Home Blog

La gestion des stocks dans le retail avec la data

0
La gestion des stocks dans le retail avec la data
La gestion des stocks dans le retail avec la data

Les mégadonnées font de grandes vagues dans les affaires. En collectant et en analysant d’énormes pools d’informations, les entreprises peuvent optimiser presque toutes les facettes de leur activité. Ces solutions basées sur les données rendent les services plus rentables pour les entreprises et plus utiles pour les clients.

Bien que l’utilisation la plus évidente du big data soit dans le marketing, il peut également profiter à d’autres industries.

La gestion des stocks en entrepôt est l’un de ces secteurs qui peut voir des améliorations notables grâce à cette technologie.

Un stock bien organisé et axé sur le client est essentiel au succès de la chaîne d’approvisionnement. Trouver des moyens d’améliorer la gestion des stocks est un rôle crucial pour tout responsable d’entrepôt, et tirer parti de l’analyse des données offre des moyens uniques de s’améliorer.

Voici cinq façons dont le big data peut faire progresser la gestion des stocks en entrepôt :

1. Efficacité améliorée

L’amélioration de l’efficacité est peut-être l’avantage le plus important que le big data offre à la gestion des stocks. Les opérations d’entrepôt comprennent de nombreux petits processus interconnectés. Si un seul d’entre eux est en retard, cela peut causer des problèmes tout au long du processus.

Avec le Big Data, les responsables peuvent résoudre des problèmes liés à l’efficacité dont ils ignoraient peut-être l’existence. Les informations collectées à partir des différents outils utilisés par les entrepôts peuvent indiquer aux administrateurs si les machines ne fonctionnent pas à leur performance maximale. De même, la collecte de données peut informer les superviseurs des performances des employés et suggérer des moyens d’augmenter la productivité.

Une mauvaise organisation peut entraîner des opérations ralenties ou défectueuses, tout comme une bonne organisation peut optimiser le processus. La collecte de plus d’informations peut aider les gestionnaires à organiser leur inventaire.

L’organisation des stocks implique à la fois l’aménagement physique d’un entrepôt et la structure de ses opérations. En utilisant des programmes pour collecter et analyser des données dans l’entrepôt ainsi que des informations concernant d’autres entreprises similaires, les administrateurs peuvent voir où leur organisation peut manquer.

2. Prévoir les besoins

L’une des facettes les plus impressionnantes du Big Data est sa capacité à faire des prédictions précises. La prévision des changements de comportement des clients peut être un avantage considérable pour la gestion des stocks.

À différents moments de l’année, les clients peuvent avoir des habitudes d’achat totalement différentes. Si une entreprise ne voit pas ces changements venir, elle peut se retrouver avec un inventaire plein d’articles dont elle n’a pas besoin sans place pour ce dont elle a besoin. Avec l’aide du big data, ils peuvent stocker des stocks avec des choses qui seront probablement demandées avant qu’ils n’en aient besoin de manière trop urgente.

Bien qu’une personne puisse faire des prédictions raisonnablement précises, les mégadonnées peuvent être plus fiables, car elles examinent de vastes réservoirs d’informations fiables. Les programmes analytiques peuvent traiter beaucoup plus d’informations en un temps beaucoup plus court qu’une personne.

3. Réapprovisionnement optimisé

Avoir trop d’articles à rotation lente, ou pas assez d’articles en demande, est un problème frustrant. Cela peut nuire à la fois aux bénéfices et à la satisfaction des clients. Les gestionnaires d’inventaire doivent faire attention lors du réapprovisionnement de leur stock pour optimiser leur espace de stockage et satisfaire les clients.

Traditionnellement, les employés doivent vérifier l’inventaire manuellement et décider de la quantité de chaque article à commander en fonction d’un peu plus qu’une meilleure estimation. En utilisant des données pour analyser des aspects commerciaux tels que les tendances des ventes, les superviseurs des stocks peuvent obtenir une bien meilleure image de ce dont ils ont besoin.

Les analyses peuvent révéler si certains produits quittent lentement les rayons. Ils peuvent également alerter les travailleurs s’ils doivent commencer à commander plus d’un article. Avec à la fois des ventes historiques et des prévisions de tendances à leur disposition, ces analyses peuvent aider les entreprises à améliorer leurs habitudes de réapprovisionnement. L’intégration d’analyses facilite la gestion des stocks.

4. Rappels plus rapides

Bien que ce soit une situation malheureuse, les entreprises doivent parfois rappeler certains articles. Les rappels peuvent être coûteux et, s’ils sont mal gérés, peuvent nuire à l’image de l’entreprise. Ils doivent donc être rapides et efficaces pour minimiser les dommages.

Une partie d’un rappel efficace consiste à suivre les articles en question. Les mégadonnées peuvent y contribuer en traçant les produits par numéro et expédition à chaque étape de la chaîne d’approvisionnement.

Des détaillants notables comme Amazon et Costco utilisent le Big Data pour faire savoir qu’il est nécessaire de procéder à des rappels. En surveillant plusieurs pages Web, des sites d’évaluation aux médias sociaux, ils peuvent obtenir des informations sur les problèmes potentiels avec leurs produits le plus rapidement possible. En rappelant tôt et en prenant des mesures rapides, les entreprises peuvent réduire considérablement les dommages causés par ces circonstances indésirables.

5. Prévention des pertes

La démarque inconnue se produit lorsque les registres d’inventaire affichent un nombre d’articles supérieur à ce qui est réellement en stock. Le vol à l’étalage est la principale cause de rupture de stock, mais d’autres sources incluent le bris d’objets ou le mauvais placement des produits par les employés.

L’analyse des données peut montrer si certains éléments ont tendance à disparaître à des moments précis dans un service particulier. Sachant qu’il s’agit d’un lieu de retrait, les gestionnaires pourraient prendre des mesures de sécurité supplémentaires dans cette zone, comme l’installation de caméras pour attraper les voleurs. L’information montrerait également si les méthodes sont utiles ou non en comparant les niveaux de démarque inconnue avant et après que les superviseurs aient pris des mesures.

Des ensembles de données similaires pourraient mettre en évidence les zones où l’inventaire est incohérent, indiquant où les employés peuvent égarer les produits.

Changer l’avenir de l’inventaire des entrepôts avec la collecte de données

Il n’y a pratiquement aucune limite aux informations que le Big Data peut fournir aux gestionnaires d’inventaire, comme dans tout autre secteur. En adoptant cette technologie à grande échelle, les entreprises peuvent répondre plus efficacement aux demandes des clients et augmenter leurs revenus.

Aller plus loin dans la gestion des stocks grâce à la data

Savoir gérer ses stocks est aujourd’hui à portée de main grâce à la science des données. Vous avez juste besoin des bons outils et des bons processus.

Nous vous présentons dans cet autre article 10 applications incontournables de la data science dans le domaine du retail.

Découvrez l’outil spécialement conçu pour les acteurs du retail souhaitant exploiter leurs données : Data Smart Supply.

Commencer la gestion de vos données !

INVYO

Discover Open Future World – Use case

0
Open Future world use case
Open Future world use case

What is Open Future World?

Open Future World is the leading source of information about open banking, open finance and the open future.  Championing progress through a freemium platform of insights, trend analysis, directory, events, funding and more.

All accessed through the industry’s only dedicated search engine.

The Open Future World directory was launched in 2020 in response to the need for an easily searchable source of information on industry pioneers, that includes both regulated and unregulated entities.  ‘We were regularly being asked if we could recommend companies doing X in region X.  With the growth of the industry it was difficult for even big players to identify potential partners.  We launched the free directory to help connect people” said Co-founder Nick Cabrera.

Over the next two years the directory continued to add functionality, such as the integration of Legal Entity Identifiers through a partnership with GLEIF.  But in order to drive further enhancements Open Future World needed a quick way to scale the value and range of information provided, which didn’t rely on manual entry.

To help them face this challenge, Open Future World and INVYO built an API that could solve this problematic

What is INVYO and how this challenge was faced?

By connecting all your internal and external data sources, INVYO facilitates the understanding of your data to make it usable and actionable.

We help you to analyze your data, according to the business context, and then display the results in a format that suits your needs (application or API).

Welcome to a new era of data analytics

Visuel API

 

Key points :

  • OFW Open Future World is the largest global source of information on progress in open banking and beyond
  • OFW posts information on its website about companies active in the sector
  • INVYO retrieves additional data to complete the information sheets on the OFW website
  • OFW retrieves information from an API produced by INVYO

Visuel API

 

 

testimonial Marie Walker OFW

 

For more information :

  • For delegates: connect@openfuture.world
  • For PR and event info: georgina@openfuture.world

Feeling ready to take action but need some advice on how to get started?

Make an appointment today with one of our INVYO Data experts to discuss your issues and together build a product that meets your needs and business challenges.

Discover the tool specially designed for retail players willing to exploit their data:
Data Smart Supply.

INVYO

L’analyse de donnée dans la distribution : un avantage concurrentiel

0
L’analyse de donnée dans la distribution : un avantage concurrentiel
L’analyse de donnée dans la distribution : un avantage concurrentiel

La donnée, nerf de la guerre dans la distribution ?

À la question de savoir si la donnée est le nerf de la guerre dans la distribution, nous avons une réponse sans équivoque avec l’émergence de l’intelligence artificielle et le développement de l’utilisation de la Data dans le commerce.

Pendant longtemps, les GAFAM en ont fait leurs pains bénis afin de réaliser de juteux profits en ayant une parfaite connaissance des besoins de leurs clients cibles (BtoB et BtoC). Les AMAZON, META (Ex FACEBOOK) et consorts ont été en quasi-monopole pour le traitement de la donnée à des fins purement commerciales pendant des années.

Améliorer la confiance et la relation client

Aujourd’hui plus que jamais, les consommateurs ont plus de choix, sont mieux informés et attendent davantage des commerçants et distributeurs. Par ailleurs, les régulateurs et les politiques ont décidé de légiférer en la matière. La mise en place du “Data Act” révèle une volonté de l’union européenne de reprendre la main face aux géants du net. L’Europe veut pouvoir mieux exploiter ses données.

En résumé, le texte introduit en effet une nouvelle obligation pour les fabricants (« data holders ») : rendre accessible gratuitement aux utilisateurs les données qu’ils génèrent via le produit connecté utilisé. Et leur permettre de les transférer à une entreprise tierce, dans des « conditions raisonnables.

Les tendances du marché de la distribution en 2022

Dans une de ces nombreuses études, le cabinet Mc Kinsey a défini les grandes tendances du marché de la distribution en 2022 : 

  • Les consommateurs feront à l’avenir de plus en plus attention aux prix et aux promotions
  • 36% d’entre eux devraient augmenter leurs dépenses liées aux produits naturels et sains.
  • Les consommateurs s’attendent à plus d’omnicanalité, d’engagement des marques et de la personnalisation.
  • 80% se déclarent ainsi plus susceptibles de faire un achat auprès d’une marque qui propose des expériences personnalisées

La personnalisation est donc au centre des attentions des distributeurs et des marchands. Celle-ci n’est possible qu’avec une bonne donnée de marché récoltée.  La personnalisation concerne la manière dont les marques entrent en relation avec leurs clients pour améliorer l’expérience en magasin et sur les canaux digitaux : Personnalisation des messages marketing, Identification des cibles, …

Mais également la manière de gérer les magasins, les ventes et les stocks, voire l’outil de production s’ils en possèdent.

Aller plus loin dans la connaissance client grâce à la data

Savoir ce que votre client veut et quand est aujourd’hui à portée de main grâce à la science des données. Vous avez juste besoin des bons outils et des bons processus.

Nous vous présentons dans cet autre article 10 applications incontournables de la data science dans le domaine du retail.

Découvrez l’outil spécialement conçu pour les acteurs du retail souhaitant exploiter leurs données : Data Smart Supply.

Commencer la gestion de vos données !

INVYO

La data, meilleur remède face à l’inflation ?

0
La data meillleur remède face à l'inflation
La data meillleur remède face à l'inflation

La data, meilleur remède face à l’inflation ?

L’inflation est repartie à la hausse depuis Juin 2022 et ne finit pas d’augmenter pour arriver fin septembre 2022 à 10%

Ce retour est principalement dû à la crise sanitaire de la Covid en 2021, amplifiée en 2022 par la guerre que mène la Russie contre l’Ukraine depuis le 24 février 2022

Une hausse conséquente ayant des répercussions sur l’économie française et mondiale.

Toutes les solutions sont envisagées pour que les acteurs économiques trouvent une solution pérenne et ainsi permettre au consommateur final de subir le moins possible cette inflation.

Cette solution tient en 4 lettres : DATA.

Et si l’optimisation de la data pouvait aider nos entreprises françaises à avoir l’impact le plus positif possible face à l’inflation ?

Aujourd’hui des outils sont à votre disposition pour vos achats, dépenses et vos décisions stratégiques par exemple. Une digitalisation de vos méthodes de travail va vous permettre d’avoir un meilleur panorama sur vos futures décisions stratégiques et ainsi optimiser vos actions.

Vous pensez qu’il est déjà trop tard ?

Bien au contraire ! C’est maintenant qu’il faut agir. PME, Grand Groupe, la Data et les opportunités qu’elle offre sont à la portée de tous.

Pour mieux illustrer ses propos nous pouvons prendre l’exemple de Auchan Retail. Un acteur incontournable dans le monde du Retail. Ce géant du Retail opte aujourd’hui pour une stratégie Data as a Service.

De plus en plus aujourd’hui, notamment dans le secteur du retail, les innovations vont être de plus en plus importantes pour répondre à la demande du consommateur. Un consommateur toujours plus informé et avec des demandes toujours plus personnalisées.

La différence que nous pouvons observer en comparaison des dernières années va être sur la nature de la concurrence. Une concurrence qui va être directe avec des acteurs similaires proposant des offres similaires mais aussi avec des acteurs indirects proposant des services différents comme le e-commerce, le commerce de proximité, la seconde main… Mais qui devient de plus en plus un concurrent pour des géants du Retail.

Pour ce géant du retail, il était donc nécessaire d’innover dans le domaine de la data. Pour Auchan cela c’est traduit a créé une couche de données centrales alimentées par les différentes sources de données du groupe, internes et externes. L’accès à l’intégralité des données s’effectue via des services et des API.

Vous vous sentez prêt à agir mais avez besoin de conseil pour vous lancer ?

Prenez dès maintenant rendez-vous avec un de nos experts Data d’INVYO pour évoquer vos problématiques et ensemble construire un produit répondant à vous besoins et enjeux-métier.

Découvrez l’outil spécialement conçu pour les acteurs du retail souhaitant exploiter leurs données : Data Smart Supply.

INVYO

Comment améliorer l’expérience client avec la data ?

0
Comment améliorer l'expérience client avec la data ?

Quand on pense “data” et “expérience client”, on pense souvent d’abord à toutes ces données sur nos habitudes de consommation qui sont récoltées et ensuite utilisées.
Le big data est alors vu comme un 😈 qui soutire des informations personnelles.

Pourtant, c’est aussi grâce à lui que vous bénéficiez d’une meilleure expérience client que ce soit en ligne ou en magasin 😇.

Je vais vous parler aujourd’hui de 3 bénéfices de la data au service de l’expérience client : les chatbots, une meilleure segmentation, et de meilleures recommandations.

Les chatbots : pensés par les humains, pour les humains

Aujourd’hui en France, il y a, accrochez-vous, plus de 60 entreprises dans les chatbots répartis en 4 catégories :

Les startups françaises du chatbot data expérience client
Les startups françaises du chatbot data expérience client

 

La technologie sous-jacente : le NLP

Le Natural Language Processing n’a sûrement plus de secrets pour vous si vous avez suivi notre mini série de vulgarisation de la data, en particulier l’épisode 4 de la saison 1 🦜

Pour les nouveaux arrivant, une définition sommaire : le NLP ou Traitement Automatique du Langage Naturel permet à la machine de reconnaître les champs sémantiques issus du langage naturel (souvent écrit, bien que les technologies de reconnaissance vocale soient en plein boom).

Les plateformes utilisant la technologie NLP pour fournir une plateforme de création de chatbot (pour les développeurs et, à terme, pour le grand public). Ces plateformes permettent à l’utilisateur de générer son propre arbre de décision et d’y entrer les questions et les réponses souhaitées. Ces plateformes clé en main peuvent s’avérer limitées pour créer un chatbot « intelligent », capable par exemple de reconnaître des émotions et de réagir en fonction (on parlera alors de NLU, Natural Language Understanding).

Les différentes applications

Les fournisseurs de services spécifiques via un chatbot sont soit B2B (service client ou support interne) ou B2C (conciergeries en ligne, etc).

Pour le volet B2B, les startups proposant un chatbot viennent par exemple alléger les demandes clients d’un SAV, prenant le relais du standard téléphonique pour les questions clients classiques et pouvant si besoin rebasculer vers le call center.

Il s’agit aussi de chatbots de knowledge management allant puiser dans les ressources en ligne de l’entreprise et capables de sélectionner rapidement la bonne information pour les demandes des employés.

Il peut enfin être question d’outils pratiques automatisant les tâches récurrentes en entreprise (assistant virtuel à la prise de rendez-vous et gestion d’agenda grâce à Julie Desk, redirection des messages slack en e-mail grâce à MailClark, ou encore évaluation des compétences en langue étrangères grâce à Pipplet).

Pour le B2C, on retrouve des chatbots de conciergerie en ligne, le plus souvent accessibles depuis Facebook Messenger, qui nous conseillent sur les bons plans et les sorties en ville (concerts, expositions, restaurants à proximité, etc.).

répartition des startups du chatbot par catégories
répartition des startups du chatbot par catégories

Les grands comptes, premiers clients des startups

Quel que soit le secteur, les startups françaises du chatbot ont, pour nombre d’entre elles, travaillé sur un projet avec des grands groupes du CAC 40.

Les agences de conception de chatbot collaborent aussi bien avec des médias que des banques ou des groupes de retail :

  • Livebotter : La Redoute, Netflix, Société générale
  • Playbots : FNAC, Bouygues Immobilier, La Mutuelle générale
  • The bot studio : RATP, Renalt Nissan, Orange, Valéo
  • Vizir : La Poste, EDF, Leroy Merlin, Safran
  • Botmind : BNP Paribas, La Redoute, Webedia

Les grands groupes font également appel aux startups pour les aider à concevoir et mettre en place leurs chatbots de service client :

  • CallDesk : La Poste, Bouygues Telecom, Mgen, Voyages SNCF
  • iAdvize : Disney, Air France, Cdiscount, EDF, Voyages SNCF, Nespresso, IKKS

Automatisation des tâches :

  • Pipplet : Adecco, Saint Gobain, TelentSoft, Zalando, Kering

Plateforme de création de chatbot :

  • Smartly.AI : BNP Paribas, Orange, BPCE, SEB, PSA, Deloitte, BETC

Nouveau défi : la reconnaissance vocale

Nouveau défi à venir pour les startups du chatbot : intégrer la reconnaissance vocale à leur système. Si près de 60% des acteurs cartographiés sont disponibles sur Messenger, 30% incorporables à des sites internet et 30% disponibles via une application mobile dédiée, seuls 8% sont configurables avec un dongle vocal. L’ère des assistants vocaux, dont Snips est un acteur très prometteur, n’en est qu’à ses débuts en France et représente peut-être l’un des défis de cette nouvelle année.

Une meilleure segmentation client pour une meilleure compréhension du marché

La Data peut aider à segmenter des clients ?

Si vous vous souvenez bien, dans l’épisode 4 de la saison 2 de notre mini-série, nous avons montré comment repérer des clusters de consommateurs, c’est à dire des groupes d’individus dont les comportements sont similaires, en vue d’aider les équipes marketing et communication à mener des actions de ciblage précises.

Les algorithmes de réduction de dimension

L’ACP (Analyse par Composantes Principales) et le t-SNE (t-Distributed Stochastic Neighbor Embedding) sont deux algorithmes de réduction de la dimensionnalité, ie. des outils qui vont permettre de simplifier les données pour les visualiser en 2 dimensions.

La place de la visualisation

Grâce à la réduction de dimensions, on aboutit à des visualisations de ce type pour mieux cerner la représentation de chacun des clusters :

visualisation clusters dataviz
visualisation clusters dataviz

 

De meilleures recommandations pour un meilleur service après-vente

Les systèmes de recommandation de produit sont souvent les premières applications d’intelligence artificielle que souhaitent mettre en place les e-commerçants sur leur site web. C’est un choix logique qui aura un impact visible très rapidement sur les ventes. Voici quelques informations pour expliciter l’intérêt de l’intelligence artificielle sur la recommandation des produits.

Qu’est-ce que la recommandation produit ?

La recommandation produit existe sur la majorité des sites e-commerce mais aussi sur des outils marketing ou d’aide à la vente. Dans le cas d’un e-commerce elle est visible en bas d’une fiche produit (“vous aimerez aussi”…), lors de l’ajout d’un produit au panier (“les clients qui ont acheté ce produit ont également acheté”…), ou à d’autres emplacements du site. On trouve également très fréquemment des recommandations de produits dans les newsletters.

Sans algorithmes d’intelligence artificielle, les produits recommandés sont soit définis par le e-commerçant ou l’administrateur des ventes, soit définis par une règle statistique basique (historique des ventes).

Avec de l’intelligence artificielle, il devient possible d’automatiser ces suggestions et de les personnaliser à chaque client, en fonction des pages visitées, de son historique d’achat, du contenu de son panier, de son profil… et ainsi de proposer intelligemment les bons produits au bon client, au moment opportun. Cette personnalisation accrue est une stratégie très efficace pour développer les ventes, que ce soit dans un e-commerce ou dans le CRM d’un commercial.

Les avantages de l’intelligence artificielle pour la recommandation produit

Le machine learning a la capacité de traiter un très grand nombre de flux d’information pour définir la meilleure recommandation possible pour chaque client, ce qui n’est pas possible via une recommandation humaine (à moins d’échanger individuellement avec chaque client) ou via un algorithme classique qui se basera sur des données en trop faible quantité. Un moteur de recommandation en machine learning, couplé à une segmentation client par intelligence artificielle, permettra d’obtenir des résultats encore plus significatifs.

Les méthodes de machine learning et le deep learning se mettent au service de votre stratégie marketing avec l’objectif direct d’augmenter votre chiffre d’affaires.

Découvrez l’outil spécialement conçu pour les acteurs du retail souhaitant exploiter leurs données : Data Smart Supply.

Commencer la gestion de vos données !

INVYO

Comment améliorer les opérations en magasin ?

0
Comment améliorer les opérations en magasin?
Comment améliorer les opérations en magasin?

Découvrez l’outil spécialement conçu pour les acteurs du retail souhaitant exploiter leurs données : Data Smart Supply.

Grâce à la planification et à la budgétisation de la main-d’œuvre par activité, les détaillants peuvent devenir plus efficaces tout en améliorant le service à la clientèle et la satisfaction des employés.

C’est un sujet récurrent pour le commerce de détail avec des outils, des processus, du personnel et des demandes qui changent constamment. Alors que ces changements amènent de nouvelles contraintes et innovations, les fondamentaux demeurent. Les entreprises qui en ont une compréhension claire ont un avantage sur leurs pairs pour identifier et opérationnaliser l’innovation dans les opérations des magasins.

Les logiciels et solutions prêts à l’emploi, bien qu’utiles pour des tâches importantes telles que la surveillance de l’assiduité des employés et la gestion de la paie produisent généralement des horaires génériques qui ne prennent pas en compte des facteurs comme la charge de travail spécifique au magasin.

Si un détaillant pouvait mieux prédire le nombre et l’ensemble de compétences des employés dont chacun de ses magasins a besoin tous les jours (ou mieux, toutes les heures) de la semaine, les clients obtiendraient une assistance commerciale rapide, les étagères seraient réapprovisionnées en temps opportun, les employés ne seraient ni oisifs ni surmenés, et, dans la plupart des magasins, les coûts de main-d’œuvre diminueraient.

Une inadéquation entre l’offre et la demande

De nombreux détaillants utilisent la gestion de la main-d’œuvre logicielle pour générer un planning hebdomadaire du personnel propre à chaque magasin. Ce calendrier est généralement basé sur les prévisions de revenus. Le chiffre d’affaires est un critère judicieux pour la planification, mais elle est insuffisante car les habitudes d’achat des clients (taille moyenne du panier, prix d’achat moyen par article…) peuvent varier selon les heures et les jours.

De plus, la plupart des détaillants n’ont pas de moyen de tenir compte des facteurs spécifiques au magasin qui affectent la durée des activités, comme la distance qu’un employé doit marcher pour transporter une palette d’un camion de livraison au magasin ou combien d’ascenseurs les employés peuvent utiliser pour apporter des produits à la surface de vente. La même activité peut représenter beaucoup plus de temps dans un magasin que dans un autre, même si les deux magasins ont des revenus égaux.

Les budgets de main-d’œuvre sont ainsi souvent en décalage avec la réalité actuelle d’un magasin.

Quatre conditions préalables pour l’excellence

Pour révolutionner leur planification du travail et la budgétisation, les détaillants innovants ne sont pas simplement appuyés sur une gestion de la main-d’œuvre prête à l’emploi. Au lieu de cela, ils suivent un programme basé sur l’activité, ce qui signifie que les bons employés travaillent au bon moment, effectuent les bonnes tâches et dépensent le moins de temps nécessaire à ces tâches.

Il existe quatre conditions préalables à l’excellence : — calculer la charge de travail spécifique au magasin, en tenant compte du service prédéfini et des normes de processus. — prévoir des « moteurs de volume » (tels que les revenus par département, par heure, et flux de produits) pour chaque magasin, en fonction des modèles de régression sophistiqués ainsi que de l’expérience de gérant de magasin. — avoir une main-d’œuvre flexible — avec un mélange de temps plein, temps partiel et temporaire, qui peut s’adapter aux horaires qui peuvent changer quotidiennement. — suivre des processus robustes de gestion des performances, avec une productivité et des objectifs de niveau de service, pour s’assurer que tous les magasins sont à bord et respectent le plan.

Dans la pratique, la première condition préalable est le plus souvent la clé de l’amélioration.

Comment calculer les charges de travail avec précision

Il s’agit de se concentrer sur les activités qui constituent une part importante de la charge de travail des employés du magasin. Par exemple, ajuster une étagère ne nécessite pas une mise à jour du planogramme, car cette activité représente moins de 1 % de la charge de travail totale. En revanche, les activités liées au réapprovisionnement peuvent prendre jusqu’à 70% du total des heures de travail dans un magasin.

Mise en œuvre et déploiement

La mise en œuvre d’une approche par activités nécessite un outil qui peut transformer les données entrantes en valeurs utiles pour les gérants de magasin. Les valeurs peuvent inclure le nombre requis d’employés à temps plein par heure et par jour, les tâches spécifiques que les employés doivent faire à certaines heures de la journée, et le coût de main-d’œuvre associée.

Les détaillants trouvent généralement qu’il est plus facile et plus rapide de construire un tel outil à partir de zéro et ensuite injecter ses sorties dans leurs systèmes de gestion de la main-d’œuvre existants, plutôt que de construire l’outil au sein de leur système RH actuel.

Découvrez l’outil spécialement conçu pour les acteurs du retail souhaitant exploiter leurs données : Data Smart Supply.

Commencer la gestion de vos données !

INVYO