L’étude de notre veille porte sur Instacart, une entreprise spécialisée dans la livraison de denrées alimentaires, spécialement de courses alimentaires. L’idée est d’analyser une éventuelle implantation en France après analyse du potentiel de l’entreprise. Elle devra se démarquer pour empêcher la banqueroute tant le marché est bondé et très concurrentiel. Elle fera place aux leaders de la livraison (Auchan Drive, Carrefour Drive, etc…) mais aussi aux habitudes bien ancrées des consommateurs qui pourraient ne pas être emballer par ce changement.
La première étape de notre raisonnement était de se demander l'impact que notre implantation aura sur le marché et pour ça nous devions surveiller si oui ou non il y'aurait eu des bénéfices:
Ajout de canaux de plate-forme de services en ligne à hors ligne sur les ventes et les bénéfices totaux des entreprises
Les canaux de plateforme de service en ligne à hors ligne (O2OSP) offrent aux clients des moyens innovants de commander des services locaux et quotidiens en ligne (via des applications) et de les faire livrer presque instantanément hors ligne. En comparant les modèles commerciaux sous-jacents à O2OSP, aux canaux de commerce électronique traditionnels en ligne et hors ligne et aux plateformes, nous cherchons à identifier les impacts à court et à long terme de l'ajout d'un canal O2OSP sur les ventes et les bénéfices totaux et hors ligne des entreprises notamment la nôtre. L'analyse test se concentre principalement sur un ensemble récent de données quotidiennes recueillies auprès d'une chaîne de restauration rapide chinoise avec 35 magasins physiques qui participe également à quatre canaux O2OSP de livraison de nourriture.
L'ajout de canaux O2OSP améliore les ventes et les bénéfices hors ligne et totaux à long terme.
Les ventes hors ligne et totales augmentent respectivement de 23,28% et 33,94%.
Étant donné que les canaux O2OSP sont en concurrence, l'ajout de canaux O2OSP n'entraîne pas nécessairement une croissance plus importante des ventes ou des bénéfices.
Explication dans la première vidéo en dessous
Après avoir évaluer la pertinence de l'impact d'Instacart l'objectif est de se donner une idée du business économique à effectuer:
Etude sur la fixation d'un prix de la catégorie en ligne dans un magasin d'alimentation multi canal
À mesure que l'importance de l'épicerie en ligne augmente, les épiciers en ligne et les épiciers multicanaux sont susceptibles d'être intéressés à fixer des prix optimaux pour leurs magasins en ligne. Nous utilisons un ensemble de données unique de panneau de scanner domestique pour étudier comment un épicier avec des magasins en ligne et hors ligne peut fixer les prix de sa boutique en ligne. La sensibilité des ménages au prix est inversement liée à la distance par rapport au magasin physique le plus proche. Nous calculerons pour le détaillant la catégorie de prix maximisant les bénéfices pour la boutique en ligne et explorer plusieurs schémas de tarification alternatifs.Nous examinons le mécanisme potentiel d'attribution des zones et déterminons le nombre optimal de zones de tarification. Nous constatons que le détaillant peut augmenter considérablement ses bénéfices provenant des opérations en ligne en peaufinant sa politique de prix actuelle. Étant donné la relation inverse estimée entre la sensibilité aux prix et la distance du magasin, nous étudions la tarification en ligne en tant qu'outil de discrimination des prix en fonction de l'emplacement résidentiel et constatons que le détaillant peut encore améliorer les bénéfices du magasin.
Les mêmes ménages font leurs achats dans les magasins en ligne et hors ligne du même détaillant.
La sensibilité au prix est inversement liée à la distance au magasin physique le plus proche. La relation diminue légèrement.
L'adoption d'une tarification par zone dans la boutique en ligne augmenterait les bénéfices des détaillants de 4%.
Le règlement des détails du coté d'Instacart étant effectuer, on pourrait à présent s'intéresser pleinement à comment en faire profiter les populations.
Une recherche adaptative dans les grands quartiers à la recherche d'un problème d'acheminement de la livraison des épiceries électroniques.
Les achats en ligne sont devenus de plus en plus indispensables pour de nombreuses personnes aux horaires chargés qui ont un besoin croissant de services couvrant une grande variété de produits, standards ou premium qui offrent une valeur plus élevée aux consommateurs et des marges bénéficiaires plus élevées aux détaillants. Nous introduisons une nouvelle formulation de programmation mathématique et présentons une approche de solution efficace pour planifier les services de livraison d'épicerie en ligne afin de répondre à cette demande diversifiée des consommateurs sans encourir de coûts d'inventaire supplémentaires. Notre modèle propose le problème de routage de livraison des épiceries électroniques (EDRP) car il représente de manière générique une famille de problèmes auxquels une épicerie en ligne est susceptible de faire face. Pour résoudre ce problème, nous développons une heuristique améliorée ALNS (Adaptive Large Neighborhood Search) en introduisant de nouveaux mécanismes de suppression, d'insertion et de sélection / allocation de fournisseurs. Nous validons les performances de l'heuristique ALNS proposée grâce à une étude informatique approfondie utilisant à la fois le bien connu Vehicle Routing Problem with Time Windows instances de Solomon et un ensemble de nouvelles instances de référence générées pour l'EDRP.
En travaillant sur cette solution numérique, nous nous devons d'inclure cette méthode afin qu'elle soit accessible à tous et offre une expérience unique à chacun.
Fast Next «Next Best Offers» utilisant le Deep Learning
iPrescribe, une architecture évolutive à faible latence pour recommander les «prochaines meilleures offres» dans un cadre en ligne. Il compare ses performances pour les implémentations utilisant différentes piles de technologies de streaming en temps réel. iPrescribe utilise un ensemble d'algorithmes d'apprentissage profond et d'apprentissage automatique pour la prédiction. Les concepteurs ont décrit une pile évolutive de technologie de streaming en temps réel et les implémentations optimisées d'apprentissage automatique pour atteindre une latence de recommandation du 90e centile de 38 millisecondes. Les optimisations comprennent un nouveau mécanisme pour déployer efficacement les réseaux d'apprentissage en profondeur à mémoire à court terme (LSTM).
Un article expliquant le fonctionnement du deep learning à la fin