Dashboards Ventes/Clients
eCommerce & Magasins

Svg background
Aubade

Aubade dispose de deux canaux de ventes, l'un en eCommerce géré avec l'application Magento et l'autre en magasins physiques géré le logiciel Cashmere.

L'analyse des performances passait par des fichiers Excel. La mise à jour impliquait un travail manuel important, et donc du temps pour une personne interne ou un budget pour le faire en externe. Une conséquence était que les mises à jour étaient très espacées dans le temps. Cela rendait par exemple impossible le suivi des performances quotidiennes suite à une opération de communication. D'autre part, chaque canal de vente (web/physique) était suivi de manière distincte, sans analyse des clients qui achetaient sur les deux canaux.

Progresser sur ces éléments de connaissance clients était une étape fondamentale pour améliorer les programmes de fidélité, notamment pour affiner la modélisation basée sur le coût d'acquisition client (CAC - Customer Acquisition Cost) et la LTV (Life Time Value).

L'objectif pour Aubade était de disposer de tableaux de bord sur un ensemble de KPI, mis à jour quotidiennement, de manière complètement automatique, sans augmenter la charge de travail pour l'IT.

La mise en oeuvre

Sur ce projet, les flux de données et les tableaux de bord ont été réalisés par Serenytics. Le cabinet de conseil Cust-Up a accompagné le client sur la définition des KPI à réaliser.

Au final, nous avons développé plusieurs Dataflow pour importer, nettoyer et préparer les données et 6 tableaux de bord pour visualiser les KPIs et les filtrer selon de nombreuses dimensions:

  • Suivi des revenus (par exemple dépense annuelle moyenne par client, part du revenue des clients en base, panier moyen, par année et par pays)
  • KPIs clients (par exemple âge moyen par année, âge par canal d'achat, par sexe; taux de ré-achat, ré-activation, attrition par année)
  • Comportements d'achats (par exemple LTV, rétention par cohorte, répartition des taux de promotion utilisés par âge, évolution de la fréquence d'achat par année, délais inter-achats, nb de clients multi-canaux...)
  • Performances des produits (par exemple saisonabilité des gammes, performances en revenue des produits, des gammes, analyse des meilleurs paires de produits, contenu par type de produits des paniers les plus fréquents...)
  • Base de contacts/clients (par exemple nouveaux clients/prospects en base, par année/mois/jour, par magasin, taux de contactabilité...)
  • Segmentation clients (par exemple historique de la répartition de la segmentation (fréquent, actif, occasionel...), matrice de changement de segment par année)
Les données et les tableaux de bord sont mis à jour automatiquement chaque nuit.

Les personnes impliquées dans le projet recoivent en plus un rapport quotidien sur les données. En cas de problème sur un des flux, la personne concernée est avertie automatiquement par email.

La préparation des données

Nous avons mise en place un Dataflow automatisé pour charger les données exportées quotidiennement des deux systèmes: Magento et Cashmere. Nous chargons les données de ventes/clients/produits et magasins. Toutes les données clients sont anonymisées avant d'être chargées pour respecter le RGPD.

Comme Serenytics intègre un serveur SFTP, un datawarehouse interne de stockage et des automatisations de chargement de fichiers depuis un SFTP, Aubade n'a eu aucune infrastructure IT à gérer en plus. Au vu des volumes de données, nous avons configuré le compte Serenytics avec un datawarehouse de type AWS Redshift.

Voici par exemple le Dataflow de chargement et nettoyage des données Magento:

Aubade - flux Magento

Le flux pour Cashmere est très similaire:

Aubade - flux Cashmere

Ensuite, nous avons mis en place un modèle unifié entre les données Magento et les données Cashmere. C'est à dire que les noms de colonnes sont différents entre Magento et Cashmere. Nous avons donc créé un Dataflow qui renomme ces colonnes pour chaque système et fusionne les lignes dans une unique table qui contient une ligne par produit vendu, pour les deux systèmes.

Ce flux de fusion des deux canaux est:

Aubade - unification des canaux

Ensuite à partir de cette table, nous avons un second Dataflow qui calcule une table "Golden Customer". Cette table contient toutes les informations par client (date de premier achat, LTV, appétence aux promotions, achats par année, segmentation...). Au final, nous construisons un modèle en étoile (i.e. une jointure entre une table principale et des tables d'informations) avec la table complète des ventes, cette table Golden Customer, les magasins et les produits. Ce modèle en étoile final est nommé "Modèle enrichi".

La visualisation des KPI

Tous les tableaux de bord sont ensuite construits à partir de cette table "Modèle enrichi". Le fait d'avoir centralisé toutes les informations dans un seul modèle permet des requêtes complexes.

Tous ces dashboards sont mis à jour chaque nuit, et permettent des exports en PDF, XLS, CSV si besoin. Les exports en CSV ont par exemple permis à un Data Scientist externe de télécharger des données propres dont il avait besoin et d'être immédiatement efficace.

Au final, le délai de mise en oeuvre du projet a été de quelques semaines.

Pour des raisons de confidentialité de données, ces tableaux de bord ne sont pas visibles sur cette page.

Les avantages de Serenytics pour ce projet

Serenytics est un SaaS tout-en-un et intègre notamment un Datawarehouse et un serveur SFTP. Cela permet à Aubade de ne pas augmenter son infrastructure à gérer, ce qui demanderait des profils techniques experts et représenterait un coût important (humain et d'infrastructure).

Le fait de pouvoir configurer Serenytics sur un datawarehouse de type AWS Redshift permet de traiter un grand nombres de lignes (dizaines de millions) sans difficulté.

Sur ce type de projet, la partie data-préparation représente les deux tiers du travail. Le fait d'avoir cette partie intégrée dans la même plateforme que la data-visualisation permet d'être très efficace sur la mise en oeuvre, par exemple pour naviguer très rapidement entre un rendu graphique et le flux qui a généré les données utilisées, pour créer des tables intermédiaires pour valider des KPI...

Le fait de pouvoir visualiser les flux de données sous forme de graph et de pouvoir diviser ce graph en plusieurs Dataflow sont des points très importants pour aboutir à un projet propre et pérenne.

En savoir plus ?

Vous voulez en savoir plus sur ce type de projet ? Contactez-nous à contact@serenytics.com.

×