Transformer une palette promotionnelle en plateforme de données rentable.

Le défi

Des marques comme Guinness et P&G paient des sommes importantes à des distributeurs comme Walmart, Costco, Tesco et Sainsbury's pour des emplacements de présentoir bien en vue en magasin. C'est la logique commerciale derrière les promotions commerciales : un présentoir bien placé stimule le volume, défend l'espace en rayon face à une concurrence des marques de distributeur toujours croissante, et représente l'un des postes les plus importants de nombreux budgets marketing CPG, souvent plus élevé que les dépenses média.

Le problème, c'est qu'une fois qu'une palette promotionnelle quitte l'entrepôt, personne ne peut voir ce qui lui arrive. Contrairement à l'e-commerce, où chaque clic et chaque conversion sont suivis, le magasin physique ne génère presque aucune donnée d'exécution. Les marques savent ce qu'elles ont expédié, et ce qui a été scanné en caisse. Tout ce qu'il y a entre les deux est une zone d'ombre, et c'est dans cette zone d'ombre que les promotions dérapent : des palettes restent en réserve, sont décantées sur les rayons pour préserver la disponibilité, démarrent en retard, ou sont retirées avant la fin de la période promotionnelle. Sur les marchés cibles, entre 40–60 % des palettes promotionnelles sont activées en retard ou jamais activées, et le temps que quelqu'un s'en aperçoive, la fenêtre pour corriger le tir est déjà refermée.

Brambles/CHEP disposait déjà d'un actif physiquement présent dans des milliers de magasins, qu'aucun concurrent ne pouvait facilement égaler : la palette elle-même. Comme CHEP récupère ses palettes, une technologie de détection intelligente intégrée à celles-ci pouvait être déployée et récupérée à grande échelle, sur une empreinte de magasins considérable, sans demander à un seul distributeur d'installer une nouvelle infrastructure ou d'accorder un accès système. La question à laquelle ce chantier Discovery devait répondre était de savoir si cette palette, instrumentée de capteurs combinant mouvement, Wi-Fi et signaux Bluetooth pour déterminer où elle se trouvait réellement, pouvait devenir un produit de données véritablement nouveau et rentable pour la plateforme Supply Chain Illumination de Brambles, et pas seulement une fonctionnalité de suivi que personne ne paierait.

Le magasin est l'environnement le plus pauvre en données du commerce, et nous avions déjà une palette à l'intérieur.

Mon rôle

J'étais le designer principal du trio qui a mené ce chantier Discovery, travaillant aux côtés d'une Product Lead et, plus étroitement encore, d'Olga, notre chercheuse UX principale.

La recherche qui suit est principalement le travail d'Olga, et je tiens à être honnête à ce sujet. Ce que j'ai apporté, c'est le fait de rester suffisamment proche pour être utile plutôt que de relire les résultats après coup : j'ai personnellement visité des magasins avec elle, y compris la visite guidée par la directrice de magasin Asda évoquée au chapitre 01, et j'ai assisté aux sessions utilisateurs modérées lors des deux cycles de prototypage, observant comment les gens réagissaient réellement à ce que j'avais construit plutôt que d'en entendre parler de seconde main. Parallèlement, j'ai mené mes propres entretiens avec des parties prenantes en chemin, notamment des directeurs de magasin chez Tesco, Asda et Sainsbury's, et des co-conditionneurs de Guinness, dont la réalité quotidienne du décantage, de la congestion et des listes de contrôle de conformité a façonné ce que le produit devait détecter et sur quoi agir.

Côté design, j'ai conçu et construit moi-même les deux cycles de prototypage : le premier dans Figma, testé avec des marques américaines comme Green Garden ; le second, cette année, presque entièrement dans un espace de travail accéléré par l'IA, en utilisant le même flux de travail piloté par VS Code et Claude Code que celui décrit sur la page Espace IA, avec beaucoup moins de dépendance aux fichiers Figma statiques.

Le programme de recherche d'Olga combinait des safaris retail dans des magasins Tesco, Sainsbury's et Asda de la région de Birmingham, une visite terrain dédiée et un entretien avec la directrice de magasin d'un supermarché Asda à Coventry, et des conversations directes avec les personnes qui exécutent réellement les promotions au quotidien : directeurs de magasin, merchandisers CPM, et, de mon côté, des co-conditionneurs de Guinness. J'ai participé en personne aux visites en magasin et à la visite guidée par la directrice de magasin, et j'ai mené mes propres entretiens avec des parties prenantes distributeurs et fournisseurs aux côtés du programme d'Olga, plutôt que de travailler à partir d'une synthèse après coup.

Ce qui en est ressorti a reformulé le problème. La maturité d'exécution varie beaucoup selon le distributeur : les allées de Tesco étaient visiblement plus structurées, régies par des règles de congestion strictes comme une « règle des cinq carreaux » pour dégager les passages ; Sainsbury's avait davantage de promotions actives sur le sol du magasin, aidé par un système de scan de codes-barres qui donne au siège une visibilité sur l'activation, mais ce même volume s'accompagnait d'une conformité plus faible, de produits mélangés et d'une exécution incohérente ; l'approche d'Asda privilégiait avant tout la disponibilité, plus faible sur l'hygiène promotionnelle, avec un personnel concentré sur la mise en rayon plutôt que sur l'apparence correcte d'un présentoir donné. Les contraintes sous-jacentes étaient toutefois les mêmes partout : espace de réserve limité, congestion des allées, risque de vol, et équipes de magasin travaillant à partir de systèmes fragmentés, sans vision unique de tout ce qui se déroule dans leur magasin à un instant donné.

Il ne s'agissait pas de personas abstraits. C'étaient des personnes précises, des directeurs de magasin nous faisant visiter leurs propres réserves, des merchandisers expliquant pourquoi un présentoir qui paraissait « activé » sur le papier se trouvait mélangé et sans étiquette de prix en rayon, contre lesquelles les deux cycles de prototypage qui suivent ont été conçus et testés.

Nous avons procédé par service blueprints, cartographiant le parcours d'activation et de conformité étape par étape, en saisissant à la fois les actions visibles côté utilisateur (un merchandiser scannant un présentoir, un directeur de magasin parcourant le sol) et les systèmes et processus en coulisses derrière elles. C'est en blueprintant les deux ensemble, plutôt que les seules étapes visibles, que sont apparus des points de friction et des opportunités qu'un simple diagramme de flux aurait manqués.

C'est ce découpage du magasin qui a permis à la recherche auprès des directeurs de magasin du chapitre 01 de prendre sens comme un système plutôt que comme une liste d'anecdotes. Le décantage se produit à la frontière entre ces deux moitiés. Les listes de contrôle de conformité sont remplies d'un côté et traversent rarement vers l'autre. Toute la proposition de valeur d'une palette, « ce présentoir est-il sur le sol de vente », ne prend son sens qu'une fois qu'on peut désigner où commence réellement le sol de vente.

Les mêmes données d'exécution sous-jacentes signifient quelque chose de différent pour chacun d'eux. Un directeur de magasin a besoin de savoir, là, maintenant, si un présentoir donné dans son magasin est actif. Un directeur régional a besoin de comparer les magasins pour prioriser où envoyer le temps limité de l'équipe terrain. Un responsable de catégorie a besoin des mêmes données agrégées sur l'ensemble des campagnes et des régions, pour mieux planifier la prochaine fois.

Transformer la recherche en modèle structuré

Comprendre les acteurs ne suffisait pas en soi. Nous avons mené un exercice structuré de cartographie des acteurs et des capacités, en partant d’un énoncé de contexte, puis des relations entre acteurs, jusqu’à un ensemble d’affirmations vérifiables, afin que le produit final soit construit sur une valeur énoncée plutôt que sur une intuition quant à qui le trouverait utile.

Les présentoirs promotionnels quart-palette de Brambles/CHEP embarquent déjà une petite pile de capteurs : Bluetooth et Wi-Fi pour le positionnement intérieur, un accéléromètre et un magnétomètre pour détecter quand une palette a réellement bougé et été réorientée plutôt que simplement déplacée légèrement, un capteur de température pour confirmer qu'elle se trouve dans un espace client plutôt qu'encore en stockage frigorifique ou en transit, et une connectivité cellulaire pour une localisation grossière quand rien de plus précis n'est disponible. Un module GPS est également embarqué, actuellement désactivé pour préserver la batterie jusqu'à ce qu'il soit nécessaire. Combinées dans un seul modèle de classification, ces données suffisent à répondre aux deux questions les plus critiques commercialement sur tout le cycle de vie promotionnel : cette palette est-elle arrivée dans le bon magasin, et a-t-elle été activée en façade du magasin plutôt que laissée en réserve ? C'est la capacité « Maintenant », la classification d'activation avant/arrière-boutique en temps réel, et c'est celle qui est aujourd'hui en test actif auprès de clients. Ce chantier Discovery, et les deux cycles de prototypage, se sont délibérément concentrés sur ce seul moment : l'activation, pas l'ensemble du cycle de vie promotionnel.

Ce n'est aussi qu'un point d'entrée. La même palette est une plateforme : chaque capteur supplémentaire ouvre une nouvelle catégorie d'action. Au-delà de la détection d'activation se trouve un essai distinct, à un stade plus avancé, déjà en cours sur site dans les magasins : la détection du poids/de la consommation, assez précise pour savoir si une bouteille de Coca-Cola ou un pack de Guinness a réellement été retiré du présentoir et converti en vente. Cet essai sort du périmètre de ce chantier Discovery, mais c'est le prochain horizon sur la même plateforme, aux côtés du suivi qualité en transit, qui détecte les dommages liés à la température, aux chocs ou à l'humidité avant même qu'un présentoir soit activé, de la précision de localisation au niveau de l'allée, et d'un score de conformité qui regroupe tout cela en un seul chiffre sur lequel marques, distributeurs et merchandisers peuvent agir ensemble.

Pas « la palette est-elle arrivée. » Est-elle arrivée en façade du magasin à temps pour vendre.

Avant même qu'un seul écran Figma n'existe, nous avons storyboardé le concept spécifiquement pour Green Garden : mise en place avant campagne, notification de livraison de fin de journée, activation en magasin avec preuve photo, et suivi de conformité, décliné panneau par panneau à travers les mêmes rôles de responsable des opérations et de merchandiser autour desquels le reste de ce parcours est construit. C'est ce storyboard qui a été testé en premier, avant que nous n'investissions dans la construction du prototype à plus haute fidélité.

Le premier cycle de prototypage, conçu et construit par moi-même dans Figma, a testé l'activation du concept et la visibilité de conformité auprès de marques américaines, dont Green Garden. Olga a interviewé les utilisateurs pendant les sessions ; j'y ai assisté, observant en temps réel comment un responsable des opérations raisonnait à travers les moments clés du parcours promotionnel, planification, livraison, activation et analyse post-campagne, et où une décision de design portait ses fruits ou non.

Cet ancrage comptait en entrant dans le Round 2. Il a confirmé que le moment de l'activation spécifiquement, et non l'ensemble du cycle de vie promotionnel, était l'angle d'attaque le plus tranchant sur le problème, et il a fait émerger la première version des schémas d'interaction, des états de statut et de la logique d'alerte que le Round 2 allait reconstruire presque entièrement dans le code plutôt que dans des écrans statiques.

Pourquoi Green Garden était le bon cas de test

Green Garden expédie ses promotions sur des palettes standard pleine taille équipées d'un dispositif de suivi de localisation de première génération, et à l'époque, la marque ne se souciait que d'une seule chose : un présentoir avait-il été livré, activé et achevé dans les délais. C'est exactement ce que ce chantier Discovery et les deux cycles de prototypage ont réellement testé, l'activation et le respect des délais, pas la consommation. C'est pourquoi le Round 1 a été construit et testé face au véritable programme promotionnel de Green Garden plutôt qu'à un programme hypothétique.

En parallèle, et menée séparément de ce Discovery, l'équipe produit physique de Brambles pilotait déjà la génération suivante de matériel sur le terrain : un présentoir quart-palette équipé d'un capteur de poids, testé dans le commerce de détail espagnol. Cet essai vise l'horizon consommation/détection du poids de la feuille de route, pas la capacité d'activation avant/arrière-boutique validée par ce chantier Discovery, mais c'est la même plateforme sous-jacente, et les photos ci-dessous datent de cette même période de développement matériel.

Essai terrain · Espagne

Un présentoir quart-palette sur le sol du magasin

Un présentoir promotionnel à l'effigie de Solis testé chez un distributeur espagnol, physiquement la même catégorie d'actif autour de laquelle ce chantier Discovery concevait, photographié pour la propre recherche terrain de l'équipe produit.

Matériel · Prototype V1

Palette quart équipée d'un capteur de poids

Une première version V1 du capteur de poids ; sur cette version, la localisation ne pouvait être saisie que manuellement. C'est le matériel de l'horizon suivant évoqué tout au long de cette étude de cas, développé et testé sur un chantier distinct du travail d'activation.

Matériel · Green Garden

Palette standard équipée d'un dispositif de localisation

Le matériel derrière les présentoirs de Green Garden eux-mêmes : une palette pleine taille équipée d'un dispositif de localisation, utilisé uniquement pour le minutage de la livraison, de l'activation et de l'achèvement, exactement le périmètre sur lequel ce chantier Discovery s'est concentré.

Marque de test

Green Garden Products

La marque CPG américaine dont le véritable programme promotionnel a servi de base à la conception et aux tests du Round 1, aux côtés des données fictives utilisées dans chaque session et chaque capture d'écran de cette étude de cas.

Le wireframing avant le prototype visuel

Avant que le moindre écran Figma du Round 1 ne soit rendu réaliste, j'ai travaillé la réflexion de service design dans des wireframes basse fidélité : ce qu'un tableau de bord listant des centaines de présentoirs devait montrer, comment un merchandiser confirmerait sur son téléphone qu'un présentoir était conforme, et la logique derrière chaque notification que le système pouvait envoyer. C'est cette réflexion, pas le vernis visuel, que le Round 2 a ensuite reconstruite dans le code.

Wireframe · Mobile

Le contrôle de conformité du merchandiser

Un flux côté terrain : confirmer que le magasin et la zone sont corrects, capturer une photo du présentoir activé, et obtenir la confirmation que la campagne est en ligne, le pendant mobile du tableau de bord ci-dessus.

Planification de contenu

La logique derrière chaque alerte

Avant même qu'un écran n'existe, j'ai cartographié les décisions réelles dont un système de notification a besoin : ce qui compte comme en retard, qui est prévenu, et quand, le modèle de contenu sur lequel la logique d'alerte du Round 2 a été construite.

Là où le Round 1 s'appuyait sur Figma, le Round 2 s'est appuyé sur le même flux de travail accéléré par l'IA, orienté espace de travail, décrit sur la page Espace IA : des composants Svelte et TypeScript de niveau entreprise, construits et itérés directement dans le code, de sorte que ce que les utilisateurs testaient lors des sessions était un prototype fonctionnel plutôt qu'une maquette cliquable. Cela comptait particulièrement pour un produit de données comme celui-ci : le statut d'activation, les cartes des magasins et le détail au niveau du présentoir ne semblent réels que lorsque les données sous-jacentes bougent réellement.

Olga a de nouveau mené les sessions de recherche ; j'y ai assisté, et j'ai construit et ajusté le prototype en réaction à ce que nous observions en temps réel entre les sessions, quelque chose qui aurait pris bien plus longtemps en travaillant purement dans Figma. Comme pour chaque prototype de l'Espace IA, les données sous-jacentes, distributeurs, produits, la campagne promotionnelle elle-même, étaient entièrement fictives, inventées spécifiquement pour que le concept puisse être testé honnêtement sans exposer la moindre donnée commerciale ou client réelle.

La classification d'activation avant/arrière-boutique en temps réel est l'horizon « Maintenant » de la feuille de route Promotions retail de Brambles, et elle est aujourd'hui en test actif auprès de clients. Un essai distinct, à un stade plus avancé, est déjà en cours sur site dans les magasins pour tester l'horizon suivant, la détection du poids/de la consommation, et au-delà se trouvent une localisation en magasin précise et un score de conformité unifié, le tout séquencé sur la même base d'activation établie par ce chantier Discovery et les deux cycles de prototypage.

Rien de tout cela n'aurait été crédible sans être resté proche du sol du magasin de bout en bout : la mentalité de commerçant qui façonne le comportement réel d'un directeur de magasin, le décantage qui ressemble à de la non-conformité mais qui est en réalité un compromis rationnel, la liste de contrôle de conformité qui ne quitte jamais le magasin. C'est la raison pour laquelle je suis resté personnellement impliqué au-delà du fichier de design, jusque dans les visites en magasin et les entretiens avec les parties prenantes eux-mêmes, pas seulement les écrans qui en sont ressortis.