Le document traite des pratiques de géomarketing pour l'implantation et l'optimisation des points de vente, en intégrant des analyses sociodémographiques et géographiques. Il présente des études de cas, notamment la stratégie de Renault pour cibler efficacement ses clients, en utilisant des données internes et open data pour modéliser la diffusion de ses véhicules. Enfin, il explore des approches de simulation et de machine learning pour évaluer et optimiser les performances de divers points de vente.

1. Implanter ses points de vente :
géomarketing & méthodes
d'optimisation

2. Cédric Hervet
Directeur Recherche Opérationnelle
Catherine Daval
Experte Géomarketing
Athmane Hamel
Directeur Computer Science
2

3. QUAND LE GÉOMARKETING DEVIENT PRÉDICTIF
Enjeux et panorama
Le géomarketing en pratique
Retour d’expérience de Renault
Retour d’expérience de Retail Int.
3

4. A QUOI SERT LE GEOMARKETING ?
Implantation
Point de vente
Optimisation
réseau distribution
Découpage optimal
de territoires
commerciaux
Génération de trafic via l’analyse
de flux visiteurs/clients
Connaissance
clientèle
Maximisation du
ROI de campagnes
marketing
4
GEOMARKETING

5. LE GEOMARKETING
Une approche dynamique intégrant les dimensions
sociodémographiques, spatiales et temporelles dans vos analyses marketing.
5

6. UNE APPROCHE GEOGRAPHIQUE JUSTIFIEE
Disposer d’éléments géographiques
Caractériser une population autour d’un lieu
particulier
Evaluer l’impact d’une modification/évolution
1
2
3
6

7. LES ETAPES
7
VISUALISATION CARTOGRAPHIQUE, MODÉLISATION, CALCUL DE DISTANCES,
ANALYSE DE CANNIBALISATION (MODÈLE DE HUFF), SEGMENTATION,
MODÉLISATION BIG DATA
OPTIMISATION SOUS CONTRAINTES
AUDIT
BIG DATA OPEN DATADATA 3RD PARTY
RNVP
GEOCODAGE
ENQUETES CRM TRANSACTIONS
ANALYSE DE RÉSULTATS &
RECOMMANDATIONS
ACTIONS
Valorisation
des données
Analyse des
données &
modélisation
ENRICHISSEMENT

8. NOTIONS CLES SUR L’EMBOITEMENT GEOGRAPHIQUES
Région
Département
Communes (36 000)
Iris (52 000 – habitat/activité/divers)
Ilot
8

9. LES EMBOÎTEMENTS SUPRA-COMMUNAUX - VERSAILLES
Libellé géographique Versailles
Région 11
Département 78
Commune 78646
IRIS Chantiers 5
9
FOYER
AGE
HABITAT
REVENUS € € € € € €
31 % 32 % 28 %
20 % 7 %
(actifs 15-24)
74 % 23 %
97 % 3 % 2 %
(res secondaire ou logt
occasionnel)
30.7 k€ 51.5 k€ 74.2 k€

10. 3 HISTOIRES DE GÉOMARKETING
& Open Data
& Recherche Opérationnelle
& Outil de simulation
1
2
4
4

11. Jean-Pierre Cousinie
Market Intelligence
Europe Team leader
11

12. LE GROUPE RENAULT : LES PRODUITS
12

13. LE GROUPE RENAULT : LES MARCHÉS
13
Les ventes du Groupe Renault en 2014 et 2015 (VP+VU)

14. CONTEXTE & PROBLÉMATIQUE
Contexte
Renault lance un nouveau véhicule, qui n’a pas d’équivalent sur le
marché
Objectif
Optimiser le ciblage client lors des campagnes de marketing direct en
France
Problématique
Comprendre la logique de diffusion de ce véhicule au sein des
territoires
14

15. LA DÉMARCHE
Données utilisées
Données propres du constructeur : adresses postales des premiers clients
Données en « Open Data », fournies par l’INSEE (au niveau géographique des «
IRIS ») , plus de 100 variables décrivant environ 50 000 IRIS
Profil socio démographique des ménages (Taille du ménage, âge du chef de
ménage, CSP,….)
Equipement automobile (mono ou multi motorisés)
Description du logement (type de logement, taille, propriétaire/locataire….)
Modélisation de la diffusion
Choix des variables IRIS candidates
Elaboration d’un arbre de décision
Estimation des probabilités de diffusion sur chaque IRIS
15

16. ARBRE DE DECISION
16

17. Possession véhicule au sein du ménage
Ménage avec enfant
Lieu de travail
Type de ménage
Résidence principale
EXEMPLE DE VARIABLES UTILISÉES DANS LA
MODÉLISATION
17

18. LES RÉSULTATS
18
Visualisation cartographique
des zones à potentiel Un fichier de probabilité pour les
50 000 IRIS de France
IRIS
Proba de trouver le
véhicule ciblé ds l'iris
010010000 0,30742
010020000 0,090909
010040101 0,003509
010040102 0,427451
010040201 0,889908
010040202 0,881255
010050000 0,72341
010060000 0,05968
010070000 0,72341
010080000 0,303371
010090000 0,408983
010100000 0,343612
010110000 0,004695
010120000 0,003096
010130000 0,149254
010140000 0,427451

19. LES RÉSULTATS OBTENUS
Taux de retour des campagnes
(à iso coût)
19
Optimisation de l’adressage des campagnes de marketing direct à partir des
probabilités de présence d’un acheteur dans chaque IRIS.
X 2

20. 3 HISTOIRES DE GÉOMARKETING
& Open Data
& Recherche Opérationnelle
& Outil de simulation
1
2
4
4
20

21. QUELLES QUESTIONS DANS QUELS CONTEXTES ?
Un réseau d’agences d’une grande marque souhaite
rationaliser son maillage territorial
Quelle(s) agence(s) fermer ? Lesquelles déplacer ?
Comment dimensionner chaque agence ?
21

22. TENIR COMPTE DES CONTRAINTES MÉTIER
Une agence doit
comporter + de 3
salariés et - de 7
Plus de 5 minutes
entre 2 agences
Le nombre total de
salariés doit rester
constant
Le risque de cannibalisation doit être
minimisé
Moins de 5 minutes pour se
rendre à son agence
Pas plus de 1000
clients / salarié
agence
22

23. MODÉLISER LE PROBLÈME
Mise en équation du problème à résoudre
L’âge de l’univers ne
suffirait pas à explorer
toutes les solutions
15 000 contraintes
300 000 variables
23

24. QUELS IMPACTS ?
Simulation de plusieurs scénarii (1/2)
5
5.5
6
6.5
7
7.5
8
6 7 8 9 10 11 12 13
Tempsdetrajetmoyen(minutes)
Nombre d'agences
Impact du
nombre
d’agences sur le
temps de trajet
moyen
24

25. QUELS IMPACTS ?
Solution avec fermeture seulement Solution avec fermeture & déplacement
Simulation de plusieurs scénarii (2/2)
25

26. 3 HISTOIRES DE GÉOMARKETING
& Open Data
& Recherche Opérationnelle
& Outil de simulation
1
2
4
4
26

27. Emmanuel de Courcel
Fondateur
27

28. CONTEXTE & PROBLÉMATIQUE
Comment évaluer la
performance des boutiques
actuelles vs. leur potentiel?
Comment estimer le CA
prévisionnel d’une nouvelle
boutique ?
Estimation du chiffre d’affaires cible
d’une boutique par emplacement
DIAGNOSTIC EXPANSION
28

29. LES SOLUTIONS
Le potentiel de chiffre d’affaires d’un magasin
sur un emplacement dépend de 2 types de facteurs
Le potentiel de l’emplacement
(flux de piétons devant la
boutique, CSP, etc.)
Le format de la boutique
(surface, ancienneté, état du
magasin, etc.) et la concurrence
Panel d’enseignes Modélisation
29

30. RETAIL INT. EST UN « CLUB » D’ENSEIGNES
50+ Enseignes – 10 000 magasins
Collecte des données
de vente et format
des magasins
« Anonymisation »
Comparaison des
performances des
enseignes par
emplacement
30

31. Détermination du CA cible d’une
enseigne E1 vs. une autre enseigne E2
CA E2 sur le site C
x MOYENNE des CA de E1 sur les sites
communs à E2
/ MOYENNE des CA de E2 sur les sites
communs à E1
SITES CA E1 (K€) CA E2 (K€)
Rue A 830 680
Rue B 550 455
Rue C 470
CC D 780 590
CC E 1120 850
CC F 670 620
CC G 980 710
CC H 1060 790
MOYENNE
SITES
COMMUNS
856 671
CA Cible de E1 sur le site C pour des points
de vente E1 et E2 standards
Mais le format et la concurrence des points
de vente de E1 et E2 sont tous différents
CA que réaliserait E2 sur le site C avec un
format et une concurrence standards
=> CA NORMALISE de E2
x MOYENNE des CA de E1 sur les sites
communs à E2
/ MOYENNE des CA de E2 sur les sites
communs à E1
x Impact sur le CA de E1 du format et de la
concurrence du point de vente du site C
CA Cible de E1 sur le site C tenant compte
du format et de la concurrence des points de
vente
Implique de quantifier l’impact du format et
de la concurrence sur les ventes pour
chaque enseigne
?
31

32. MODÉLISATION DE L’IMPACT DU FORMAT
& LA CONCURRENCE SUR LES VENTES
SURFACE ANCIENNETE
MODE D’EXPLOIT/
CONCEPT
-40%
-20%
0%
20%
40%
50 100 150 200 250 300
-20%
-10%
0%
10%
20%
0 10 20 30
-4%
2%
7%
A B C
-20%
-10%
0%
10%
20%
0 5 10
8%
-4%
AFF
SUC
CONCURRENCE
LINEAIRE:
j x CONC + k
POLYNOMIALE:
a x SURF2
+ b x SURF
+ c
LN:
d x LN(ANC) + e
ABAQUES:
f si SUC, g si AFF
h si CONCEPT A, i
si B
32

33. OPTIMISATION VIA UNE APPROCHE
MACHINE LEARNING
Utilisation des algorithmes génétiques (GA)
Recherche des fonctions qui maximisent la précision du modèle et minimise l’erreur
Solution optimale pour l’ensemble des enseignes du panel
 Pour chaque enseigne, établissement des variables (a à k)
Pour lesquelles le CA CIBLE des magasins existants est le plus proche du CA réel (apprentissage sur le
réseau existant) - représentant au mieux l’impact de ces facteurs sur les ventes de l’enseigne

34. LES RÉSULTATS OBTENUS
34

35. LES BENEFICES CLIENTS
Abandon des projets d’ouverture de magasins dans des zones
au potentiel insuffisant
Meilleure évaluation de la performance des magasins existants
conduisant à des plans d’actions plus rapides et efficaces
Meilleure préparation des discussions avec les bailleurs
35

36. LES PROCHAINES ACTIONS
Affinement de la modélisation
Optimisation de la convergence en travaillant sur les paramètres de
l’algorithme génétique
Amélioration/ affinement de la modélisation des facteurs impactant la
performance et introduction de nouveaux
Développement commercial hors France (Benelux, Allemagne,
Italie, Espagne)
Développement de l’outil pour accompagner cette évolution: des
variables pan-Européennes vs. des facteurs locaux
36

37. ?
VOUS SOUHAITEZ EN SAVOIR PLUS
http://www.np6.fr/demande-de-contact/

38. Workshop #1
Développeur
MailPerformance : agilité
et communauté
développeurs
Workshop #1
Data Marketing
Démo : solution de
Pré & Post tests
publicitaires/produits
Workshop #1
Digital Marketing
MailPerformance :
personnaliser ses
campagnes emailing
Auditorium New York / HambourgMontréal
13H30
38