Bien avant l'avènement des plateformes de données clients (CDP), le modèle économique de Kohl's était centré sur la collecte et l’exploitation des données clients. « Nous disposons d'un environnement de données client maison depuis des décennies », explique Paul Gaffney, directeur de la technologie et de la chaîne d'approvisionnement de la chaîne de grands magasins, qui pèse 19,4 milliards de dollars. « Et nous sommes tout à fait satisfaits de notre implémentation personnalisée ».

À l'origine, le détaillant basé à Milwaukee, dans le Wisconsin, a construit son CDP maison sur Netezza, créant des profils de clients robustes basés sur l'important portefeuille de cartes de crédit de la chaîne et « une approche historique de la fidélisation et de l'attachement des clients qui est très personnalisée », explique Paul Gaffney. Mais ces dernières années, Kohl's a fait un grand pas vers le cloud dans le cadre d'une « modernisation technologique » qui, selon M. Gaffney, tire le meilleur parti du machine learning, de la personnalisation, des ensembles de données démographiques améliorées et des connaissances en matière d'« hyperlocalisation » pour proposer les marchandises les plus pertinentes aux magasins locaux.

Des efforts concentrés sur BigQuery

Dans le cadre de cette transformation, le détaillant exécute des charges de travail sur Google Cloud Platform et sur des serveurs Google Cloud privés sur site exécutant VMware, ainsi que certaines charges de travail utilitaires sur Amazon Web Services, explique le directeur technique. Alors que l'actuel cloud sur site de l'entreprise utilise une suite complète d'outils, dont Qlik pour les analyses avancées et la visualisation des données, le plan à long terme de Kohl's pour les données reposera entièrement sur Google BigQuery, explique M. Gaffney. « Il y a quatre ans, nous avons commencé à nous concentrer sur BigQuery comme principal environnement de données », une décision dont Paul Gaffney dit avoir hérité.

Depuis, Kohl's a mis en place une pratique sophistiquée de la data science autour de la plateforme Google, et la plupart des données essentielles du détaillant, notamment les vues sur les clients, les produits et les performances commerciales, résident désormais dans cet environnement de données modernisé. Mais Paul Gaffney est loin d'avoir terminé. « Il nous reste environ deux ans pour arriver à un point où je nous décrirais comme une organisation entièrement axée sur les données, utilisant des processus de décision automatisés au lieu d'utiliser des données qui ne font que renforcer les processus de décision humains », précise-t-il. La clé de cette évolution est une stratégie visant à tirer le meilleur parti du ML et des données de tiers au service de la personnalisation des clients et de l'« hyperlocalisation » des décisions de merchandising, explique M. Gaffney.

Le pouvoir des données tierces

Kohl's, qui emploie 1 000 personnes dans son service informatique, dont 50 data scientists, a commencé à automatiser ses données il y a 18 mois. Actuellement, la vaste collection de données clients de la chaîne, ainsi que des ensembles de données tierces sous licence, sont transférés vers BigQuery pour appliquer des modèles d'apprentissage automatique avancés et une technologie de personnalisation améliorée afin de soutenir les ventes, explique M. Gaffney. Comme de nombreux détaillants, Kohl's utilise également des modèles de machine learning accessibles au public sur la plateforme Google et a utilisé la plateforme Vertex AI. Le détaillant a également acquis une licence pour un ensemble de données appelé Demand Brain de Deloitte, axé sur la demande, la compréhension et les prévisions des consommateurs, dit M. Gaffney, expliquant que toutes les grandes sociétés de conseil ont des produits d'abonnement aux données et des moteurs d'apprentissage automatique disponibles sous licence.

Erick Brethenoux, analyste chez Gartner, affirme que l'utilisation des données des consultants et des modèles ML prend de l'ampleur, notamment chez les détaillants. « De nombreuses entreprises font appel à des tiers pour construire des modèles pour elles », explique M. Brethenoux, notant que les sociétés de conseil utilisent également des ensembles de données de tiers pour pré-construire des modèles à intégrer dans les systèmes des clients ou, dans de rares cas, utilisent à la fois leur propre technologie et leurs propres données pour construire des modèles pour les détaillants et d'autres clients. Kohls, par exemple, a obtenu de Deloitte une licence pour une plateforme appelée InSightIQ et travaille avec un autre partenaire, Axiom, pour enrichir ses données de première main avec d'autres ensembles de données. « L'une des choses les plus intéressantes dans le paysage technologique actuel est la prolifération de ces ensembles de données tiers syndiqués », dit-il.

Une combinaison d’algorithmes à disposition

Par exemple, Kohl's utilise une combinaison d'algorithmes de dépenses des clients pour prédire la prochaine meilleure offre à un client en fonction de ses achats récents. Une grande partie de ces algorithmes est basée sur les données de première main des clients de l’entreprise, en ligne et dans les magasins. Mais désormais, pour en savoir plus sur ses clients fidèles, la firme peut utiliser des ensembles de données tierces sous licence pour obtenir des informations précieuses sur l'emploi ou les activités de loisirs d'un client, par exemple.

« Nous avons commencé à augmenter les données de première partie avec des données de tierce partie pour déterminer quel type de travail ils font lorsqu'ils ne font pas d'achats et cela a un impact sur les chaussures que nous devrions leur proposer, et ce n'est qu'un exemple parmi des dizaines », déclare Paul Gaffney, ajoutant que la communauté des investisseurs utilise des ensembles de données de tierce partie depuis de nombreuses années, alors que le milieu des affaires en général n'en est qu'aux premiers jours de leur utilisation.

Le ML au service de la personnalisation

« Au cours des six derniers mois, nous avons commencé à ajouter, à côté de ces algorithmes déterministes sans apprentissage, de nouveaux modèles de ML pour nous aider à être plus précis sur les types d'offres que nous devrions faire [aux acheteurs], à qui nous devrions les faire et quand nous devrions les faire », explique-t-il.

Paul Gaffney ne voit que des opportunités dans le domaine de la personnalisation. « Nous avons été très efficaces dans l'utilisation de la science des données pour mieux cibler nos campagnes marketing historiques », déclare ce directeur technique. « Je pense que nous ne sommes pas à plus de six mois de passer d'une approche basée sur les campagnes à une approche réellement personnalisée, et encore trois à cinq années d'amélioration continue ».

De meilleures décisions grâce aux données

Avec son CDP modernisé et sa stratégie de personnalisation entièrement en place, Kohl's pourrait être prêt à prendre d'autres mesures commerciales plus importantes. Par exemple, l’entreprise a exploité les données de ses clients pour former un partenariat marketing avec le géant des cosmétiques Sephora, dans le but de créer une activité beauté de 2 milliards de dollars. D'ici 2023, Kohl's aura donc des magasins Sephora dans 850 de ses plus de 1 100 magasins, selon ses responsables. Pour M. Gaffney, l'hyperlocalisation figure parmi les applications les plus « passionnantes » des données de tiers. L'un des objectifs, explique-t-il, est d'appliquer l'apprentissage automatique à un mélange de données de première et de troisième main pour prendre des décisions de merchandising très ciblées et déterminer où ouvrir des magasins sur la base d'une matrice de milliers de points de données.

Cela pourrait s'avérer précieux dans le cadre des plans de l'entreprise visant à ajouter 100 nouveaux magasins de petit format à son parc de grands magasins au cours des quatre prochaines années. Au cours des dernières décennies, en utilisant uniquement ses propres données sur les clients, Kohl's proposait un assortiment identique de produits dans chaque magasin en fonction de données démographiques de base telles que le revenu, les informations sur la demande, la concurrence locale et l'ethnicité du quartier. Il y a seulement deux ans, en appliquant des ensembles de données de tiers en plus de ses données de première main, Kohl's a pu générer, par exemple, environ 35 assortiments différents de chaussures pour divers magasins, en fonction de données supplémentaires sur la population, la météo et d'autres données de tiers, explique M. Gaffney.

Et ce nombre a explosé à mesure que le volume des modèles d'apprentissage automatique et des ensembles de données de tiers a augmenté. « Nous avons maintenant une matrice qui compte environ 1 500 cellules au lieu de seulement 35 », explique le directeur technique. « C'est ce que nous allons faire désormais : s'appuyer sur ce paradigme sous-jacent pour trouver de meilleures données et utiliser une meilleure science des données pour rendre les données plus granulaires et donc prendre des décisions plus efficaces ».