Category Management : Comment identifier les plus grosses opportunités business ?

Category: Category Management |Solution: DataMa Compare | Type : Recurring | Instries: all ie FMCG, Beauty, Toys | Extension: None

Tags: Tags: #CategoryManagement #PerformanceEnseigne #RelationRetailer#OpportunitesBusiness#waterfall#Quantification

Le contexte

A chaque fin de période, les category managers font l’analyse de la performance de leur catégorie au sein de leur enseigne, avec une analyse plus ou moins détaillée de la compétition, et une analyse en profondeur de leurs marques et produits.

Cela prend beaucoup de temps, crée du stress, et la qualité du diagnostic est variable en fonction du niveau d’analyse du cat man, de son expertise business, de son temps disponible, de l’importance de la data au sein de l’équipe…

Cet article se concentre sur 2 points clés qui impactent fortement la qualité de l’analyse et la confiance que l’on peut avoir dans son diagnostic de performance:

• Les analyses sont majoritairement faites à base de % d’évolution
• L’être humain a une capacité d’analyse et de synthèse limitée

Ne pas quantifier les % peut faire tirer les mauvaises conclusions

Dans 99% des cas, par habitude et manque d’outil approprié, les analyses sont faites en ne regardant que des % d’évolution, ce qui peut être trompeur, par exemple :

• Un petit % d’évolution sur une grosse masse (volume, valeur) peut avoir un impact fort sur le business
• A l’inverse un gros % d’évolution sur une petite masse n’aura qu’un impact minime sur le business (si ce % est fort chaque période, c’est bien évidemment un trend de fond à suivre méticuleusement)

Par exemple, dans le cas ci-dessous, une perte de 5 points de DV sur le produit A entraîne une perte de 5500 unités alors qu’une baisse de 9pts de DV fait perdre 4800 unités au produit B, soit un écart de 15% d’unités. of units.

D’où l’importance de quantifier l’impact de l’évolution des KPI explicatifs (DV, prix, linéaire etc) sur les ventes valeur et/ou volume (ou la marge pour les compte-clés).

Et ce sur l’ensemble des business drivers : enseignes, catégories, marques, sous marques, gammes, formats, jusqu’à l’ean.

Cette quantification (ou massification) des % d’évolution permet d’identifier les plus gros gains absolus mais surtout les plus grosses pertes absolues, et donc d’identifier les priorités sur lesquelles se concentrer pour une meilleure performance.

Bien évidemment, la connaissance qu’a le cat man de l’entreprise (process, possibilités d’action, budget…), du marché et des enseignes lui permet de déterminer si les grosses sources de perte identifiées sont actionnables…

Même si elles ne sont pas actionnables il est néanmoins clé de les avoir identifiées pour comprendre au mieux sa performance et travailler sur des actions futures à prendre.

Les limites analytiques humaines entraînent des opportunités et menaces manquées

Une analyse structurée de bout en bout, qui suit le même schéma à chaque période

• Une analyse qui commence par un schéma habituel mais qui ensuite diverge en fonction de ce que les data montrent
• Une analyse sans structure, où l’on s’attarde sur les % d’évolution les plus importants
• Une analyse centrée sur les hypothèses que l’on émet en fonction de nos connaissances du business
• Une analyse centrée sur les hypothèses que l’on émet en fonction de nos connaissances du business

Ces 4 approches ont des forces et des faiblesses. Certaines sont plus puissantes que d’autres mais aucune n’est parfaite car les capacités d’analyse et de synthèse de l’information de l’être humain sont limitées.

En effet, il est extrêmement complexe et chronophage d’analyser chaque marque, chaque gamme, chaque sous gamme, chaque format, chaque produit etc sur chaque KPI, et de les comparer à la compétition.

Et ensuite d’en faire une synthèse avec des axes prioritaires.

Par conséquent, aucun cat man ne pouvant tout analyser et synthétiser par manque de temps, de capacité ou d’envie, cela entraine inévitablement de rater des opportunités et menaces.

DataMa apporte une solution clé en main à cette complexité

• Quantification des impacts de chaque business driver sur chaque KPI
• Visualisation rapide et impactante de l’ensemble de ces impacts
• Mise en avant des impacts les plus intéressants et donc prioritaires d’un point de vue data (la petite barre verte à côté de chaque business driver)

Voici un exemple d’analyse qui permet, en quelques secondes, de comprendre que la baisse de ventes valeur est liée à une forte perte de DV chez Carrefour, qui doit donc être le focus de l’analyse.

DataMa vous permet donc d’identifier immédiatement les plus grosses opportunités business, pour que vous puissiez vous concentrer sur les solutions et recommendations.

Un diagnostic précis et rapide pour une plus forte valeur ajoutée

La valeur ajoutée des category managers ne devrait pas se situer dans leur capacité à faire des analyses de data précises mais dans leur apport au business.

Le problème est qu’ils passent tellement de temps sur ces analyses de data qu’ils en ont trop peu pour se concentrer sur leur vraie valeur ajoutée :

• L’histoire (le storytelling) qu’ils racontent autour de la data, pour mettre en avant les points clés (on sait à quel point une mauvaise histoire peut noyer une superbe analyse)
• Les recommandations d’actions à prendre et de stratégie catégorielle
• Les relations internes mais surtout avec les retailers

L’histoire et les recommandations, à l’inverse de l’analyse de la data, sont par nature sujettes à la subjectivité car elles font appel à la créativité, à l’expertise business et à la connaissance des consommateurs, de l’entreprise et des clients.

Ce sont des éléments qui doivent donc être débattus en interne pour être optimisés et pour permettre d’avoir l’impact le plus fort sur le chiffre d’affaires.

Conclusion

L’analyse catégorielle et de performance est clé mais également particulièrement complexe.

Tellement complexe et chronophage qu’elle ne laisse pas assez de temps aux équipes pour apporter une forte valeur ajoutée autour d’une histoire impactante, de recommandations puissantes et du développement d’une relation client profonde.

However, this Or cette relation client est la base de tout bon business car toutes les études montrent que les êtres humains prennent des décisions émotionnelles qu’ils post-rationalisent.

Nous évoquerons dans un prochain article d’autres aspects critiques de la relation avec les retailers que DataMa permet de renforcer : confiance et transparence dans le diagnostic, approche objective et réactivité.

Alors si vous aussi vous avez envie de réduire drastiquement le temps d’analyse de votre équipe et d’avoir un impact sur le business encore plus fort, n’hésitez pas à me contacter

Vous pourrez tester gratuitement DataMa sur vos data pour en valider la puissance !