jan 2019-Fev 2021
Ventes shops et eCommerce
(Volcom.fr +Marketplaces)
2017-2020
Ventes eCommerce
Volcom.fr
INSEE
Export et nettoyage des données
Volcom.fr
8

9. Explorer pour comprendre
Analyses
Après une première exploration des données aussi bien sur le Dataset que via les Google
Analytics, les échanges que nous avons eus avec Volcom nous ont permis de comprendre que le
dernier magasin retail ouvert était celui de Lille en août 2018.
A partir de là, nous avons entrepris 2 analyses parallèles :
1. Une analyse du site Volcom.fr via les Google Analytics pour comparer sur un mode
descriptif les comportements des internautes de Lille et d’un panel de villes similaires sur la
période 2017-2020
2. Une analyse plus fouillée du Dataset dans laquelle nous avons pu croiser les chiffres de
l’eCommerce avec ceux du retail.
9

10. Exploration des comportements des internautes
en fonction des zones géographiques
Analyse des Google Analytics 2017-2020
Pour comprendre l’impact sur le commerce en ligne de l’ouverture d’un magasin physique dans une
ville, il faut pouvoir comparer avec d’autres villes similaires mais sans magasin.
Une analyse descriptive du site Volcom.fr via les Google Analytics
pour comprendre les comportements des internautes dans ces villes
sur la période 2017-2020
1.
10

11. Analyse d’un magasin : Lille
Ouverture du magasin
Aout 2018
Comprendre l’impact de l’implantation d’un store
en analysant les résultats de
Lille
versus
un panel de villes similaires sans magasin
Analyse à partir de Google Analytics sur la période 2017-2020
Analyse des Analytics de Volcom.fr
11

12. 12
Choix des villes du panel
4 villes comparables à Lille en terme de population, de
densité et au niveau économique :
- Strasbourg
- Dijon
- Rennes
- Montpellier
A noter : Ces villes ont aussi toutes un skatepark
Données comparateur de villes INSEE

13. Analyse géographie
● 5 Villes
○ Lille
○ Strasbourg
○ Dijon
○ Montpellier
○ Rennes
Analyse des Analytics de Volcom.fr
● 5 Régions
○ Hauts-de-France
○ Gand-Est
○ Bourgogne-Franche-Comté
○ Occitanie
○ Bretagne
2 niveaux d’analyse : les villes et les régions correspondantes
13

14. Analyse des régions
Analyse des Analytics de Volcom.fr
Des revenus qui globalement progressent dans la période et
un nombre d'utilisateurs constant.
Une région, l’Occitanie est bien au dessus des autres aussi
bien en terme de revenu que de nombre d’utilisateurs :
- La présence d’une autre grande ville avec un magasin,
Toulouse, explique sûrement ce décalage.
14

15. Progression des sessions et des transactions
Analyse des régions du panel
Le nombre de sessions dans les Hauts-de-France ainsi que le nombre de
transactions semblent progresser plus et de façon constante.
15

16. Panier moyen et taux de conversion
Analyse des régions du panel
Un panier moyen plutôt constant et similaire dans les 5 régions.
Un taux de conversion dans les Hauts-de-France inférieur qui
rattrape ensuite le niveau des autres villes.
16

17. Analyse des villes du panel
Analyse des Analytics de Volcom.fr
Homogénéité des villes du panel hormis Dijon qui est bien en
dessous des autres.
17

18. Evolution du revenu dans les 5 villes
Analyse des villes du panel
Saisonnalité des ventes
dans les différentes villes
NB : particularité de
Montpellier en sept 2019
Cette observation se
retrouve au niveau des
ventes retail et
eCommerce globables
18

19. Progression des sessions et des transactions
Analyse des villes du panel
Le nombre de sessions ainsi que le nombre de transactions
semblent progresser plus à Lille et de façon constante.
19

20. Panier moyen et taux de conversion
Analyse des villes du panel
Un panier moyen plutôt constant mais inférieur à Lille.
Un taux de conversion à Lille plus bas que dans les autres villes.
L’internautes lillois a donc vraisemblablement moins de valeur mais
le taux semble progressivement rattraper celui des autres villes.
20

21. Exploration de l’ensemble des ventes Volcom (FR)
Retail et eCommerce
Analyse du Dataset 2019-2020
La suite de l’analyse se base sur le Dataset fourni par Volcom, couvrant à la fois les ventes retail et
l’eCommerce Volcom.fr et marketplaces.
● Etude descriptive de l’ensemble du périmètre France
● Comparaison des ventes eCommerce entre Lille et les villes sans magasin (même étude que
celle menée sur GA mais en incluant les ventes e-commerce des marketplaces)
● Etude descriptive des ventes e-commerce pour les 13 villes disposant d’un magasin
2.
21

22. Analyse du Dataset 2019-2020
Saisonnalite Retail - eCommerce
On remarque la prééminence du retail sur
ventes eCommerce
Saisonnalité: pic été /hiver
Effet du confinement très visible
22

23. Analyse du Dataset 2019-2020
La saisonnalité est plus marquée
pour retail que pour eCommerce.
Une saisonnalité moins marquée dans l’eCommerce
23

24. Analyse du Dataset 2019-2020
Un CA drivé par le Retail
3 /4 du CA provient des Stores et Outlets
Sites Volcom et marketplaces sont du
même ordre de grandeur
24

25. Effet de balancier entre site volcom et autres sites?
La baisse des ventes d’un canal semble être compensée par l’autre
canal eCommerce.
Analyse du Dataset 2019-2020
Volcom.fr versus Marketplaces
25

26. Analyse du Dataset 2019-2020
Rattrapage progressif de Volcom.fr par les marketplaces
Constatation également vraie pour tout le
périmètre France (cf ci-dessous)
2019 2020
26

27. Analyse du Dataset 2019-2020
Panier moyen: Retail versus eCommerce
Un panier moyen supérieur en
retail.
Les vendeurs en magasin ont
leur utilité !
27

28. Comparaison des ventes eCommerce sur le panel des 5 villes
Y a t il une différence quand aux tendances de l’eCommerce?
Analyse du Dataset 2019-2020
Comparaison de
Lille
versus
le panel de villes similaires sans magasin
28

29. Analyse du Dataset 2019-2020
Revenu eCommerce dans les 5 villes
A première vue, pas de différence
flagrante entre LILLE et les villes
sans magasins (mais une différence
va apparaître dans une analyse
ultérieure)
Légère montée des ventes en 2020
(probablement effet confinement)
On retrouve les variations atypiques
de Montpellier en septembre 2020.
+ Effet confinement très fort à
Rennes en mars 2020
29

30. Analyse du Dataset 2019-2020
Revenu eCommerce dans les 5 villes - 2019 / 2020
14% 19%
Lille : on voit une forte
progression du CA en 2020
30

31. Analyse du Dataset 2019-2020
Lille : confirmation de la forte
progression du CA en 2020.
On note également que le panier
moyen se maintient à Lille alors
qu’il diminue ailleurs.
Revenu eCommerce dans les 5 villes - 2019 / 2020
(Revenu et panier moyen)
31

32. Analyse du Dataset 2019-2020
Croissance du CA de Lille
Difference en % entre CA 2020 et 2019
Lille augmente son CA plus
fortement que les autres villes du
panel.
32

33. Ventes magasins retail
Analyse du Dataset 2019-2020
33

34. Analyse du Dataset 2019-2020
Ventes retail & eCommerce
A première vue, prééminence écrasante des
ventes magasin sur eCommerce
Ces résultats ont été obtenus en étudiant les
villes, ils mériteraient d'être étendus aux
agglomérations correspondantes.
34

35. Conclusions
● L’eCommerce FR se maintient avec le confinement, voir augmente légèrement au cours des 2 dernières années.
● La présence d’un magasin retail a un impact positif non negligeable sur le site Volcom.fr :
○ les visites du site (sessions)
○ le nombre de transactions
● Les ventes eCommerce via les marketplaces progressent plus vite que celles du site Volcom.fr
● Le taux de croissance du CA eCommerce (tous canaux) de Lille bien supérieur aux autres villes du panel (sans
magasin).
● Des signaux faibles à creuser :
○ L’impact de gros magasins dans des villes plus importantes (Nantes ou Toulouse)
Notre analyse comparative s’est portée sur des villes comparables à Lille.
35

36. Pour aller plus loin - Préconisations (1)
Incontestablement, et comme la liste des préconisations que nous suggérons vous le montrent, la complexité du
dataset aurait mérité davantage de temps pour une analyse plus poussée.
Quelques pistes :
● Récupérer le dataset de 2017-2018 pour comprendre l’impact réel de l’implantation du magasin de Lille.
Croiser ces résultats avec une autre implantation de magasin dans une autre ville (plus grande).
NB: il est difficile de remonter trop loin, en effet, l'émergence de l’eCommerce est récente
● Un test statistique permettrait d’approfondir la compréhension de l’impact positif de la présence d’un
magasin a sur la croissance du CA en eCommerce.
● Des données complémentaires pourraient être utiles pour compléter l’analyse : calendrier des campagnes
media et marketing.
● Compléter le paramétrage de Google Analytics en croisant notamment la dimension géographique avec les
données démographiques (âge et genre + ville/region)
36

37. Pour aller plus loin - Préconisations (2)
● La sélection géographique des communes retenues dans le panel ne tient pas compte de leur agglomération.
Une étude plus poussée du trafic internet autour des villes des magasins permettrait une compréhension
plus fine du lien entre retail et eCommerce. → récupération des codes postaux par exemple pour élargir
l’analyse aux communes autour de la zone d’implantation
● Tenter de comprendre l’effet de balancier qu’il semble y avoir entre le site Volcom.fr et les market places.
● La comparaison des paniers moyens dans les différentes zones géographiques permettrait :
○ De connaître la performance des magasins
○ Et couplé au taux de conversion : la valeur relatives des internautes des différentes zones.
● Utilisation des mails des clients pour compléter avec une étude de cohortes pour mieux comprendre la
fidélisation, les comportements des adeptes de la marque, la fréquence d’achat, les produits associés…
● Même possibilité : tracer les clients retail avec un identifiant unique.
37

38. Merci !
Marine Batiste Laurent de Castelbajac Gary Hoareau