Qu'est-ce que le commerce de détail en temps réel ?

À quoi servent les données en temps réel pour la vente au détail ?

• La vente au détail en temps réel s'appuie sur un accès en temps réel aux données. En abandonnant l'approche batch de l'accès, de l'analyse et du calcul, les données deviennent constamment disponibles. Résultat : des décisions et de la business intelligence précises et rapides. Les cas d'usage en temps réel – prévision de la demande, personnalisation, disponibilité en rayon, prédiction de l'heure d'arrivée, préparation et regroupement des commandes – apportent de la valeur ajoutée à l'entreprise en la rendant plus agile. Ils réduisent aussi le coût de service et optimisent à la fois la disponibilité des produits et le réapprovisionnement.

Pourquoi les données en temps réel sont-elles aussi importantes pour la vente au détail ?

• Le passage à l'e-commerce et à l'omnicanal s'est déroulé sur les 20 dernières années, avant de prendre un virage radical lors de la pandémie de Covid-19, qui a transformé les comportements des consommateurs. En 10 semaines seulement, nous avons vu autant de changement qu'au cours des 10 années précédentes. Suite aux décrets de confinement, les consommateurs ont eu massivement recours aux canaux numériques pour faire leurs achats. La fréquentation des restaurants a brutalement chuté, tandis que la vente à emporter et la livraison explosaient. Cette mutation de la consommation a entraîné d'autres changements : hausse de la fraude, augmentation des attentes des clients et des volumes de retours, hausse des coûts liés à la vente à emporter et à la livraison.
• S'ajoute à ces évolutions la récente volatilité des chaînes d'approvisionnement. La volatilité reste le risque numéro 1 pour la vente au détail et les biens de consommation, et ce, pour plusieurs années encore.
• Les stratégies commerciales traditionnelles sont devenues instantanément obsolètes. Les outils de prédiction de la demande se sont trompés et les préférences de clients ont changé, entraînant des ruptures de stock – et donc la baisse des marges des détaillants. Quand les consommateurs ont commencé à faire leurs achats en temps réel, les entreprises ont dû abandonner leurs architectures de data warehouse traditionnelles pour des plateformes capables de répondre en temps réel, d'où la création du Lakehouse for Retail.

Quels sont les avantages d'un accès en temps réel aux données ?

• Importation rapide des données à grande échelle : met des insights approfondis à disposition de toute la chaîne de valeur en temps réel et permet de réduire les coûts et le nombre d'erreurs. Les détaillants font des erreurs lorsqu'ils prennent des décisions sans informations. Et ces erreurs peuvent avoir de nombreuses conséquences :
  • Une sous-estimation de la demande entraîne des frais d'expédition en urgence par la suite
  • Une prévision incorrecte de la quantité à produire pour un article accroît les coûts de transport, les ventes manquées et les pertes
  • L'approche réactive des pannes entraîne des interruptions imprévues qui perturbent les cycles de production
  • Exécuter des commandes avec des données incomplètes ou inexactes génère des frais d'expédition supplémentaires et augmente les taux de retour
  • Passer à côté d'une occasion d'échanger avec un consommateur sur la base des données actuelles peut faire perdre des opportunités de vente
• Le traitement des données en temps réel permet à tous les maillons de la chaîne de valeur de voir l'état des opérations sans délai et de prendre des décisions plus informées pour éviter ces problèmes.

Quelles sont les capacités uniques de Databricks pour le traitement des données en temps réel ?

• Le Lakehouse Databricks emploie des technologies comme Delta, les DLT, Autoloader et Photon. Grâce à elles, les clients mettent les données au service de la prise de décision en temps réel.
• Le Lakehouse for Retail prend en charge les jobs les plus volumineux en quasi temps réel. Par exemple, des clients importent près de 400 millions d'événements par jour depuis des systèmes de journaux transactionnels, à des intervalles de 15 secondes. En raison des perturbations qui touchent les rapports et l'analyse pendant le traitement des données, la plupart des clients du secteur du retail chargent leurs données dans leur data warehouse pendant la nuit. Certaines entreprises chargent même les données à un rythme hebdomadaire ou mensuel.
• Une architecture en lakehouse fournit une méthode plus simple que les approches traditionnelles – l'architecture Lambda, notamment – pour importer et traiter les données en batch et en streaming. L'architecture gère la capture des données de modification et assure la conformité ACID des transactions.
• Les DLT simplifient la création de pipelines de données et créent automatiquement le lineage pour faciliter la gestion en continu.
• Le lakehouse permet d'importer des flux de données en temps réel et de les analyser. Les data warehouses nécessitent des opérations d'extraction, de transformation et de chargement, puis une nouvelle extraction du data warehouse pour effectuer des travaux analytiques.
• Photon délivre des performances exceptionnelles pour les requêtes, ce qui permet aux utilisateurs d'interroger les plus grands ensembles de données afin d'alimenter la prise de décisions en temps réel dans les outils de BI.

En savoir plus sur les solutions Lakehouse for Retail.

Ressources complémentaires

• Collaborer tout au long de la chaîne de valeur de la vente au détail avec les données et l'IA
• Analytique de point de vente en temps réel avec le data lakehouse
• Améliorez la disponibilité en rayon des articles grâce à la modélisation des ruptures de stock par l'IA