Faire de la vente additionnelle (de l’up-selling), fait partie des pratiques commerciales qui font le succès de certaines grandes chaines. C’est le cas, par exemple, de Starbucks. Lors de votre commande d’un simple café Americano, il vous sera proposé un café d’origine, un « shot » supplémentaire, un supplément miel, etc. Tous ces petits quelque chose, permettent de gonfler l’addition, jusqu’à 30 % supplémentaires. C’est également le cas chez McDonald’s lorsque l’on vous propose une grande frite à la place de la frite normale, des nuggets pour accompagner votre menu, ou un dessert auquel vous n’aviez pas pensé.
L’enjeu est donc important, et savoir quel produit proposer au client, afin de l’inciter à consommer plus, est ce que l’on appelle de la « recommandation », et cela fait partie des algorithmes fortement utilisés en commerce électronique. Ils s’appuient sur de l’apprentissage machine. Lorsque Amazon vous propose des produits complémentaires au livre que vous venez de sélectionner, c’est de la recommandation, tout comme lorsque l’opératrice de votre opérateur téléphonique vous suggère une option ou un service additionnel, alors que vous appelez pour un changement d’adresse.
La qualité et la pertinence des recommandations faites par l’algorithme font toute la différence. Pas la peine en effet d’investir des millions d’euros dans une soi-disant intelligence artificielle, pour recommander de la chantilly avec les fraises, du Nutella avec des crêpes ou du pain de mie brioché avec du foie gras… dans le cas de McDonalds, investir dans le domaine pour proposer un McFlurry quand il fait chaud ou un café si on est dans la matinée, semble bien inutile… La valeur est donc ailleurs !
Et cette valeur se trouve sans doute dans l’acquisition par McDonalds de la start-up israélienne Dynamic Yield, pour environ 300 millions de dollars, une des plus grosses acquisitions des créateurs du Big Mac. Dynamic Yield travaillait déjà avec McDonalds, mais également avec Ikea, Sephora ou Urban Outfitters. McDonalds aurait d’ailleurs comparé une trentaine de sociétés du secteur avant de faire le choix de Dynamic Yield.
Le profil des consommateurs McDonalds que nous connaissons en Europe et celui des américains est assez différent. Il faut savoir que McDonalds servirait 68 millions de clients par jour, dont la majorité au travers de ses « drives », présents dans nombre de ses 14 000 restaurants américains, et qui donc ne descendraient pas de voiture pour commander, payer, et recevoir leur repas. Depuis quelques années, McDonalds a entrepris une digitalisation complète de ses points de vente, rendant obligatoire la commande en libre-service au travers de bornes, à la fois dans les restaurants, et au « drive ». C’est sur ce segment de la commande au volant que la solution de Dynamic Yield devrait être déployée en priorité.
L’enjeu est donc important, et savoir quel produit proposer au client, afin de l’inciter à consommer plus, est ce que l’on appelle de la « recommandation », et cela fait partie des algorithmes fortement utilisés en commerce électronique. Ils s’appuient sur de l’apprentissage machine. Lorsque Amazon vous propose des produits complémentaires au livre que vous venez de sélectionner, c’est de la recommandation, tout comme lorsque l’opératrice de votre opérateur téléphonique vous suggère une option ou un service additionnel, alors que vous appelez pour un changement d’adresse.
La qualité et la pertinence des recommandations faites par l’algorithme font toute la différence. Pas la peine en effet d’investir des millions d’euros dans une soi-disant intelligence artificielle, pour recommander de la chantilly avec les fraises, du Nutella avec des crêpes ou du pain de mie brioché avec du foie gras… dans le cas de McDonalds, investir dans le domaine pour proposer un McFlurry quand il fait chaud ou un café si on est dans la matinée, semble bien inutile… La valeur est donc ailleurs !
Et cette valeur se trouve sans doute dans l’acquisition par McDonalds de la start-up israélienne Dynamic Yield, pour environ 300 millions de dollars, une des plus grosses acquisitions des créateurs du Big Mac. Dynamic Yield travaillait déjà avec McDonalds, mais également avec Ikea, Sephora ou Urban Outfitters. McDonalds aurait d’ailleurs comparé une trentaine de sociétés du secteur avant de faire le choix de Dynamic Yield.
Le profil des consommateurs McDonalds que nous connaissons en Europe et celui des américains est assez différent. Il faut savoir que McDonalds servirait 68 millions de clients par jour, dont la majorité au travers de ses « drives », présents dans nombre de ses 14 000 restaurants américains, et qui donc ne descendraient pas de voiture pour commander, payer, et recevoir leur repas. Depuis quelques années, McDonalds a entrepris une digitalisation complète de ses points de vente, rendant obligatoire la commande en libre-service au travers de bornes, à la fois dans les restaurants, et au « drive ». C’est sur ce segment de la commande au volant que la solution de Dynamic Yield devrait être déployée en priorité.
Du One-to-One à la personnalisation de masse
Cette stratégie consiste en réalité à appliquer le concept marketing de personnalisation de masse. En 1993, Don Peppers et Martha Rogers publient le livre à succès, The One-to-One Future. Ce marketing personnalisé pour chaque individu se confronte avec le marketing de masse, et la publicité. Mais il se révèle difficile à mettre en œuvre, et le concept évolue peu à peu vers la personnalisation de masse, également présentée en 1993 dans le livre Mass Customization de Joseph Pine. Les outils de recommandation, permettent de personnaliser des offres, en fonction de facteurs externes (profil du client, météo…) et internes (produits disponibles, marge bénéficiaire…).
La mise en place de l’outil Dynamic Yield permettra tout d’abord de personnaliser les messages publicitaires diffusés par les écrans des restaurants et les bornes de commande. L’outil est capable de collecter des données sur la météo, les événements sportifs, les concerts, les embouteillages éventuels, et de comparer cela avec les ventes historiques réalisées dans des conditions similaires. Il adaptera donc les produits proposés en fonction de son analyse. La commande du client sera également analysée en temps réel. Si vous commandez deux menus enfants, le système pourra vous proposer quelque chose à grignoter pour vous, ainsi qu’une boisson. Pas la peine d’un système à plusieurs millions de dollars pour cela, une bonne connaissance métier et un système expert pourraient suffire ? Oui, mais c’est dans les relations inattendues, découvertes par les systèmes d’apprentissage machine, que se cache la valeur véritable. Proposer de terminer son repas par un café ? Oui, pas besoin d’intelligence artificielle, mais proposer un Sprite pour l’accompagnant lorsque ce sont deux menus enfants qui sont commandés, et un Coca lorsqu’il en commande trois, parce que dans cette région précise, c’est ce qui est consommé le mercredi après 17h… là, une solution d’analyse de données et d’apprentissage machine prend tout son sens.
Et imaginez que chaque jour, le système continue d’apprendre, et de s’améliorer, 68 millions de fois par jour… car l’ensemble des machines pourront être connectées et partager ainsi leur « expérience ».
Autre enjeu qui nécessite un outil de ce type, connecter les propositions de vente aux conditions de production en temps réel. Imaginez que la file d’attente au drive soit importante. Il ne faut pas faire trop attendre les clients, et une longue file risque de faire faire demi-tour à certains clients. Le système saura tenir compte de ces données, et cherchera à réduire le temps de production des menus, et donc à accélérer leur livraison au drive, en suggérant aux clients des sandwichs ou produits plus simples et plus rapides à préparer. Couplé à de l’analyse prédictive, le système pourra suggérer les produits à lancer en fabrication en cuisine, et se connecter à la chaîne d’approvisionnement pour anticiper les achats.
La mise en place de l’outil Dynamic Yield permettra tout d’abord de personnaliser les messages publicitaires diffusés par les écrans des restaurants et les bornes de commande. L’outil est capable de collecter des données sur la météo, les événements sportifs, les concerts, les embouteillages éventuels, et de comparer cela avec les ventes historiques réalisées dans des conditions similaires. Il adaptera donc les produits proposés en fonction de son analyse. La commande du client sera également analysée en temps réel. Si vous commandez deux menus enfants, le système pourra vous proposer quelque chose à grignoter pour vous, ainsi qu’une boisson. Pas la peine d’un système à plusieurs millions de dollars pour cela, une bonne connaissance métier et un système expert pourraient suffire ? Oui, mais c’est dans les relations inattendues, découvertes par les systèmes d’apprentissage machine, que se cache la valeur véritable. Proposer de terminer son repas par un café ? Oui, pas besoin d’intelligence artificielle, mais proposer un Sprite pour l’accompagnant lorsque ce sont deux menus enfants qui sont commandés, et un Coca lorsqu’il en commande trois, parce que dans cette région précise, c’est ce qui est consommé le mercredi après 17h… là, une solution d’analyse de données et d’apprentissage machine prend tout son sens.
Et imaginez que chaque jour, le système continue d’apprendre, et de s’améliorer, 68 millions de fois par jour… car l’ensemble des machines pourront être connectées et partager ainsi leur « expérience ».
Autre enjeu qui nécessite un outil de ce type, connecter les propositions de vente aux conditions de production en temps réel. Imaginez que la file d’attente au drive soit importante. Il ne faut pas faire trop attendre les clients, et une longue file risque de faire faire demi-tour à certains clients. Le système saura tenir compte de ces données, et cherchera à réduire le temps de production des menus, et donc à accélérer leur livraison au drive, en suggérant aux clients des sandwichs ou produits plus simples et plus rapides à préparer. Couplé à de l’analyse prédictive, le système pourra suggérer les produits à lancer en fabrication en cuisine, et se connecter à la chaîne d’approvisionnement pour anticiper les achats.
Un enjeu majeur : identifier les clients
Depuis quelques années, McDonalds tente également de connaitre ses clients. Les bornes de commande proposent au client de s’identifier. Cela permet de récupérer son profil, ses produits préférés, ses habitudes de consommation. En Europe en tous cas, cela ne semble pas attirer beaucoup les consommateurs, qui ne voient pas de valeur ajoutée pour eux, alors que la saisie de l’identifiant et du mot de passe sont fastidieuses. Nous n’avons pas d’étude chiffrée sur le sujet, cette remarque se base plutôt sur des constatations personnelles.
Pourtant l’identification du client, est un point clef de cette personnalisation de masse. McDonalds devrait sans doute imaginer d’autres outils plus simples que la saisie d’un identifiant.
Déjà l’entreprise utilise la géolocalisation d’une partie de ses clients, ceux qui disposent de l’application McDonalds sur leur téléphone mobile. La technique de « geofencing » permet de repérer un client quelques instants avant qu’il n’arrive dans le restaurant. L’utilisation de iBeacons à l’entrée du restaurant permettrait de compléter le dispositif et d’affiner la prévision. L’idée est de commencer à préparer le repas du client, avant même qu’il n’ait passé la commande – tout comme Amazon explique commencer la livraison de votre commande avant même que vous ne l’ayez confirmée.
Aux États-Unis, et peut-être prochainement en Europe, McDonalds pourrait aussi s’appuyer à l’entrée du drive sur la reconnaissance des plaques d’immatriculation. Rattachée à un profil client, ou numéro d’identification à elle-seule, la plaque d’immatriculation permettrait de rattacher entre eux des commandes sur une période de temps, et entre plusieurs restaurants. Attention en Europe au respect du RGPD, la plaque d’immatriculation est en effet considérée comme une donnée personnelle.
Bien sûr, le client est de plus en plus sensible à ces sujets. Collecter des données sans son consentement, même si c’est parfois légal, risque de le braquer vis-à-vis de la marque. Mais le client est aussi bassement mercantile. Et il donne peu de valeur à ses propres données. Plutôt que de les collecter à son insu, il est certainement plus simple et moins risqué de lui demander son accord, et de monnayer ces données. Quel part des clients acceptera de donner sa date de naissance ou son âge en échange d’un café gratuit ? Certainement beaucoup !
Pour McDonalds, comme pour tous les commerces à fort volume et faible marge unitaire, la personnalisation de masse permet de maximiser le chiffre d’affaires, et réduisant les coûts. L’ensemble des chaînes de ce type (restauration rapide, cafés, vêtements d’entrée de gamme, meubles à monter, etc…) pourraient adopter ces technologies d’algorithmes de recommandation basés sur l’apprentissage machine, dans les prochaines années.
Pourtant l’identification du client, est un point clef de cette personnalisation de masse. McDonalds devrait sans doute imaginer d’autres outils plus simples que la saisie d’un identifiant.
Déjà l’entreprise utilise la géolocalisation d’une partie de ses clients, ceux qui disposent de l’application McDonalds sur leur téléphone mobile. La technique de « geofencing » permet de repérer un client quelques instants avant qu’il n’arrive dans le restaurant. L’utilisation de iBeacons à l’entrée du restaurant permettrait de compléter le dispositif et d’affiner la prévision. L’idée est de commencer à préparer le repas du client, avant même qu’il n’ait passé la commande – tout comme Amazon explique commencer la livraison de votre commande avant même que vous ne l’ayez confirmée.
Aux États-Unis, et peut-être prochainement en Europe, McDonalds pourrait aussi s’appuyer à l’entrée du drive sur la reconnaissance des plaques d’immatriculation. Rattachée à un profil client, ou numéro d’identification à elle-seule, la plaque d’immatriculation permettrait de rattacher entre eux des commandes sur une période de temps, et entre plusieurs restaurants. Attention en Europe au respect du RGPD, la plaque d’immatriculation est en effet considérée comme une donnée personnelle.
Bien sûr, le client est de plus en plus sensible à ces sujets. Collecter des données sans son consentement, même si c’est parfois légal, risque de le braquer vis-à-vis de la marque. Mais le client est aussi bassement mercantile. Et il donne peu de valeur à ses propres données. Plutôt que de les collecter à son insu, il est certainement plus simple et moins risqué de lui demander son accord, et de monnayer ces données. Quel part des clients acceptera de donner sa date de naissance ou son âge en échange d’un café gratuit ? Certainement beaucoup !
Pour McDonalds, comme pour tous les commerces à fort volume et faible marge unitaire, la personnalisation de masse permet de maximiser le chiffre d’affaires, et réduisant les coûts. L’ensemble des chaînes de ce type (restauration rapide, cafés, vêtements d’entrée de gamme, meubles à monter, etc…) pourraient adopter ces technologies d’algorithmes de recommandation basés sur l’apprentissage machine, dans les prochaines années.
