Comment réussir dans le e-commerce grâce à la Data

En novembre dernier, leboncoin organisait la conférence lbc², un événement rassemblant les communautés Engineering & Product autour de la problématique de la Tech et de l’innovation durable.

Créé en 2006, leboncoin est le leader français de la petite annonce. Simple d’utilisation, pratique et initialement basée sur la proximité géographique, l’application séduit rapidement l'ensemble des Français. En 2014, au moins 73% de la population française avait déjà utilisé le service au moins une fois.

À l’occasion de cette conférence, Stéphanie Martin Moccand, Directrice Produit en charge de la transaction, et Julien Conan, Directeur technique Data Tools & Services, nous partagent comment ils ont tiré profit de la data pour parvenir à se hisser dans le top 10 des acteurs e-commerce.

Un peu de contexte

Historiquement, leboncoin est basé sur un modèle freemium : les particuliers peuvent déposer leurs annonces gratuitement sur la plateforme. Des options payantes leur sont ensuite proposées pour améliorer la visibilité des annonces et booster les ventes. Pour les professionnels en revanche, le dépôt d’annonces est payant et nécessite un compte professionnel dédié.

En parallèle, Leboncoin dispose également d’une régie publicitaire qui propose des offres, aussi bien au niveau local que national. Cette dernière participe, on peut le supposer, à une part importante du chiffre d'affaires au vu des centaines de millions de pages vues chaque mois.

En 2019, leboncoin opère un changement de business model et se dirige vers le e-commerce. En intégrant le paiement sur sa plateforme, leboncoin avait des enjeux de taille : gérer les activités traditionnelles d’un opérateur (paiements, litiges, traçabilité, livraison), professionnaliser un service basé sur des particuliers, mais également rassurer les utilisateurs sur d’éventuelles arnaques. Selon Stéphanie MARTIN MOCCAND, “tout était à construire”.

‍

La Data, au centre de leurs préoccupations

Pour atteindre son objectif, leboncoin a dû introduire de nouveaux services, mais surtout un changement de comportement côté acheteur et vendeur. Quel a été le rôle de la Data dans le processus ? Comment les équipes ont su tirer profit des chiffres ? Stéphanie et Julien nous partagent trois cas d’usages qui les ont aidés à soutenir leur croissance et répondre à leurs ambitions.

Cas n°1 : KPI et amélioration du produit

La Data joue un rôle essentiel pour le suivi des KPI et de l'utilisation des fonctionnalités. Au lancement de l’activité e-commerce, l’équipe en charge du parcours vendeur a noté une diminution de 15% du nombre d’annonces déposées. En analysant la data tout au long du funnel concerné, ils ont remarqué un fort taux d’abandon à l’étape KYC *(Know Your Customer).*

*Know Your Customer* est une étape imposée par leur partenaire de paiement et durant laquelle le vendeur doit renseigner ses informations bancaires, son IBAN notamment. Cela découle d’une contrainte légale qui nécessite d’identifier les vendeurs et l’origine des fonds afin de tracer les flux financiers et de lutter contre les risques de fraude.

Or, cette étape constituait un frein majeur pour l’utilisateur car à ce stade de son expérience, il n’était pas prédisposé à entrer d’autres informations que celle de l’article à vendre. Après de longues négociations, leboncoin a obtenu l’accord du partenaire de paiement pour pouvoir déplacer la page KYC à un moment plus opportun : lorsque la vente est conclue et que l’utilisateur souhaite récupérer son argent. Cette mise à jour a permis de remonter à 100% d’adoption.

Cet exemple illustre la capacité de leboncoin à utiliser la data afin d’identifier un pain point, les leviers d’amélioration et proposer la solution adéquate.

Cas n°2 : simplifier l’expérience utilisateur pour optimiser les coûts de livraison

Le poids d’un article est un élément important de la transaction car il conditionne le prix de la livraison. Si le prix est trop élevé, il devient un frein à l'achat. Cela est d’autant plus vrai dans un contexte de vente d’articles d’occasion. A l’inverse, si le poids indiqué est inférieur au poids réel, leboncoin devra payer la différence, ce qui peut vite devenir un gouffre financier.

Au départ, l’application demandait au vendeur de renseigner le poids du colis manuellement. Après tout, il était le mieux placé pour avoir cette donnée. Malheureusement, l’être humain est mauvais pour estimer, et tout le monde n’a pas la patience ni l’envie d’utiliser un pèse-personne lorsqu’il dépose une annonce de vente. Résultat, 50% des colis avaient un poids incorrect !

Afin de résoudre ce problème, les équipes Data ont développé un modèle de machine learning capable d’estimer le poids d’un colis en fonction de son titre. Les factures Mondial Relay des transactions passées ont servi de dataset pour entraîner le modèle. En effet, les factures disposent d’une description courte (titre de l’annonce) et du poids réel de l’article. A partir de ces données, le modèle extrait les mots clés (tokenisation) pour identifier l’article et prédire directement le poids de l’article. Les résultats sont concluants : ils sont passés de 50% à 92% de poids correct. De plus, l’adoption du service de livraison a augmenté de 15%.

Cet exemple montre bien comment la data peut être utilisée au service de l’utilisateur : le Machine Learning vient simplifier le parcours utilisateur et gommer les erreurs humaines.

Cas n°3 : Gagner du temps avec l’automatisation

L’arrivée des transactions entre particuliers a augmenté le besoin de réassurance des utilisateurs. Le service client a vu une augmentation de 50% des tickets avec l’émergence de nouvelles réclamations. Par exemple, ils ont noté la récurrence des questions : “où se trouve mon colis”, “quand vais-je recevoir mon argent”, “pourquoi mon colis a été refusé par Mondial Relay”, …

Dans ce contexte, la Data est intervenue sur deux points. Premièrement, pour catégoriser les utilisateurs dans plusieurs segments (nouvel utilisateur, acheteur récurrent, premier acheteur, …) et ainsi mieux prioriser le backlog de tickets Zendesk. Deuxièmement, l’équipe Data a développé un outil d’automatisation pour le traitement de tickets, chrononophages, mais pour lesquels l’intervention humaine n’a aucune valeur ajoutée. Basé sur du Machine Learning, l’outil est ensuite capable de reconnaître une demande relative au paiement à partir du texte contenu dans le ticket et d’envoyer une réponse adaptée.

Le bilan de ces deux actions : une diminution de 20% de la charge du service client. Dans ce cas de figure, la Data est au service des équipes internes et permet de gagner du temps grâce à l’automatisation de tâches récurrentes simples.

Conclusion

En moins de 3 ans, leboncoin est ainsi devenu un acteur majeur du ecommerce en France. Pour reprendre les mots de Stéphanie : “Cela n’a pas été sans peine, mais c’est une super fierté pour toutes les équipes de leboncoin”. Au cœur de cette belle transition, la Data a été un support indispensable et a permis de booster leur croissance.

Au travers de ces exemples, Stéphanie et Julien nous montrent que la Data a un rôle à jouer dans toutes les facettes d’une activité

- pour la conception du produit en lui-même
- pour améliorer le fonctionnement des équipes internes
- pour prédire des informations sans intervention de l’utilisateur

Il existe de nombreuses possibilités d’applications. Et vous, quels sont les usages principaux de la data dans votre entreprise ?

‍