Démarque
Performance du réseau, en temps réel.
Aurélien
Le détaillant
Un détaillant lifestyle de 12 magasins, trois acheteurs, six mille cinq cents SKU.
Notre détaillant exploite 12 magasins partout en France dans le segment habillement lifestyle multicanal milieu de gamme. L’équipe est structurée : une équipe achats de 3 personnes, un responsable opérations d’1 personne et un merchandiser d’1 personne, qui gèrent environ 6 500 SKU en saison sur les magasins et l’e-commerce.
La stack est standard pour le secteur — LCV Mag comme socle de gestion retail, Shopify pour l’e-commerce, et Excel comme liant entre le reste. Cela fonctionne. Jusqu’au jour où ce n’est plus le cas.
"Je découvrais les problèmes magasins avec trois semaines de retard, dans un rapport mensuel. Le mal était déjà fait."
— Responsable retail
Contexte
Un réseau de 12 magasins piloté sur des rapports mensuels.
2024. La responsable retail avait hérité d’un rythme de reporting issu des débuts de l’entreprise, plus petite : revues mensuelles de magasin, avec un décalage d’analyse de 3 semaines. Sell-through, marge, ruptures de stock, conversion — tout agrégé, tout rétrospectif.
Quand la fréquentation d’un magasin baissait ou qu’un autre commençait à sous-performer sur une catégorie clé, la responsable retail l’apprenait trois à quatre semaines après les faits. À ce moment-là, la saison avait déjà avancé, et la fenêtre d’action s’était souvent refermée.
Elle avait les rapports. Elle n’avait tout simplement pas le temps.
Le problème
Au moment où le rapport est arrivé, la fenêtre d’action était déjà fermée.
Les rapports mensuels étaient produits par un analyste financier, avec trois semaines de préparation. Ils couvraient chaque magasin sous toutes les dimensions — et arrivaient sur le bureau de la directrice retail trop tard pour être opérationnels.
Les magasins en dérive restaient en dérive jusqu’à ce que quelqu’un le remarque au cycle mensuel suivant. Les ruptures de stock sur les catégories clés étaient traitées de manière réactive, pas préventive. La directrice retail passait ses semaines à piloter à l’intuition et par des visites en magasin, pas à partir des données.
Trois écarts qui se renforçaient mutuellement :
Performance magasin reportée mensuellement alors que les magasins évoluaient au quotidien.
Aucune alerte lorsqu’un KPI magasin commençait à dériver par rapport au benchmark de son segment.
Décisions prises sur des données agrégées vieilles de trois semaines, pas sur des signaux en temps réel.
La directrice retail pilotait un réseau de 12 magasins sur des informations déjà périmées.
La solution
Un seul dashboard en temps réel pour la directrice retail.
Solya agrège en temps réel les données POS, e-com et stock de LCV Mag. Chaque matin, la directrice retail ouvre son dashboard et voit : le sell-through, la marge, le taux de conversion et le statut de rupture de stock de chaque magasin, comparés à son benchmark attendu.
Lorsqu’un magasin commence à dériver — sell-through 5 points sous le benchmark de son segment, marge qui se comprime, conversion en baisse — Solya le signale. La directrice retail agit en jours, pas en semaines. Les responsables de magasin reçoivent un retour précis, pas un résumé mensuel générique.
12 magasins en temps réel sur une seule grille, codée par couleur selon la gravité de la dérive.
Benchmarks adaptés au segment — chaque magasin est évalué par rapport à ses pairs, pas à la moyenne du réseau.
Drilldown sur chaque cellule — données sous-jacentes, action recommandée, contexte historique.
Le réseau a commencé à se comporter comme un réseau.
Comment nous l’avons fait
Dans la boucle.
Le tableau de bord réseau fonctionne en continu. Le directeur retail agit sur des signaux, pas sur des rapports. Voici comment le système fonctionne, de bout en bout.
01 — Collecter les données magasins en temps réel.
Solya ingère les données de ventes, de stock, de conversion et de marge de LCV Mag pour chaque magasin, chaque canal, chaque minute, afin de détecter les ruptures de stock, les surstocks, la démarque et les besoins de réassort.
02 — Positionner chaque magasin sur son niveau.
Chaque magasin dispose d’un profil de référence : niveau, mix client, force de catégorie, profil saisonnier. Les KPI sont évalués par rapport au bon benchmark, pas à la moyenne du réseau.
03 — Calculer les signaux de dérive.
Quand un KPI magasin sort de sa bande attendue, Solya émet un signal. Les niveaux de confiance et le contexte historique sont associés.
04 — Centraliser dans un seul tableau de bord.
Le directeur retail voit une grille live : 12 magasins, 5 KPI, codée par couleur selon la gravité de la dérive. L’exploration de n’importe quel magasin affiche les données sous-jacentes et l’action recommandée.
05 — Fermer la boucle avec les magasins.
Les responsables magasin reçoivent un retour précis et contextualisé. Solya suit les actions correctives et leur impact, et apprend ce qui fonctionne dans chaque magasin.
Les rapports mensuels continuaient à être produits. Ils ont simplement cessé d’être l’endroit où les décisions étaient prises.
Les impacts
Un réseau piloté par des signaux, pas par des rapports.
Après six mois d’exploitation du tableau de bord live du réseau, le directeur retail a cessé d’attendre les cycles mensuels et a commencé à agir sur des signaux hebdomadaires.
Mensuel → Live — Cadence de pilotage de la performance réseau.
+11 pts — Vitesse de réaction sur les magasins en dérive.
1 tableau de bord — Pour le directeur retail et les responsables magasin.
Des jours, pas des semaines — Du signal à l’action corrective.
« Je suis passé d’un pilotage fondé sur des revues mensuelles à une gestion live. Cela a tout changé. »
— Directeur retail
Découvrez d'autres cas d'usage
Une seule plateforme. Chaque décision retail.
Stocks, allocation, tarification, planification, exécution — réunis dans une seule couche opérationnelle.
