Optimisation météo

A propos du client :
CEWE est le premier service européen de photos et d’impression en ligne. Avec 11 sites de production et plus de 3’000 employés répartis dans 24 pays européens, aux États-Unis, au Canada et au Brésil, ils sont depuis longtemps des pionniers des innovations de produits et des développements technologiques dans le monde numérique. Chaque année, ils livrent environ 2.5 milliards de photos et 5.6 millions de livres photo, en collaboration avec plus de 33’000 détaillants dans toute l’Europe.

Le défi :
Créer un livre photos n’est pas aussi simple qu’il n’y paraît. Il faut d’abord télécharger le logiciel, sélectionner les photos, effectuer la mise en page et enfin l’imprimer. Le processus peut prendre jusqu’à deux heures et nécessite de rester devant votre ordinateur.
À quel moment sommes-nous susceptibles de passer 2 heures de notre temps libre devant notre ordinateur ? Un jour de pluie ne serait-il pas l’occasion idéale ? Nous avons proposé de tester l’hypothèse selon laquelle le temps a un impact significatif sur le taux de conversion de CEWE en proposant une expérience qui laisse parler les données.

Objectifs :

• Phase 1 : comprendre la relation entre le temps et le taux de conversion. Les gens sont-ils plus enclins à imprimer un livre photo lorsqu’il pleut ? Si oui, quand ? Est-ce que cela diffère d’une ville à l’autre ? D’un jour de la semaine à l’autre ?
• Phase 2 : mettre en place un algorithme de gestion des enchères basé sur la phase 1. Par exemple, si les lundis de pluie enregistrent plus d’impression de livre photo, nous augmentons dynamiquement les enchères à cette occasion dans la région spécifique.

Notre approche :

Les données fournies par Google sont bien plus granulaires que les données météorologiques. Si nous prenons l’exemple de la Suisse, le pays compte 12 stations météorologiques tandis que Google propose un ciblage qui inclut plus de 600 villes. Par conséquent, quelles données doivent être attribuées à quelle ville ?

Pour répondre à cette question, nous avons cartographié les coordonnées géographiques des villes et des stations météo de Google pour mesurer chacune de leur distance nous permettant d’attribuer une station météo à chaque ville selon sa proximité.

Pour notre analyse, nous avons utilisé le taux de conversion comme référence. Cette mesure est idéale, car elle permet de tout ramener à la même échelle pour comparer les campagnes selon les performances mensuelles et journalières. Nous nous sommes ensuite assurés que nos résultats étaient statistiquement significatifs en utilisant des tests Chi carré avec un seuil significatif de 5% (indiquant ainsi une signification statistique de 95%).

Notre analyse a révélé que l’impact du temps était systématiquement plus important au cours de certains mois, et durant certains jours de la semaine. Sur la base de ces résultats, nous avons mis en œuvre un algorithme d’ajustement dynamique des enchères au niveau de la ville et qui tient compte du jour de la semaine et du mois de l’année afin de déterminer l’ajustement idéal.