Transformer les données de fidélité et de panel consommateurs en shopper insight

# TransformerTransformerUn Transformer est une architecture de réseau de neurones qui utilise le self-attention pour traiter des séquences en parallèle. Elle est au cœur de la plupart des modèles de langage et d'IA générative actuels.Voir la définition complète → les données de fidélité et de panel consommateurs en shopper insight

Une cliente scanne sa carte de fidélité à la caisse d'un supermarché britannique, un mardi soir. Ce simple bip indique au distributeur ce qu'elle a acheté, à quel prix, avec quoi d'autre, et comment ce panier se compare aux 40 qu'elle a remplis au cours de l'année. Multipliez cela par des millions de foyers : vous obtenez le jeu de données comportementales le plus riche des produits de grande consommation. Le problème, c'est que la plupart des équipes marque le regardent et n'y voient que des ventes qui montent ou qui descendent. L'insight se situe une couche plus bas.

Cette leçon montre comment lire les données de fidélité et de panel comme le fait un category manager : distinguer *pourquoi* les ventes ont bougé, repérer qui monte en gamme depuis des produits moins chers, et faire la différence entre un lancement qui fait 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 →ître la catégorie et un lancement qui ne fait que prendre des ventes à votre propre linéaire.

Deux sources de données, deux rôles distincts

Données de carte de fidélité (données first-party du distributeur) : chaque transaction rattachée à une carte, chez un seul distributeur. Une échelle énorme, mais limitée aux magasins de ce distributeur. Vous ne voyez pas ce que la cliente a acheté chez un concurrent.

Données de panel consommateurs : un échantillon recruté et représentatif de foyers (souvent 15 000 à 30 000 sur un grand marché) qui enregistrent *tous* leurs achats alimentaires, tous distributeurs confondus, généralement en scannant les codes-barres à domicile. Des acteurs comme Kantar Worldpanel et NielsenIQ opèrent ces panels. Échantillon plus petit, mais vision marché total.

Règle empirique : les données de fidélité sont profondes mais étroites. Les données de panel sont complètes mais échantillonnées. Les équipes FMCG sérieuses utilisent les deux.

L'équation qui explique tout : pénétration multipliée par fréquence

Voici la décomposition la plus utile en FMCG. Les ventes de n'importe quelle marque se décomposent ainsi :

Ventes = Foyers qui vous achètent (pénétration) × fréquence d'achat × dépense par visite

• Pénétration : le pourcentage de foyers ayant acheté votre marque au moins une fois sur la période.
• Fréquence : nombre moyen d'occasions d'achat par foyer acheteur.

Pourquoi c'est important : deux marques aux ventes identiques peuvent être dans un état de santé totalement différent.

Imaginez que la marque A ait vu ses ventes progresser de 6 % l'an dernier. Avant de célébrer, décomposez.

• Si la pénétration a augmenté (plus de foyers l'ont essayée), c'est une croissance durable et précieuse. Vous avez recruté de nouveaux acheteurs.
• Si la fréquence a augmenté mais que la pénétration est restée stable, vous pressez davantage les mêmes shoppers. Plus difficile à tenir dans la durée.

Des décennies de recherche synthétisées par l'Ehrenberg-Bass Institute montrent que les marques croissent presque toujours en augmentant leur pénétration, pas leur fidélité. Les grandes marques sont grandes surtout parce que plus de gens les achètent, pas parce que leurs acheteurs sont plus dévoués. Pour la science sous-jacente, la synthèse des travaux de l'Institute est un bon point de départ gratuit.

Donc la première question posée à un jeu de données de fidélité n'est jamais « les ventes ont-elles augmenté ? ». C'est « est-ce que *plus de foyers* nous ont acheté, ou est-ce que *les mêmes foyers* ont acheté plus ? »

Lire un jeu de données de fidélité en pratique

Un extrait brut de données de fidélité ressemble à une table géante :

| card_id | date | store | product | price_paid | promo_flag |

|---------|------|-------|---------|-----------|------------|

Pour passer de là à la pénétration et à la fréquence, vous regroupez par foyer. Une illustration simple en SQLSQLSales Qualified Lead : un prospect que l'équipe commerciale a validé comme prêt pour une prise de contact directe et une proposition, après avoir passé des critères de qualification explicites.Voir la définition complète → :

SELECT
  COUNT(DISTINCT CASE WHEN brand = 'OurBrand'
    THEN card_id END) * 1.0
    / COUNT(DISTINCT card_id) AS penetration,
  COUNT(*) FILTER (WHERE brand = 'OurBrand') * 1.0
    / COUNT(DISTINCT CASE WHEN brand = 'OurBrand'
        THEN card_id END) AS purchases_per_buyer
FROM transactions
WHERE category = 'Yogurt'
  AND date BETWEEN '2025-01-01' AND '2025-12-31';

La pénétration, ce sont les acheteurs divisés par l'ensemble des shoppers de la catégorie. La fréquence, ce sont les achats totaux divisés par les acheteurs. Deux lignes de logique, et vous en savez déjà plus qu'avec une courbe de ventes.

Repérer les switchers venus du private label

Le private label (la marque de distributeur, souvent moins chère) est la principale menace concurrentielle dans la plupart des catégories FMCG. Les données de fidélité permettent d'identifier précisément quels shoppers passent du private label à votre marque, puisque vous pouvez suivre la même carte dans le temps.

Construisez une matrice de switching. Prenez chaque foyer ayant acheté la catégorie sur deux périodes consécutives et croisez ce qu'ils ont acheté :

| | A acheté votre marque (période 2) | A acheté le private label (période 2) |

|---|---|---|

| A acheté votre marque (période 1) | Fidèle à vous | Perdu au profit du private label |

| A acheté le private label (période 1) | Gagné sur le private label | Fidèle au private label |

Segmentez maintenant la case « gagné sur le private label ». Sont-ils plus jeunes, plus sensibles à la promo, acheteurs de plus grands formats ? Ce profil vous dit *ce qui* les a fait basculer : une baisse de prix, un nouveau format, une allégation santé.

Un exemple concret : un category manager remarque que les shoppers passant du private label à une marque premium ont massivement acheté sous promotion multibuy et sont plutôt issus de petits foyers. Lisez cela attentivement. Ces switchers ne resteront peut-être pas une fois la promotion terminée. À l'inverse, les switchers venus à plein tarif et qui ont réachetés : voilà des gains réels et durables.

La question comportementale sous-jacente : avez-vous changé *qui* achète la catégorie, ou seulement *où* les acheteurs existants dépensent cette semaine ?

Cannibalisation contre lift incrémental sur une nouvelle variante

Venons-en à l'usage le plus difficile et le plus précieux. Vous lancez une nouvelle variante, disons une version riche en protéines d'un yaourt existant. Des ventes apparaissent. Mais une partie provient de personnes qui auraient de toute façon acheté votre yaourt classique. C'est la cannibalisation. Les ventes réellement nouvelles pour votre portefeuille de marque, c'est le lift incrémental.

Se tromper là-dessus détruit de la valeur. Un lancement qui semble réussi (la nouvelle variante se vend) peut laisser les ventes totales de la marque à plat parce qu'il a vidé la ligne existante.

Comment le mesurer avec des données foyers :

1. Identifiez les foyers ayant acheté la nouvelle variante.

2. Regardez leurs achats de vos *autres* produits avant et après le lancement.

3. Si la dépense d'un acheteur sur votre yaourt classique a baissé à peu près du montant qu'il consacre désormais à la variante, c'est de la cannibalisation.

4. Si sa dépense totale sur la catégorie avec votre marque a augmenté, cette part est incrémentale.

Une méthode plus propre est un design test contre contrôle : comparez les magasins ou régions où la variante a été lancée à des magasins ou régions appariés où elle ne l'a pas été, et mesurez l'écart sur les ventes *totales de la marque*, pas seulement sur les ventes de la variante. Les données de panel le permettent, puisque vous voyez le panier complet de chaque foyer.

La règle de décision réellement utilisée : un lancement mérite d'être maintenu si l'incrémentalité (ventes nouvelles pour la marque plus expansion de la catégorie) dépasse nettement la marge perdue par cannibalisation. Une variante cannibale à 80 % peut rester justifiée si elle protège contre un concurrent sur le point de lancer un produit similaire, mais vous devez *savoir* que c'est l'arbitrage que vous faites, pas le découvrir un an plus tard.

Pièges fréquents dans la lecture de ces données

Biais de survie dans les programmes de fidélité. Les porteurs de carte ne représentent pas toute la population. Ils sont en général plus engagés, plus fréquents. Ne les traitez pas comme le shopper moyen sans redressement.

Paniers manquants. Les gens oublient leur carte, ou vont chez un concurrent. Les données de fidélité sous-comptent. Les données de panel corrigent la vision marché total, mais sur des échantillons plus petits : les segmentssegmentsDécouper un marché en groupes distincts de clients partageant des besoins, des caractéristiques ou des comportements similaires, afin de traiter chaque groupe avec une approche dédiée.Voir la définition complète → minuscules deviennent vite bruités.

Confondre corrélation et causalité. Si les gros acheteurs achètent aussi votre nouvelle variante, cela ne veut pas dire que la variante a crcrLe 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 →éé des gros acheteurs. Il se peut simplement que les clients fidèles essaient tout ce que vous produisez.

Effet masquant de la promotion. Un pic de fréquence pendant une remise importante n'est pas de la fidélité nouvelle. Isolez toujours les volumes promus des volumes à plein tarif avant de conclure.

Mise en pratique : une lecture complète

Supposons que les ventes annuelles de votre marque de yaourt progressent de 4 %. Vous décomposez :

• Pénétration : en hausse. Plus de foyers vous ont acheté. Bon signe.
• La matrice de switching montre une case « gagné sur le private label » solide, et ces switchers ont majoritairement acheté à plein tarif. Durable.
• La nouvelle variante riche en protéines : l'analyse par foyer montre qu'environ la moitié de son volume est incrémental pour la marque, l'autre moitié cannibalisée sur la ligne classique. La moitié incrémentale a aussi attiré de nouveaux foyers plus jeunes.

Votre recommandation s'écrit d'elle-même : la croissance est réelle et portée par la pénétration, la variante mérite d'être conservée car elle recrute de nouveaux acheteurs malgré une cannibalisation significative, et les gains pris au private label méritent d'être protégés par une disponibilité continue à plein tarif plutôt que par des remises plus fortes.

Points clés à retenir

• Décomposez toujours les ventes en pénétration et fréquence d'abord. La croissance venant de foyers acheteurs plus nombreux est plus précieuse et plus durable que celle obtenue en pressant les acheteurs existants.
• Utilisez une matrice de switching sur les données de fidélité pour voir exactement qui circule entre votre marque et le private label, puis profilez ces switchers pour comprendre ce qui les a attirés.
• Séparez cannibalisation et lift incrémental à chaque lancement. Une variante qui se vend peut tout de même laisser les ventes totales de la marque à plat. Les designs test contre contrôle et les données de panel avec panier complet sont les moyens les plus propres de le mesurer.
• Les données de fidélité sont profondes mais étroites ; les données de panel sont complètes mais échantillonnées. Combinez-les, et isolez toujours le volume promu avant de conclure quoi que ce soit sur la fidélité.