Databricks pour le retail et les produits de grande consommation

Le commerce agentique marque le passage de la recherche de produits par les clients à la gestion autonome de la découverte, de la recommandation, de la transaction et du service par des agents d'IA, pour le compte des acheteurs, des détaillants et des fournisseurs. Les analystes du secteur prévoient que d'ici 2028, 50 % des achats seront initiés par des agents d'IA ou par la recherche basée sur l'intention. Les détaillants qui maîtrisent cette expérience verront une valeur vie client considérablement plus élevée que ceux qui dépendent encore de la recherche par mots-clés et des pages de catégories statiques.

Databricks rend cela possible grâce à Agent Bricks, qui permet aux détaillants de créer des agents d'IA de qualité production basés sur leurs propres données d'entreprise, sans avoir à consacrer des mois à l'ingénierie ML personnalisée. Les équipes décrivent la tâche de l'agent, connectent leurs données et Agent Bricks s'occupe du reste : génération de données synthétiques, évaluation, optimisation et déploiement. Lakebase fournit la base transactionnelle en temps réel sur laquelle s'appuient ces agents, avec un accès en quelques millisecondes aux catalogues de produits, aux stocks et aux profils des clients, tandis que Unity Catalog garantit que chaque action de l'agent est régie et auditable, donnant aux détaillants la confiance nécessaire pour déployer l'IA dans des environnements de production destinés aux clients.

La marge de détail est soumise à une pression historique. Les études montrent que 30 à 40 % des dépenses promotionnelles sont gaspillées pour des consommateurs qui auraient acheté au plein tarif de toute façon, et que les révisions manuelles des prix ne peuvent pas suivre l'évolution quotidienne des conditions du marché. Databricks alimente la gestion de la croissance des revenus en permettant une optimisation des Tarifs, des promotions et de l'assortiment pilotée par l'IA sur une plateforme unique : ajustement continu des prix en fonction de la demande en temps réel et des signaux concurrentiels, mesure de la véritable incrémentalité des promotions plutôt que de l'augmentation revendiquée par le fournisseur, et optimisation de l'allocation des SKU et des rayons par magasin pour maximiser le revenu par mètre carré.

Genie met ce pouvoir directement entre les mains des chefs de catégorie et des responsables de la croissance des revenus, de sorte qu'un commerçant peut demander quel a été le véritable gain incrémental d'une promotion et obtenir instantanément une réponse sourcée et étayée par des données. Lakebase alimente les APIs de tarification dynamique et les moteurs de promotion qui doivent lire les règles de marge et les signaux concurrentiels en temps réel, et transmettre les décisions aux systèmes POS et d'e-commerce à une vitesse transactionnelle. Les principaux détaillants réalisent une amélioration de leur marge de 2 à 5 % grâce à une optimisation basée sur l'IA, et Prada a signalé une augmentation de 20 % de ses taux de conversion grâce à des applications d'IA personnalisées conçues sur Databricks.

Le problème structurel auquel la plupart des détaillants sont confrontés n'est pas un manque de données ; c'est que les données se trouvent partout et n'appartiennent à personne. Les données client se trouvent dans les CDP, les données de la chaîne d'approvisionnement dans les ERP, les données promotionnelles dans des solutions spécialisées et les données des magasins dans des systèmes POS hérités. Chacun dispose de son propre modèle de gouvernance et de sa propre copie de la vérité, ce qui entraîne des décisions lentes, des informations obsolètes et des projets d’IA qui ne passent jamais de la phase pilote à la production. Databricks met fin à cette fragmentation avec un lakehouse unique et ouvert où toutes les données du commerce de détail, du clickstream à la chaîne du froid, sont unifiées sous une seule couche de gouvernance via Unity Catalog.

L'impact se fait sentir dans toutes les fonctions : la chaîne d'approvisionnement et le merchandising opèrent à partir des mêmes signaux de demande, le marketing et la finance à partir de la même source de vérité client, et les modèles d'IA s'entraînent sur des données complètes et gouvernées plutôt que sur des sous-ensembles isolés. Delta Sharing étend la collaboration au-delà des quatre murs du détaillant, permettant un échange de données gouverné en temps réel avec les fournisseurs et les partenaires CPG, sans copies, verrouillage propriétaire ou intégrations coûteuses. Walmart a obtenu des informations 50 % plus approfondies sur sa chaîne d'approvisionnement avec plus de 300 fournisseurs sur Databricks en utilisant précisément cette approche.

Dans le secteur de la vente au détail, la collaboration au sein de la chaîne d'approvisionnement s'est historiquement traduite par l'envoi de feuilles de calcul par e-mail, des intégrations EDI propriétaires et des intermédiaires de Data Sharing coûteux, qui sont tous sources de retards et de risques en matière de gouvernance. Dans un environnement défini par la volatilité des tarifs et l'évolution de la demande des consommateurs, cette friction n'est plus acceptable. Databricks propose un modèle fondamentalement différent grâce à Delta Sharing : un protocole ouvert, sans copie, qui permet aux détaillants de partager avec les fournisseurs des prévisions de la demande gouvernées, des données de vente au détail et l'état des stocks. Cela se produit en temps réel, sans copie des données, sans exiger des partenaires qu'ils adoptent la même pile technologique et sans céder le contrôle des données sous-jacentes.

Sur cette base, les modèles de prévision basés sur l'IA combinent les données POS avec des signaux externes en temps réel, tels que la météo, les événements, la congestion portuaire et les prix des matières premières, pour générer des prévisions au niveau du magasin et du SKU qui se mettent à jour en continu. AI/BI Genie offre aux planificateurs de la chaîne d'approvisionnement un accès conversationnel aux signaux de disruption et à la précision des prévisions sans avoir à extraire des données de systèmes hétérogènes, tandis que Lakebase alimente les applications d'inventaire opérationnel qui maintiennent les niveaux de warehouse et les données de commande synchronisés avec le lakehouse en temps réel. Les détaillants sur Databricks constatent des réductions de 20 à 30 % des erreurs de prévision et de 60 % des ruptures de stock, tout en établissant des relations avec leurs fournisseurs qui créent un véritable avantage concurrentiel.