Copyright © 2016, Oracle and/or its affiliates. All rights ... · l’optimisation du parcours...

Copyright © 2016, Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted

Copyright © 2016, Oracle and/or its affiliates. All rights reserved. |

Safe Harbor Statement

The following is intended to outline our general product direction. It is intended for information purposes only, and may not be incorporated into any contract. It is not a commitment to deliver any material, code, or functionality, and should not be relied upon in making purchasing decisions. The development, release, and timing of any features or functionality described for Oracle’s products remains at the sole discretion of Oracle.

2


Retail and Consumer Insights Agenda

3

Oracle dans les secteur Retail et des biens de consommation

Solutions verticalisées et cas d’usage

Un peu de prospective…

Stratégie d’Oracle

Tendances et enjeux

Atouts différenciateurs et next steps

L’analyse Big Data au service de l’expérience client


Quelques-unes des références Oracle Big Data

4

Traitement accéléré des requêtes de segmentation clients, de plusieurs semaines à quelques minutes – développement d’avantages concurrentiel significatifs.

Traitement accéléré de l’analyse de données hétérogènes en provenance des partenaires distributeurs, issues de données tierces et des systèmes transactionnels – agilité et time to value.

Développement des ventes et de la part de marché auprès de ses clients stratégiques; réduction des ruptures et des niveaux de stocks.

Multiples cas d’usage Big Data, optimisation du mix marketing, lancement de nouveaux produits, analyse des réseaux sociaux, optimisation de la supply chain.

Leader américain des produits d’entretien ménager

Acteur majeur de la distribution alimentaire aux USA

Leader mondial de l’industrie agroalimentaire

Leader mondial des produits de grande consommation


• La révolution Big Data ne s’est guère propagée au-delà des grands acteurs globaux du digital

• Phase d’adoption et de définition de roadmap Big Data

L’analyse Big Data dans le Retail et le secteur des biens de consommation Une formidable opportunité de différenciation!

Source: Forrester - Exploit Big Data Best Practices In Retail And CPG, February 26, 2015

http://www.google.com/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&uact=8&ved=0CAcQjRw&url=http://digitalcontentnext.org/blog/2014/11/04/forrester-us-digital-ad-spend-to-overtake-tv/&ei=CugeVfOHM8mlgwShzYCgBA&bvm=bv.89947451,d.b2w&psig=AFQjCNGrLAGHsqlIvqf5tdCiXFrwfQHEYg&ust=1428175235957160

https://www.forrester.com/Exploit+Big+Data+Best+Practices+In+Retail+And+CPG/-/E-WEB18783

http://www.google.com/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&uact=8&ved=0CAcQjRw&url=http://supplychainalmanac.com/4644/when-opportunity-knocks-be-ready-to-answer-the-door/&ei=40cxVbL0MM3fsASF14CwAg&bvm=bv.91071109,d.cWc&psig=AFQjCNFdBUOEtyouya3gaiaiBnliaiFLCA&ust=1429379405950462


« Même si plus de 80% des enseignes indiquent utiliser des solutions décisionnelles, 84% disposent d’équipes d’analystes, l’augmentation des investissements des enseignes dans ce domaine en pourcentage du budget IT doit passer de 15.6% (2014) to 23.3% (2017), rares sont celles à en avoir fait un axe de différenciation stratégique. »

Décalage entre le « buzz » que génère le concept du Big Data et la maturité des grandes enseignes Les enjeux Retail

80% des acteurs du secteur

indiquent être en retard par rapport à Amazon en terme de

niveau de maturité en décisionnel

42% ne disposent pas d’un

responsable en charge de définition de la stratégie et de

la roadmap décisionnelle

Source: EKN 3rd Annual Analytics in Retail Study

6

http://www.marketwired.com/press-release/80-Retailers-Lag-Behind-Amazon-Strategic-Use-Analytics-According-New-Report-From-EKN-1927264.htm


L’analyse Big Data dans le Retail et le secteur des biens de consommation Les silos organisationnels représentent un obstacle important pour les entreprises

Brand, Shopper and Digital Marketing

Service, Supply Chain and Distribution

Retail Channel Sales, Store Operations, and Merchandising

Shopper

7

• Les silos organisationnels représentent un frein à l’optimisation du parcours client

• La collaboration fonctionnelle souffre de l’absence de concertation sur des indicateurs partagés

• Une connaissance client qui n’est pas partagée rend difficile l’émergence d’une expérience sans couture

• Faible adoption des nouveaux outils décisionnels permettant de valoriser la donnée


Intégrer et valoriser de nouvelles sources de données Bénéficier de capacités d’analyse avancées

8

Business Drivers

Create Demand Fulfill Demand Retain / Grow Demand

Increase content relevance, Marketing ROI and brand value

Improve sales, margins and channel performance

Develop greater satisfaction, loyalty and referral

• Exploiter et valoriser toutes les sources de données disponibles (structurées et non structurées, internes et externes)

• Bénéficier d’une vision globale et unifiée du consommateur

• En support de chacune des étapes du parcours client grâce à une approche transverse de l’analyse décisionnelle

• Pour une amélioration significative de la performance opérationnelle de l’entreprise


Big Data: cas d’usage et tendances

9

Marketing Sales Service Brand Mgmt

Supply Chain

Category Mgmt

Stores/ eCommere

Integrated Insights

Consolidated View of Consumers, Shoppers and Customers One View of Product and Inventory Real Time Data Across All Channels

Pre Shop Shop Post Shop

Consumer Journey • L’émergence d’une expérience

client différenciante passe par l’intégration de l’ensemble des données

• Chaque étape du parcours client participe à l’enrichissement des cas d’usage

• Et à la transformation de la donnée en valeur pour l’organisation

D’ici à 2017, une architecture unifiée de données servira de socle à la stratégie d’analyse Big Data (IDC).

http://www.google.com/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&uact=8&ved=0CAcQjRxqFQoTCKrAlfmkqccCFU4Jkgod__ELGA&url=http://www.teleread.com/tablet/hit-peak-tablet-idc-says-maybe/&ei=5D7OVaq-C86SyAT_46_AAQ&bvm=bv.99804247,d.aWw&psig=AFQjCNGVpmCBQOn2PSSah760ID7iHid_Lw&ust=1439666273168050

http://www.idc.com/getdoc.jsp?containerId=prUS25329114


Axes de différenciation

10

Le capital-données • Considérer l’ensemble de vos données (quelles qu’en soient la source, la taille ou la forme)

comme un actif réutilisable. • Partager la valeur métier des analyses au bon moment, au sein de l’entreprise pour une

optimisation de l’expérience client.

Valorisation des données • Exploiter et valoriser les données grâce aux capacités de traitement et d’analyse Big Data. • Intégrant les capacités d’acquisition, de préparation, d’enrichissement, d’intégration de la

données, de modélisation, d’exécution ou encore de reporting opérationnel.

Innovation • Conserver un temps d’avance en matière d’exploitation de la donnée grâce à des solutions cloud

fiables et innovantes. • Bénéficier d’analyses complexes de manière fluide grâce au cloud hybride.

Productivité • Favoriser la prise de décision fondée sur les données en limitant le recours à l’intuition. • Offrir aux équipes IT et d’analyse décisionnelle la possibilité de se consacrer davantage aux

initiatives stratégiques, en limitant la gestion opérationnelle d’un environnement hétérogène.

http://www.google.com/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&uact=8&ved=0CAcQjRxqFQoTCJz6o-nwuMcCFUWLDQodJQkD1Q&url=http://darmansyah.weblog.esaunggul.ac.id/2014/09/&ei=uGvWVZy-AsWWNqWSjKgN&psig=AFQjCNENeB0skVOpHeAI-1tq27YEtEJBtw&ust=1440201979195779


Exemples de cas d’usage Analyse Big Data Quels sont vos priorités et enjeux métier?

Oracle Confidential – Internal/Restricted/Highly Restricted 11

Exécution de la

demande

Fidélisation

Stimulation de la

demande

Achat d’espace publicitaire sur internet

Vision 360 du client

Optimisation du mix marketing

Personnalisation des contenus

Lancements produits Opérations promotionnelles

Pilotage des opérations en magasin

Big Data et Supply Chain

Optimisation du panier moyen


Achat d’espace publicitaire sur internet Améliorer l’efficacité de la segmentation client, l’impact des actions marketing et de l’achat programmatique

• Les marques et les enseignes peuvent s’appuyer sur de nouvelles sources de données afin d’optimiser leurs achats d’espace publicitaire.

• En intégrant les données issues de plateformes de gestion des données (DMP), les données dites « first party data », les données issues des réseaux sociaux, des recherches web.

• Les outils de communication se renouvellent dans un objectif d’individualisation de la relation avec le consommateur pour toujours mieux cibler les messages à faire passer.

• Comment se différencier face à la concurrence, aller chercher un meilleur ROI media, améliorer la connaissance du client, du consommateur?

• Le Retail est le secteur #1 en terme de volume prévisionnel d’achat programmatique sur les mobiles et les vidéos publicitaires (CPG classé 5 sur 11 secteurs évalués) (source).

• 2/3 des professionnels du marketing peinent à mesurer le résultat de campagnes et à intégrer des données hétérogènes (source).

Enjeux / Opportunités Solution

Référence Client

• Leaders mondiaux de la grande consommation

http://www.emarketer.com/Article/US-Digital-Ad-Spending-Will-Approach-60-Billion-This-Year-with-Retailers-Leading-Way/1012497

http://www.emarketer.com/Article/You-Using-Programmatic-Yet/1011588


Vision 360 du client Intégrer plusieurs sources de données dans l’analyse client afin d’enrichir le profil et l’expérience client

• Développer une vision unifiée du client en s’appuyant sur une approche globale de l’analyse décisionnelle et prédictive.

• Intégration de données hétérogènes internes et externes à l’entreprise: ERP, CRM, parcours de navigation, réseaux sociaux, géolocalisation, transactions POS…

• Comment marques et enseignes peuvent-elles tirer profit des informations clients issues de multiples sources de données?

• Enjeu majeur pour les acteurs du secteur rarement en mesure de réconcilier les données fidélité, marketing, point de vente, ecommerce, ou encore SAV.

• Le datawarehouse traditionnel est en passe de se faire détrôner au profit d’outils permettant de réconcilier à la fois les données internes et structurées de l’entreprise aux données externes et non structurées.


Référence Client

• Acteur majeur de la distribution alimentaire aux USA


Optimisation du mix marketing De nouvelles capacités d’analyse contribuent à aligner plus étroitement activités marketing et consommateurs

• Optimiser le ROI marketing, personnaliser la relation clients, satisfaire ses clients les plus rentables.

• Intégrer et appliquer l’analyse décisionnelle à de multiples sources de données: historiques des ventes, attribution marketing, plan marketing, réactions du client aux sollicitations marketing/canaux, segmentation clients, réseaux sociaux, Oracle Data Cloud.

• Comment intégrer les nouveaux comportements d’achat, l’omni-canal, dans le développement par les marques et les enseignes de leur mix marketing?

• D’après certains chiffres, seul ¼ des responsables marketing indiquent être confiants dans l’établissement de leur mix media (site web, publicité traditionnelle, pub digitale, pub mobile, search, email marketing) (source).

• Compléter les méthodes traditionnelles du marketing par des méthodes de marketing relationnel et de valeur client.


Référence Client

• Leader mondial de l’industrie agroalimentaire

http://www.emarketer.com/Article/Marketers-Shaky-About-Right-Media-Mix/1012678


Personnalisation des contenus Exploiter et valoriser les données provenant de sources multiples dans un objectif de personnalisation de la relation client

• Se démarquer de la concurrence et d’un environnement saturé grâce à des données permettant une personnalisation du contenu publicitaire.

• En combinant les données issues de plateformes de gestion des données (DMP), les données dites « first party data », les données issues des réseaux sociaux, des recherches web, Oracle Data Cloud .

• Compte tenu de la multiplicité des canaux d’interaction et de la nécessité de développer une relation personnalisée avec les clients, quels sont les contenus les plus pertinents et adaptés? Quels sont les canaux de communication les plus efficaces?

• Développer le taux de conversion, la performance opérationnelle et la fidélisation client par un contenu pertinent et adapté.


Référence Client

• Chaîne multinationale de café


Réussir ses lancements de nouveaux produits Améliorer la performance des nouveaux produits lors du suivi post-lancement en s’appuyant sur des outils avancés d’analyses et de nouvelles sources de données

• Piloter le lancement de nouveaux produits en activant très rapidement différents leviers et gagner en agilité.

• Intégrer, valoriser les données issues de provenance multiples: planification de la demande, category management, réseaux sociaux, audience publicitaire, expéditions, ventes, indicateurs économiques, Oracle Data Cloud.

• Comment marques et enseignes peuvent-elle gagner en réactivité lors du lancement de nouveaux produits en agissant sur les leviers: marketing, prix, promotion et distribution?

• Atteindre/dépasser les objectifs de vente fixés pour les nouveaux produits, développer une collaboration plus étroite entre la marque et ses partenaires distributeurs, enrichir sa connaissance client.

• Moins de 3% des nouveaux produits réalisent un CA de 50m$ la première année (Harvard Business Review).


Référence Client

• Leader mondial des produits de grande consommation


Optimisation des opérations promotionnelles Améliorer la performance des opérations promotionnelles en s’appuyant sur l’analyse de nouvelles sources de données

• L’exploitation et la mise en corrélation de données provenant de nouvelles sources, associées aux données déjà exploitées permet d’enrichir la connaissance client et d’optimiser l’efficacité des actions promotionnelle.

• Intégrer et exploiter de nouvelles dimensions d’analyse des données de ventes, planification de la demande / category management, réseaux sociaux, campagne, audience, données tierces, expéditions, Oracle Data Cloud.

• Quelles actions marques et enseignes peuvent-elle mener pour développer l’efficacité publi-promotionnelle en s’appuyant sur une meilleure connaissance des besoins clients?

• Optimiser le ROI de campagnes, réduire le budget promotionnel, promouvoir le développement de relations stratégiques entre les marques et les enseignes.

• Comment évaluer et optimiser l’efficacité des promotions à travers l’ensemble des canaux? L’identification des facteurs déterminants permettrait d’améliorer le ROI des promotions de 10% (selon une étude publiée par PWC).


Référence Client

• Leader américain des produits d’entretien ménager


Optimisation du panier moyen Comment améliorer l’efficacité marketing et la valeur du panier moyen grâce à une connaissance plus fine des comportements d’achat?

• Au-delà du ticket de caisse, de nouvelles sources de données permettent d’élargir l’analyse des « affinités produits » et l’efficacité marketing (promotions, prix, disponibilité, emplacement produit) pour des ventes combinées d’articles à forte marge.

• Améliorer la valeur du panier moyen en valorisant de nouvelles sources de données: points de vente, marketing, prix, planogramme, stocks, fournisseur, profils consommateurs, web et réseaux sociaux, Oracle Data Cloud

• .

• Quelle approche analytique les marques et les enseignes peuvent-elles adopter pour favoriser l’acte d’achat et optimiser la valeur du panier moyen?

• Une augmentation significative du chiffre d’affaires lié aux ventes croisées est possible grâce à une connaissance plus fine des comportements d’achats associée à de nouvelles sources de données. Cette approche permet de développer les ventes d’offres groupées.


Référence Client

• Chaîne multinationale de café


Pilotage des opérations en magasin Optimisation des activités merchandising grâce à une connaissance fine des profils, des attentes et des comportements d’achat des clients

• Bénéficier de nouvelles perspectives d’exploitation des données clients dans la réalisation d’activités en points de vente: agencement de l’espace en magasin, planogrammes, promotions et l’engagement client en ligne.

• Données sources issues des systèmes ERP, supply chain, CRM, merchandising, réseaux sociaux, transactions en point de vente, Oracle Data Cloud.

• Data Cloud

• Quelles actions marques et enseignes peuvent-elles entreprendre pour personnaliser l’expérience d’achat et mieux répondre aux besoins des clients?

• Améliorer la performance opérationnelle, la fidélisation des clients, l’efficience des promotions et des actions marketing, « l’insight client ».

• Délivrer des interactions personnalisées, pertinentes et contextualisées à chaque étape du parcours renforce l’attachement à la marque et minimise l’impact des comparateurs de prix, et les pratiques de « showrooming » ou de « webrooming ».


Référence Client

• Chaîne multinationale de prêt-à-porter


Big Data et Supply Chain Visibilité temps réel des stocks à chacune des étapes de la supply chain afin de garantir synchronisation des flux et satisfaction client

• La visibilité de bout en bout de la supply chain est rendue possible avec la capture, l’analyse et la mise à disposition des données à chacune des étapes de la chaîne d’approvisionnement.

• Intégrer et exploiter de nouvelles dimensions d’analyse des données: ERP, supply chain, CRM, réseaux sociaux, transactions POS, Oracle Data Cloud.

• Comment assurer la cohérence de l’assortiment produit compte tenu de l’évolution des préférences clients, et limiter la démarque?

• Tester et valider rapidement de nouveaux concepts (nouveaux formats de magasins – y compris virtuels, offres géolocalisées…), améliorer le-time-to-market de nouveaux produits / assortiments et la fréquentation client.

• La coordination et l’analyse transversale des données de prévisions de ventes, d’approvisionnement, et de planification commerciale contribuent à la réduction des ruptures. En 2014, Walmart a annoncé une perte de 3bn$ de CA en lien avec des ruptures de stocks (Forbes).


Référence Client

• Leader mondial de l’industrie agroalimentaire


L’architecture Big Data Acquisition, préparation, enrichissement et intégration des données, reporting opérationnel

21

• Collecte de tous types de données

• Data Discovery pour analyser et exploiter les données via une interface intuitive

• Associez les données des modèles descriptifs et prédictifs pour déterminer les prochaines tendances clients

• Analyse de données en temps réel

• Diffusion et opérationnalisation

Accelerate this Process

Scale to Many Use Cases

Copyright © 2016, Oracle and/or its affiliates. All rights reserved. | Oracle Confidential – Internal/Restricted/Highly Restricted 22

Des solutions disponibles dans le Cloud!

Découvrez l’article disponible sur LinkedIn ainsi que le communiqué de presse Oracle Communiqué de presse

https://www.linkedin.com/pulse/business-view-oracles-openworld-big-data-strategy-roadmap-gib-bassett

http://finance.yahoo.com/news/oracle-unveils-oracle-cloud-platform-152500780.html


Exemples de résultats obtenus par nos clients

23

Croissance du CA généré auprès des grands clients distributeurs.

Amélioration de la part de marché de la marque.

Réduction des ruptures en linéaires.

Réduction des niveaux de stocks.

Amélioration de la productivité des category managers.

Accélération du processus de segmentation clients (plusieurs semaines à quelques minutes) – gains de compétitivité.

Accélération significative de l’analyse des données.

Gains de temps dans la préparation et la valorisation des données auprès du métier.

Multiples cas d’usage (marketing, supply chain).

Meilleure réactivité à l’évolution de la demande client: optimisation processus supply chain, marketing.

Réussite des lancements produits en limitant la cannibalisation produit.

Augmentation de la satisfaction des partenaires distributeurs - données chiffrées produits/impact sur les catégories.

Leader américain des produits d’entretien

ménager

Acteur majeur de la distribution

alimentaire aux USA

Leader mondial de l’industrie

agroalimentaire

Leader mondial des produits de grande

consommation


De la définition de roadmap à la déclinaison projet, à l’exploitation des données

Cadrage des enjeux et opportunités métier

(PoV)

Multiplier les cas d’usage et identifier les sources de valeur

pour l’entreprise

Phase d’industrialisation de l’analyse Big Data

• Approche itérative et agile « test and learn » pour susciter l’adhésion et l’intégration aux processus métier.

• Chaque étape s’appuie sur un ensemble de processus et de technologies permettant de déployer progressivement de nouvelles initiatives


1. Identification et priorisation des enjeux métier et sponsors (métier et IT).

2. Cadrage du projet, conditions du succès et identification des sources de données.

3. Regroupement et intégration de données provenant de sources multiples et hétérogènes.

4. Développement de modèles analytiques avancés d’optimisation opérationnelle et d’analyse prédictive.

5. Adopter une approche itérative et agile « test and learn ». 6. Tenir compte des retours de l’ensemble des métiers et

expertises afin d’en tirer les enseignements. 7. Communication des résultats, définition de la feuille de

route à moyen terme.

Prochaines étapes

http://www.google.com/url?sa=i&rct=j&q=&esrc=s&frm=1&source=images&cd=&cad=rja&uact=8&ved=0CAcQjRxqFQoTCIb8xaPEuMcCFYeLDQod9dsI1g&url=http://blog.prepscholar.com/after-getting-psat-score-3-things-you-must-do&ei=Aj3WVYbzJoeXNvW3o7AN&psig=AFQjCNFQwdfzcDRNZtZF0CotsOdOAkthRg&ust=1440190069589378


Pour aller plus loin…

Cette présentation inclut les liens internet ci-dessous dans leur ordre d’apparition:

• Exploit Big Data Best Practices in Retail and CPG

• 80% of Retailers Lag Behind Amazon in Strategic Use of Analytics

• Big Data, Broad Data and Advanced Analytics

• IDC Reveals Worldwide Big Data and Analytics Predictions for 2015

Publications, Thought Leadership

• Using Big Data to Understand Small Moments of Truth

• The Case for Better Retail and Consumer Goods Analytics

• 5 Elements of Big Data Success

• Highlights from the 2015 Retail and Consumer Goods Analytics Summit

26






http://www.mckinseysolutions.com/blog/articles/big-data,-broad-data-and-advanced-analytics.aspx









http://www.briansolis.com/2015/07/using-big-data-understand-small-moments-truth/

https://blogs.oracle.com/retailcgsolutions/entry/making_the_case_for_better

https://blogs.oracle.com/retailcgsolutions/entry/5_elements_of_retail_and

https://blogs.oracle.com/retailcgsolutions/entry/highlights_from_the_2015_retail

Date post:	13-Sep-2018
Category:	Documents
Upload:	trinhdung
View:	213 times
Download:	0 times

Copyright © 2016, Oracle and/or its affiliates. All rights ... · l’optimisation du parcours...

Documents