6.3 Les avantages immédiats apportés par
l'utilisation du traitement du signal en localisation commerciale
L'utilisation du traitement du signal dans le domaine de la
localisation commerciale du point
de vente engendre un certain nombre d'avantages
immédiats pour le manager en particulier lorsque ce domaine est
introduit au niveau de l'élaboration d'un modèle p-médian.
Parmi les avantages, on peut citer ceux-ci :
1- Le modèle p-médian, construit,
comme nous l'avons décrit, par les techniques de traitement
du signal, comprend une étape de
délimitation des aires de chalandise. La recherche de
localisations optimales s'accompagne par la même occasion de
l'identification de ces aires à différents niveaux (global,
local) à la fois concernant leurs limites et leurs
caractéristiques (étendue, nombre de clients,
fréquentation moyenne) ce qui peut constituer pour le
responsable marketing un avantage indéniable. L'analyse des aires de
chalandise est en effet susceptible de servir plus tard à la
réalisation d'opérations commerciales (exemples: mailing, ciblage
des campagnes de communication sur les quartiers). Le travail effectué
n'est donc pas seulement utile de manière ponctuelle lors de
l'implantation de points de vente, mais peut aussi servir pour la gestion
commerciale future du magasin.
2- Dans ce cadre, la rapidité et la
précision de calcul des méthodes de traitement du signal
comparées aux méthodes classiques de délimitation de
zones de chalandise décrites au chapitre 1, ne fait aucun
doute. Les méthodes de délimitation des zones de
chalandise par filtrage par exemple nous donnent un résultat
quasi-immédiat. Le gain de temps dans un processus de
décision d'implantation est appréciable d'autant que
souvent les décisions doivent être prises rapidement.
3- L'utilisation du traitement du signal pour
déterminer les noeuds et le niveau de la demande simplifie
considérablement la problématique du p-médian. Si on
délimite les aires de
chalandise par traitement du signal et que ce nombre
d'aires délimitées est de q pour un
nombre n de clients et p d'activités à placer, on
réduit donc le nombre de solutions à examiner
dans le modèle p-médian en le faisant passer de:
n!
p! (n -
p)!
(p activités à placer et n noeuds correspondant
chacun à un client)
q!
à: p! (q -
p)!
(p activités à placer et q noeuds correspondant
chacun à une aire)
le rapport entre le nombre de solutions à examiner dans
les deux cas est donc de:
n! (q -
q! (n -
p)!
p)!
Prenons l'exemple d'un réseau de 100 000 noeuds ou
clients et pour lequel on cherche à
localiser trois activités, et supposons que l'on obtienne
une délinéation en 20 aires, ce qui est tout à fait
plausible, alors le nombre de solutions à examiner est
divisé par 2,5 x 10 21 (le
20!
nombre de solutions à examiner est alors
3! (20
- 3)!
= 1140
ce qui pourrait même être
pratiqué de manière exhaustive sans passer par une
quelconque heuristique de résolution).
4- Les manipulations utilisées en
traitement du signal portent directement sur des images ou même des
cartes (les fichiers matriciels de ces images étant opaques pour
l'utilisateur) ce qui facilite considérablement les opérations
de calcul et les rend beaucoup plus simples pour l'utilisateur. Dans
les méthodes de construction et de résolution classiques
des modèles p- médian, les manipulations portent au contraire
sur des fichiers très volumineux (fichiers des noeuds/clients et des
distances inter-noeuds). Les résultats sont, de plus, dans notre
cas, visualisables à chaque étape: l'algorithme
devient alors plus attrayant et surtout plus démonstratif
vis-à-vis du responsable en charge des décisions de localisation.
La validité et la cohérence des opérations de
délimitation des zones de chalandise et de localisation peuvent
aussi être vérifiées plus facilement
grâce à un examen visuel direct sur les cartes.
5- Notre algorithme à base de
traitement du signal simplifie considérablement la recherche de
localisation en abordant le problème de manière globale
puis locale. La démarche entière constitue ainsi un
argumentaire direct pour le choix de telles ou telles localisations:
pourquoi
a-t-on choisi telle région ou aire de marché ?
Et dans cette ville, pourquoi a-t-on choisi tel quartier ou tel site ? La
réponse à ces questions est à chaque fois
donnée par les étapes correspondantes de l'algorithme et
par les cartes qui les accompagnent. Ces réponses correspondent
à chaque étape du processus de décision
d'implantation658. Les différents algorithmes
développés par le passé pour résoudre le
modèle p-médian peuvent d'autre part
être tous intégrés à notre algorithme
après la phase de filtrage.
6- La recherche d'une localisation par cet
algorithme progressif peut s'arrêter dès que le degré
de précision souhaité est atteint ou lorsque le
niveau d'information le plus bas (le plus local) a
été exploité. Les algorithmes de
résolution du p-médian ne connaissent pas en
général de temps limite de recherche et devaient
être stoppés lorsque la patience de l'utilisateur
était épuisée après quelques heures ou jours de
recherche pour trouver un extremum local un peu meilleur.
7- Cette méthode à base de
traitement du signal intègre à la fois l'étape de
modélisation du réseau et sa résolution. Elle constitue
donc une passerelle intéressante entre les logiciels de géocodage
et les algorithmes de résolution des problèmes de
localisation jusqu'à présent séparés par la phase
de modélisation plus ou moins bien réalisée. Ces
algorithmes nécessitent
en effet, d'une façon générale de
recevoir comme données d'entrée les coordonnées de chaque
noeud correspondant à chaque adresse de client ou bien à la
position géographique de zones (souvent administratives et pas
forcément logiques) regroupant un certain nombre de clients ainsi qu'une
évaluation de la demande dans ces zones pas forcément facile
à calculer. Dans
notre cas, les aires, caractérisées par une
densité forte et homogène de clients, sont identifiées
658 CLIQUET G., FADY A. BASSET G. (2002)
Management de la Distribution, Dunod, Paris.
par leurs centres de gravité (les noeuds du réseau
p-médian) et par leurs surfaces (les niveaux
de demande), toutes ces données servant à
"nourrir" un algorithme de résolution du modèle p- médian.
Ce n'est donc pas l'utilisateur qui choisit ses zones et manuellement
détermine leurs niveaux de demande pour enfin introduire
laborieusement toutes ces informations dans un logiciel de
résolution d'un modèle de localisation-allocation, mais
le processus qui, automatiquement, grâce au traitement du signal,
construit des aires rassemblant des densités identiques de clients,
puis calcule leurs caractéristiques pour élaborer dans la
foulée un modèle p-médian.
8- Comme nous l'avons vu dans l'exemple des
magasins de produits biologiques, le degré de précision de
notre algorithme est bon à la fois sur le plan de la
modélisation du réseau (obtention des noeuds et
caractéristiques du réseau) et concernant la résolution du
modèle en comparaison des méthodes existantes. En ce qui
concerne ces dernières, soit celles-ci regroupent les clients en des
zones administratives (les arrondissements dans l'exemple) et les
résultats obtenus sont susceptibles de devenir aberrants, soit l'on
considère que chaque client
est un noeud et alors il devient
particulièrement difficile de résoudre le modèle
p-médian correspondant compte-tenu de sa complexité (nombre de
noeuds très élevé). La partition de la clientèle
par des méthodes mathématiques comme la méthode des
plus proche voisins, en prenant ultérieurement le centre de
gravité des éléments de la partition comme noeud,
risque
de même de conduire à des erreurs dans
l'élaboration du réseau p-médian (voir §2.3.3). Ces
méthodes imposent en outre de connaître à l'avance le
nombre de zones à partitionner et l'on fait en pratique appel à
l'intuition pour fixer ce nombre.
Il est également intéressant de progresser
dans l'échelle de précision des localisations
recherchées au fur et à mesure que notre algorithme tourne en
boucle. En effet, on cherche à localiser les points de vente de
manière globale. Par exemple au niveau national, on
recherchera les régions ou départements les plus
intéressants (les quartiers les plus indiqués au
niveau d'une ville). Notre méthode concentre alors son
analyse au sein de ces régions pour y détecter les villes
potentiellement les plus prometteuses (les rues dans l'approche
urbaine). Ainsi, le processus reproduit finalement la démarche que tout
manager aurait mis en oeuvre pour rechercher empiriquement un ou plusieurs
emplacements optimaux. Dans la pratique, ce dernier n'aurait jamais
cherché en effet, à localiser ses points de vente directement au
niveau d'une rue alors qu'il souhaitait les placer au niveau de la France
entière. A chaque étape, la recherche est progressive et bien
adaptée au degré de précision géographique
escomptée dans
la localisation des activités. Cette
progressivité est importante également pour savoir
convaincre. Un manager qui, lorsqu'on lui demande de localiser ses magasins au
niveau de la France entière en utilisant les méthodes
existantes (méthodes de résolution directe du p-
médian où chaque client est un noeud) n'est capable que de citer
les rues où les implanter, ne peut pas être convaincant. Il lui
faudra dans un premier temps justifier le choix de telle région, puis
de telle commune et enfin de quartiers ou de rues
particulières. Notre méthode suit entièrement cette
logique de recherche et saura plus facilement réussir à
persuader une hiérarchie du choix judicieux des emplacements par
la visualisation de cartes d'échelles de plus en plus fines.
9- L'algorithme à base de traitement du
signal comprend un processus de filtrage qui permet
de lisser les imperfections de la base de
données d'adresses (fausses adresses ou adresses manquantes). Le
p-médian peut aussi pour la même raison être
résolu, si la base n'est pas complète mais comprend un
échantillon d'adresses.
10- Cet algorithme est capable de rechercher
des localisations optimales pour être au plus près
d'agrégats de clients et/ou d'optimiser les emplacements pour
occuper les lacunes dans lesquels la concurrence est faible avec
néanmoins des potentialités commerciales pour
l'activité considérée.
11- La simplicité du mode de
résolution de notre algorithme, effectuée par étapes en
degrés de précision croissants, permet d'envisager
l'utilisation de très grandes bases de données
comportant jusqu'à plusieurs millions d'adresses.
12- Enfin, notre algorithme peut être
appliqué à de nombreux autres modèles de localisation-
allocation (MCI, Multiloc, modèle p-centré, problèmes
de partition ou de cluster) pour résoudre des
problématiques variées. Il suffit alors d'utiliser à la
suite des étapes de géocodage
et de filtrage, les algorithmes classiques correspondant aux
modèles souhaités.
Le tableau 6.9 compare et résume les
différentes approches en recherche de localisations optimales
prenant pour fondement le modèle p-médian dans notre cas
d'étude.
Tableau 6.9 - Caractéristiques des méthodes de
résolution du modèle p-médian dans notre cas de figure
On remarque bien que l'approche p-médian
alliée au traitement du signal combine les avantages de
rapidité et de précision. Cette précision est
maîtrisée, comme on l'a vu, puisque l'analyste peut choisir de
n'étudier que le réseau simplifié de 25 noeuds ou bien
améliorer la finesse des résultats de localisation en poussant la
recherche au sein des aires en en définissant
des sous-réseaux p-médian.
6.4 Limites et perspectives
Le modèle p-médian associé à une
phase de géocodage et à un traitement du signal même s'il
constitue un moyen véritablement performant pour localiser de
manière rapide et précise un échantillon de magasins,
ne constitue pas cependant une panacée universelle. Ainsi, les
emplacements détectés doivent comme on l'a souligné,
être examinés sur le terrain par l'oeil critique du
décideur. L'expertise issue de l'expérience n'est donc pas exclue
de la démarche,
au contraire 659 660 661.
La localisation préconisée dans l'aire 18, route de
la Reine à Boulogne-Billancourt correspond
par exemple à une voie très
commerçante et passagère avec concessionnaires automobiles
(Ford et Honda), grandes surfaces d'ameublement, magasins
spécialisés (moquettes, tapisseries) correspondant au style
de commerces présents au voisinage d'un hypermarché. Cette
aire pourra donc sans doute convenir à un supermarché de
produits biologiques. En revanche, l'emplacement situé rue des
Acacias (figure 6.5) dans le 17ème est de nature
totalement différente, car située à
proximité de la place de l'Etoile, dans une rue à
l'atmosphère plus feutrée.
Fig. 6.7 - L'emplacement préconisé dans le
XVIIème, rue des Acacias
659 LAPARRA L. (1995) L'implantation
d'hypermarché : comparaison de deux méthodes
d'évaluation du potentiel, Recherche et Applications en
Marketing, Vol. 10, Numéro 1, p. 69-79
660 CLARKE I. (2002) L'information
géographique dans les études de localisation commerciale : une
perspective managériale, in Le géomarketing : Méthodes
et Stratégies du Marketing Spatial, G. Cliquet éd.,
Hermès, Paris.
661 CLARKE I., HORITA M. et MACKANESS W.
(2002) Intuition et Evaluation des Sites Commerciaux :
Appréhender la Connaissance des Commerçants,
Stratégies de localisation des Entreprises Commerciales et Industrielles
: De Nouvelles Perspectives, p.107, Gérard Cliquet et Jean-Michel
Josselin éditeurs, De Boeck Université, à
paraître.
La politique marketing du réseau sera ainsi
déterminante dans le choix de la localisation selon
qu'elle voudra mettre en avant une clientèle par exemple
"haut de gamme" avec des tarifs en conséquence ou une clientèle
plus large.
Le p-médian ignorant les contraintes liées
à l'environnement pourra, dans certains cas, indiquer des
emplacements inacceptables situés par exemple au milieu d'un champ de
course
ou d'un jardin d'enfants. Il convient donc de ne pas prendre les
localisations suggérées au pied
de la lettre, mais de les appréhender en terme d'aire
ou de sous-aire et d'éventuellement d'aller repérer sur le
terrain des emplacements faisables au sein des aires. Le p-médian est en
effet capable d'intégrer des noeuds supplémentaires
correspondant à ces emplacements qui, de préférence,
se trouveront à proximité des centres de gravité des aires
homogènes définis dans notre algorithme (ce n'est donc plus
les centres de gravité des aires qui seront
représentés exactement par les noeuds du réseau
p-médian, mais ces emplacements faisables voisins de
ces centres et repérés sur le terrain).
Il est également possible, pour favoriser tantôt les
quartiers plus huppés, tantôt les quartiers à
pouvoir d'achat moyen ou même les zones purement commerciales sans
habitant, d'augmenter artificiellement leur potentiel, c'est-à-dire
le poids des noeuds correspondants, d'un certain pourcentage
prédéterminé afin d'intégrer cette
préférence. Il convient, d'une manière
générale, de ne pas oublier les autres critères
d'une bonne localisation qui sont aussi la visibilité et
l'accessibilité de l'emplacement ou encore la recherche du voisinage
d'autres enseignes (complémentaires ou concurrentes selon la nature
des produits) pour augmenter l'attraction du site662.
D'un autre côté, même si notre méthode
peut être utilisée de manière
concrète pour des cas pratiques d'études de localisation
ou de zones de chalandise, le fait d'avoir utilisé trois logiciels
différents (MapPoint, SCI et Sitation)
a amené quelques problèmes liés à la
différence de formats entre les fichiers utilisés par ces
662 MOATI P. et POUQUET L. (1998)
Stratégies de Localisation de la Grande Distribution et Impact
sur la
Mobilité des Consommateurs, Collection des Rapports
n°194, Crédoc, p.69.
logiciels (fichiers image de type MapPoint et bitmap)
ce qui a légèrement ralenti le temps global mis pour faire
l'étude. La mise au point d'un logiciel intégrant toutes les
fonctions de filtrage, de délimitation, d'analyse des zones de
chalandise et de calcul des localisations optimales par un sous-algorithme
de résolution d'un modèle de localisation-allocation rendrait
plus pratique l'utilisation de notre méthode.
D'autre part, dans notre exemple d'une boutique de produits
biologiques, nous sommes partis d'une base de données de clients
supposés avoir la même probabilité de fréquenter les
points
de vente. Sans doute, la réalité était
différente et ces clients étant plus ou moins attirés par
les produits biologiques, se rendront-ils plus ou moins souvent dans ce type de
magasin. Ceci dit,
le manager doit souvent composer avec une information
incomplète pour déterminer les meilleures localisations
possibles pour ces magasins et produire des prévisions de
vente. Notre démarche méthodologique peut tenir compte de
différences entre les clients en termes
de fréquentations ou de chiffre d'affaires
escomptés, si on a la chance de posséder ces informations
(quel montant chaque client prévoit-il de dépenser dans
un magasin "bio" installé à proximité de chez lui ?). Il
suffit pour cela de représenter les clients dans la phase de
géocodage par des points en niveaux de gris. Le traitement du signal
sera alors capable de délimiter les zones de chalandise en
intégrant ces différences de caractéristiques au sein de
la clientèle (voir notre exemple virtuel concernant les clients d'un
commerce dans la première partie). Il est également concevable en
théorie d'intégrer de la même manière des facteurs
de
perception du consommateur (cf. Modèle MCI663)
quant à une enseigne particulière ou quant
à certains types de produits et de comparer les
différences en termes de localisation préconisée par
le modèle p-médian et aussi en termes de prévisions de
ventes.
Une autre perspective future de recherche est celle
concernant les variations des zones de
chalandise au cours du temps. Comme on l'a vu dans le chapitre 1,
les formes des zones de
663 CLIQUET G. (1995) Implementing a Subjective MCI
Model: An Application to the Furniture Market,
European Journal of Operational Research 84, 279-291.
chalandise sont sujettes à des évolutions
saisonnières. Il serait intéressant d'évaluer grâce
au traitement du signal les caractéristiques de ces zones à
différentes époques de l'année, du mois
ou selon les différents jours de la semaine,
puis de construire et de résoudre le modèle p-
médian correspondant à chacune de ces zones. Sans doute,
les localisations optimales des magasins préconisées
seront-elles aussi variables dans le temps. La question sera alors de
savoir s'il s'agit de se décider pour une localisation moyenne
de tous les emplacements suggérés ou bien de retenir la
configuration engendrant pendant certaines périodes cruciales
de l'année, d'excellentes performances
commerciales. Cette étude, si elle portait sur une période
suffisante, permettrait également de cerner les évolutions et
migrations géographiques éventuelles des aires de chalandise et
de prévoir quelles seront les localisations intéressantes dans 2,
5, 10 ou 20 ans. Le suivi des contours de la zone de chalandise au cours du
temps donnerait sans doute en effet la possibilité d'extrapoler sa forme
à moyen ou long terme. Il suffirait de prendre conscience de
phénomènes de rétraction, de renflement ou de
déplacement
de la zone pour prévoir, à moins d'un
renversement des tendances, son devenir et donc de déterminer
les localisations optimales futures grâce à notre
méthode. Cette recherche nécessiterait sans doute de poser
des hypothèses quant aux vitesses de transformation de la zone de
chalandise et d'étudier éventuellement plusieurs
scénarios en comparant leurs similitudes et divergences: la
morphologie de cette zone va-t-elle se poursuivre au même rythme,
avec la même célérité et éventuellement
accélération, ou bien l'évolution subira-t-elle
un tassement ? Les réponses à ces questions
conditionneront les résultats de l'analyse de localisation et leur
qualité.
Enfin, nous l'avons déjà souligné,
le traitement du signal est susceptible d'apporter ses avantages de
rapidité et de précision aux autres modèles de
localisation-allocation que le p- médian comme le modèle
p-centré ou le modèle de couverture maximale. Le
p-centré est
utilisé pour placer des services d'urgence, des
hôpitaux ou des casernes de pompiers par
rapport à une population donnée et le modèle
de couverture maximale sert à localiser bureaux
de poste, trésorerie, mairie et plus
généralement administrations, services de proximité,
aéroports, station de métro ou de bus,... Une autre perspective
future de recherche est d'utiliser
le traitement du signal en association avec ces modèles
pour effectuer un bilan national ou par pays de l'adéquation de ces
services d'urgence ou de proximité par rapport à la population
sur
le plan de leur localisation. Cette étude constituerait,
sans aucun doute, un outil majeur pour
orienter les décisions des décideurs politiques
dans le domaine de l'aménagement du territoire.
| 
