Les objectifs principaux du projet “Sales Recommendation Engine” :

• Proposer aux forces de vente des recommandations des visites ad hoc valorisées
• Agir directement pour augmenter la croissance et la satisfaction consommateur, grâce aux alertes que les responsables des secteurs pourront recevoir au quotidien afin de pouvoir anticiper et réagir en temps réel 
• Permettre aux forces de vente de Nestlé d’optimiser les visites en magasin, d’anticiper et prioriser leurs actions

La data clé du projet provient du passage en caisse. Il s’agit de data fraîche et à jour, issue de toutes les ventes des produits réalisées par magasin (par jour et par l’EAN), à laquelle s'ajoutent la data interne, la open data et la data liée à la météo.

Le projet est organisé autour de la création d’un clone de magasin virtuel grâce à l’IA, qui analyse la data collectée sur les consommateurs ayant soit le même type d’achat sur la catégorie, soit le même critère socio-démographique. Ce fonctionnement de l’IA est similaire à celui d’un jumeau numérique puisqu’il permet d’analyser les gaps et les axes d’amélioration grâce à la data collectée, pour ensuite renforcer la qualité de l’offre et des services et établir la confiance dans la réalité.

Le projet est réalisé avec l’ambition d’intégrer toutes les parties prenantes dès le début :

1. La mise en place d’un projet pilote dans 2 régions en collaboration avec des responsables secteurs concernés qui ont pu tester et faire des retours sur la solution testée.

Cette approche test & learn a permis de faire évoluer le projet et transférer l’intelligence humaine vers l’IA pour arriver à des résultats de 90% d’accuracy, par rapport à la 1ère version de la solution testée qui a donné 30% d’accuracy.

- Thomas Bardy, Directeur IT Digital, Data & Sales (Nestlé)

2. L’explicabilité de l’IA : faire comprendre toute la démarche aux représentants du personnel pour valider la puissance de business case.

Les défis et les obstacles que Nestlé a rencontrés lors du déroulement du projet :

• Trouver la data pertinente et industrialisable pour ce modèle
• La forte tension sur le marché et la difficulté d’attraction des profils compétents dans le secteur data
• Retrouver le modèle multi-catégories : comment avoir un modèle qui fonctionne pour tous et intègre les spécificités de la catégorie
• Le coût : prendre en compte les business cases liés aux projets data en prenant uniquement la data financée par les use cases et de manière itérative

Les prochaines étapes du projet seront réalisées dans :

• Les sales : déployer la solution dans d’autres forces de vente travaillée, et pas uniquement sur la force de vente multi catégories 
• Le marketing : l’IA est aussi capable d’aider à optimiser les investissements media et promotion

Retrouvez dès à présent l'ensemble des interventions du HUBDAY Future of Retail & E-Commerce 2022 en vidéo !