Cartographier le paysage des données FMCG au-delà du scanner de caisse

Un simple pot de glace génère des données avant même d'être congelé. Un aromaticien saisit les scores d'un panel sensoriel dans un système de laboratoire. Un demand planner prévoit les volumes de l'été dans un module ERPERPUn système intégré unique qui gère les opérations clés : finance, achats, supply chain, RH et production sur des données partagées.Voir la définition complète → (Enterprise Resource Planning). Un trade marketer négocie un emplacement promotionnel avec une enseigne, suivi dans un outil TPM (Trade Promotion Management). Un shopper le fait défiler sur Instacart, générant un événement de clickstream. Quand ce pot passe enfin devant un scanner Walmart, il a déjà traversé cinq ou six systèmes de données que la plupart des category managers ne regardent jamais ensemble.

C'est le problème que règle cette leçon : savoir quel jeu de données répond réellement à votre question, au lieu de vous rabattre sur les données de point de vente (POS) parce que ce sont les plus familières.

Pourquoi les données POS seules vous induisent en erreur

Les données scanner POS (Nielsen, Circana ou flux directs des enseignes) vous disent ce qui s'est vendu, à quel prix, dans quel magasin. Elles ne vous disent pas :

• Pourquoi un shopper a choisi un concurrent (c'est le clickstream ou les données de panel)
• Si le produit était seulement en rayon (c'est la supply chain / les données d'OSA)
• Si une promotion a été financée correctement (c'est la donnée de trade promotion)
• Si le changement de recette auquel les shoppers réagissent a passé les tests sensoriels (c'est la donnée R&D)

Un mode d'échec classique : une marque constate une baisse de volume dans le POS et suppose un problème de demande, alors qu'il s'agit en réalité d'un problème de rupture de stock (OOS) en amont. Les estimations couramment citées dans la littérature retail situent les taux d'OOS moyens entre 5 et 8 % des SKU à un instant donné dans la grande distribution américaine et européenne (c'est une estimation sectorielle ancienne, pas une étude récente unique : à prendre comme un ordre de grandeur).

Les cinq grandes familles de données en FMCG

1. Données supply chain et opérations

Elles vivent dans les systèmes ERP (SAP, Oracle) et les systèmes de gestion d'entrepôt. Jeux de données clés : volumes de production, niveaux de stock, taux de service, taux de livraison OTIF (on-time-in-full) et OSA (on-shelf availability).

L'OTIF est la métrique de référence ici : pourcentage de commandes livrées complètes et à l'heure au DC (centre de distribution) de l'enseigne. Des distributeurs comme Walmart et Carrefour fixent des cibles d'OTIF (souvent citées autour de 95 %) et peuvent pénaliser les fournisseurs qui ne les atteignent pas.

2. Données de trade promotion et de prix

Hébergées dans les plateformes TPM (SAP TPM, Blacksmith, Vistex) et les scorecards enseignes. Jeux de données clés : calendriers promotionnels, trade spend par mécanique (baisse de prix, mise en avant, prospectus), ROIROIReturn on Investment : le rapport entre le profit net et le coût d'un investissement. Un ROI de 300 % signifie que chaque dollar investi en rapporte 3.Voir la définition complète → promotionnel, et volume baseline vs incrémental.

C'est là que la « qualité de la donnée » devient politique : le trade spend est souvent le deuxième poste de coût après le coût des marchandises pour une marque de grande consommation, et pourtant beaucoup d'entreprises le réconcilient encore dans des tableurs, ce qui provoque des écarts chroniques entre ce que la finance comptabilise et ce que les équipes commerciales déclarent avoir dépensé.

3. Données POS retail et panels syndiqués

Issues de Nielsen (NielsenIQ), Circana (ex-IRI) et des APIAPIApplication Programming Interface : une interface standardisée qui permet aux applications de communiquer et d'échanger des données sans connaître leur fonctionnement interne respectif.Voir la définition complète → directes des enseignes (Kroger 84.51°, Walmart Luminate, Target Roundel). Jeux de données clés : ventes en unités, ACV (All Commodity Volume, soit le % du chiffre d'affaires retail total réalisé dans les magasins référençant votre produit), part de marché, et élasticité prix/promotion.

4. Données e-commerce et clickstream

Issues des sites des enseignes, d'Amazon, d'Instacart et des plateformes DTC (direct-to-consumer) en propre. Jeux de données clés : share of searchshare of searchLa part des recherches de votre catégorie qui mentionnent votre marque, indicateur avancé de la part de marché.Voir la définition complète → (fréquence d'apparition de votre marque dans les premiers résultats d'une recherche catégorie), taux de conversiontaux de conversionLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →, taux d'ajout au panier, et conformité du contenu digital shelf (visuels, allégations, listes d'ingrédients corrects).

C'est la famille de données la plus récente et celle qui crocroLe Conversion Rate Optimization (CRO) est la pratique systématique visant à augmenter le pourcentage d'utilisateurs qui réalisent une action souhaitée, en s'appuyant sur la data, les tests et la recherche utilisateur.Voir la définition complète →ît le plus vite. Contrairement au POS, elle capte l'*intention* du shopper, pas seulement le résultat, raison pour laquelle les marques achètent de plus en plus de données retail media en complément des données de ventes.

5. Données R&D, sensorielles et qualité

Elles vivent dans les LIMS (Laboratory Information Management Systems) et les logiciels de panel sensoriel. Jeux de données clés : scores hédoniques (à quel point les panélistes apprécient un produit, généralement sur une échelle en 9 points), tests de stabilité et de durée de vie, et résultats de tests concept consommateur.

Ces données dialoguent rarement avec les systèmes commerciaux, et c'est exactement pour cela que des reformulations partent parfois en marché sans que personne ne relie un signal d'alerte sensoriel à une baisse de ventes ultérieure.

Comment l'écosystème s'articule réellement

Voyez-le comme une chaîne, pas comme un tas :

R&D/Sensory --> Supply Chain/ERP --> Trade Promotion --> Retail POS --> E-commerce/Clickstream
     (what)         (how much)          (at what price)    (what sold)   (why/intent)

Une question catégorie du type « pourquoi notre marque de yaourts a-t-elle perdu de la part au T3 » nécessite au moins trois de ces cinq familles. N'extraire que des données POS vous donne le *quoi*, jamais le *pourquoi*.

Les métriques de qualité de données qui comptent ici

Trois notions de gouvernance reviennent en permanence dans les équipes data FMCG :

Qualité des données de référence : les hiérarchies produit (SKU, marque, catégorie, sous-catégorie) doivent concorder entre ERP, TPM et systèmes POS. Un problème courant sur le terrain : après une acquisition, un même SKU porte des GTIN différents (Global Trade Item Numbers, le standard code-barres géré par GS1) ou des descriptions produit divergentes entre systèmes américains et européens, ce qui casse le reporting cross-marché.

Complétude et latence des données : les flux POS enseignes peuvent avoir 1 à 7 jours de retard selon le distributeur et le mode d'intégration (EDI vs API). Les données de clickstream sont quasi temps réel. Mélanger des horizons temporels sans corriger le décalage est une erreur fréquente chez les analystes.

Exactitude de la réconciliation : le trade spend enregistré dans le TPM doit se raccorder au grand livre de la finance. Une tolérance d'écart inférieure à 2-3 % est une cible de travail raisonnable, utilisée de manière informelle par beaucoup d'équipes finance/contrôle de gestion en CPG, même s'il n'existe aucun standard réglementaire universel (c'est un benchmark de contrôle interne, pas une loi).

Un exemple travaillé : repérer une fausse perte de part

Supposons que Nielsen montre une part valeur de votre marque passant de 18 % à 16 % sur une catégorie en un trimestre.

• Étape 1 : vérifiez la distribution pondérée ACV. Si l'ACV est passé de 85 % à 78 %, une partie de la « perte de part » est en réalité une perte de distribution (vous êtes dans moins de magasins effectifs), pas un problème de demande.
• Étape 2 : calcul simple : si vous avez perdu 7 points d'ACV et que la part de catégorie évolue à peu près avec la distribution dans les catégories matures, une partie de vos 2 points de part perdus peut être liée à la distribution plutôt qu'au shopper.
• Étape 3 : recoupez avec les données OSA et OTIF. Si l'OTIF a baissé sur ce même trimestre, la perte de distribution est peut-être une défaillance supply chain, pas un déréférencement.

Voilà pourquoi une métrique isolée (la part) induit en erreur, et pourquoi le réflexe central de cette leçon, remonter la chaîne jusqu'aux données supply chain et trade, compte.

Gouvernance : qui possède quoi, et pourquoi ça casse

La plupart des entreprises FMCG n'ont pas un « propriétaire des données » unique. La propriété est généralement répartie :

• L'IT/Data Engineering possède la fiabilité des pipelines et l'intégration des systèmes
• Les équipes commerciales/catégorie possèdent l'interprétation des données POS et trade
• La supply chain possède les données ERP et logistiques
• La R&D possède les données LIMS et sensorielles, souvent les plus silotées de toutes

Dans les catégories réglementées (sécurité alimentaire, cosmétiques), les données R&D et qualité alimentent aussi le reporting de conformité auprès d'organismes comme la FDA (US Food and Drug Administration) ou l'EFSA (Autorité européenne de sécurité des aliments), ce qui ajoute des exigences de conservation et de traçabilité distinctes de la gouvernance des données commerciales. Les règles de traçabilité (par exemple au titre du règlement général de la législation alimentaire européenne, règlement (CE) n° 178/2002) imposent de suivre les ingrédients un pas en amont et un pas en aval dans la chaîne d'approvisionnement, une discipline de données très différente d'un rapport de part de marché Nielsen.

Pour une introduction pratique aux standards de données retail, la documentation de GS1 est une ressource gratuite solide : GS1 barcode and traceability standards.

🎬 [VIDEO: "How Barcodes Work (and Why Retail Data Depends on Them)" - https://www.youtube.com/results?search_query=how+barcodes+and+gtin+work+retail - une explication en langage clair des GTIN et du scanning, la colonne vertébrale invisible de tout jeu de données POS]

Points clés à retenir

• Les données FMCG vivent dans cinq familles connectées : supply chain/ERP, trade promotion, POS/panel retail, e-commerce/clickstream, et R&D/sensoriel. Une vraie question catégorie en mobilise généralement au moins deux ou trois.
• Les données POS vous disent *ce qui* s'est vendu ; elles vous disent rarement *pourquoi*. Croisez-les avec la distribution (ACV), la disponibilité en rayon et les données d'intention issues du clickstream avant de conclure qu'une baisse vient de la demande.
• Les incohérences de données de référence (hiérarchies produit, GTIN) entre systèmes sont la source la plus fréquente, et la plus évitable, de mauvaises analyses FMCG.
• La réconciliation des données de trade promotion avec les enregistrements comptables est un contrôle de gouvernance concret à surveiller, le trade spend étant souvent le premier poste de coût pilotable d'une entreprise.
• Les exigences réglementaires de traçabilité (FDA, EFSA, législation alimentaire européenne) imposent aux données R&D et supply chain des obligations de conservation et de lignage plus strictes que les standards de reporting commercial, et distinctes de ceux-ci.