Est-ce que le Big data aime le poisson ?

Dans un supermarché un chef de rayon poisson se lamentait sur la rentabilité de son rayon. Il eu alors une idée, qu'il qualifia de géniale, de regarder la rentabilité par type de poisson. Il a vu rapidement que certains poissons étaient peu vendus et le fait de perdre une partie significative de la marchandise (démarque connue) donnait une rentabilité négative. Il classa donc toutes ses ventes en fonction de la rentabilité et supprima les 5% du bas de la liste pour lesquelles la rentabilité était très mauvaise. L'effet sur la rentabilité du rayon fut immédiate, les ventes restèrent stables (les clients se reportaient sur d'autres poissons) et la marge s'améliora fortement. Il continua l'exercice en supprimant à nouveau les 5% du bas de la liste. Il aurait pu poursuivre régulièrement cette suppression des 5% plus faibles rentabilités, mais il fut arrêté par la réaction des clients qui voyaient l'étalage se réduire et donc perdait de son attractivité. Les clients se détournaient de son rayon, pour trouver un peu plus loin un rayon mieux achalandé. Le chiffre d'affaires commençait alors à dégringoler et la rentabilité avec !

Le chef de rayon analysa alors plus en détail ses ventes et constata que 40% de son chiffre d'affaires était concentré sur 2,5 jours (vendredi, samedi et dimanche matin). Il en déduisit qu'il fallait mieux adapter son offre au cours de la semaine. Il eu donc une autre idée géniale : il installa des vitrines froides en cours de semaine pour vendre du poisson en barquettes et le vendredi il rangeait ses vitrines dans la réserve pour déployer un grand étalage de poissons, sur un épais banc de glace, avec un large choix. Il fit revenir les types de poissons qu'il avait supprimés. Il embaucha des vendeurs supplémentaires en fin de semaine pour préparer devant le client les poissons. Les clients sont revenus et la rentabilité aussi.

Le Big Data aida alors le chef de rayon dans son analyse des ventes et la préparation des commandes. L'ordinateur traitait l'historique, les prévisions météorologiques, la saisonnalité des ventes, les effets calendaires et même les prévisions de pêche transmis par les groupements de pêcheurs. La connection avec les bateaux permettaient même dans certains cas en fonction des quantités pêchées de déclencher une promotion. La blockchain fournissait des données vérifiées sur la traçabilité, ce qui apportait une garantie et une sécurité aux consommateurs sur la provenance et la fraicheur. Le chef de rayon avait tellement confiance dans les prévisions établies par l'ordinateur qu'il contrôlait de moins en moins les commandes. La rentabilité du rayon déclinait progressivement. Le chef de rayon eu alors une nouvelle idée. Il intégra aux données de l'ordinateur des commentaires de clients, les avis des vendeurs et ses propres appréciations. La combinaison homme - machine donna des résultats étonnants. Les vendeurs étaient encore plus motivés pour écouter les clients et retranscrire ce qu'il avaient entendu. Le chef de rayon était encore plus attentif à la satisfaction des clients.

La morale de cette histoire très simple est que l'exploitation de données peut déboucher sur des résultats contraires aux objectifs et que la meilleure façon de travailler est de combiner la puissance de l'ordinateur avec les appréciations subjectives des clients ou salariés.

L'autre conclusion est qu'il vaut mieux avoir un banc de poissons, chacun étant doté d'une propre intelligence et autonomie, au lieu d'un énorme poisson qui a du mal à changer de direction.