Conclusion générale
Les profondes mutations des structures commerciales en
cette période de transition entre l'ancien et le nouveau
millénaire poussent les décideurs des grandes entreprises
à revoir, de nos jours, l'organisation des réseaux tant sur
le plan horizontal (fusions entre réseaux) que vertical
(apparition de nouveaux modes de distribution comme Internet).
Sur le plan horizontal tout d'abord, il s'agit d'apprécier
l'intérêt de tel point de vente qui se trouve par hasard
proche de tel autre anciennement concurrent mais désormais partenaire.
De fait, nous
ne sommes plus à l'heure actuelle dans
une phase de développement des surfaces commerciales mis
à part dans des filons comme les produits biologiques, mais plutôt
dans une logique d'optimisation des réseaux de vente existants. D'un
autre côté, sur le plan vertical, on cherche à
améliorer les logistiques d'approvisionnement des réseaux
de points de vente en marchandises en provenance des quatre coins du
monde, tout en développant de nouveaux centres de distribution
destinés à satisfaire les nouveaux
Internautes-consommateurs. Le secteur public n'échappe pas à la
règle et souhaite, sous la pression de contraintes budgétaires,
réorganiser son système hospitalier, ses
administrations territoriales et nationales, son éducation et
même son organisation de défense et de
sécurité (fermeture de casernes, ouverture de commissariat de
quartier).
L'algorithme général décrit dans cet
exposé, associant les principes du traitement du signal aux
modèles de localisation-allocation (p-médian,
p-centré, couverture maximale,...), a son mot à dire dans
toutes ces problématiques de localisation. Comme nous l'avons
vu, il se compose globalement de quatre phases. La phase 1
de géocodage consiste à exploiter une base de
données d'adresses de clients potentiels ou réels et à
représenter ces localisations sur une carte. La
représentation cartographique obtenue montre
grossièrement les zones géographiques où se
concentrent les clients par la forte densité des points s'y accumulant.
La phase 2 correspond à la délimitation de
ces zones denses de clients et donc à la zone de
chalandise (nous avons nommé dans notre
exposé ces zones denses de clientèle, aires de
chalandise). La distinction des aires de chalandise est
grandement facilitée en traitant au préalable la carte avec
un filtre qui a tendance à lisser les contours et/ou à tisser des
liaisons entre les zones géographiques les plus proches. Les aires de
chalandise apparaissent alors, avec des contours nets et peuvent ensuite
être délimitées par l'opérateur de
convolution
(§ 3.2.4). Lorsque les points clients sont
très éloignés les uns des autres, un filtre
morphologique de type dilatation ou de fermeture est alors tout
indiqué pour remplir les interstices et faire naître les
formes pleines des aires homogènes de chalandise. Lorsque
l'éparpillement des points clients se fait de manière
continue et qu'un simple lissage est nécessaire, il alors
souhaitable d'utiliser un filtre Nagao qui conserve les contours ou bien un
filtre médian (§ 3.2.3). On calculera dans la phase 3
les coordonnées des centres de gravité de chaque aire
délimitée dans la phase précédente de
manière à modéliser un réseau p-médian
(§
3.3) : les noeuds du réseau seront
représentés par les centres de gravité et les segments par
les distances routières ou par un indicateur d'éloignement
(temporel, kilométrique, généralisé...). Des
localisations potentielles supplémentaires pourront, d'autre part,
être introduites comme noeud, même si elles ne comptent pas de
clients. Il est possible de bâtir un réseau pondéré
et l'on affectera, dans ce cas, à chaque noeud, un poids
représentatif de l'importance de la clientèle ou de son
potentiel. Nous avons utilisé la surface de l'aire
homogène associée représentative de l'importance de la
clientèle locale comme pondération de chaque noeud dans notre
analyse de localisation des commerces "bio" de l'Ouest parisien
(§ 4.2.3.1). Dans la phase 4, le réseau
sera résolu sur la base du modèle p-médian
grâce aux algorithmes classiques de résolution et
d'amélioration (algorithmes de voisinage,
génétique, flou, multiplicateurs de Lagrange - § 2.2.1.2)
de manière à trouver les localisations optimales pour
les emplacements commerciaux. On aboutira donc au choix
de certains noeuds comme localisations optimales. Pour améliorer la
précision, on pourra, dans une étape supplémentaire
de rétroaction, réitérer le processus
d'identification d'aires homogènes en se concentrant cette
fois au niveau de chaque noeud et en augmentant l'échelle
d'analyse. Pour améliorer la finesse des localisations optimales,
l'examen d'aires de plus en plus petites est susceptible de se faire autant de
fois que souhaité sous réserve de l'existence d'un
nombre suffisant de clients ou d'emplacements potentiels à cette
échelle. Nous avons été ainsi conduit à
introduire une nouvelle définition de la zone de chalandise
fondée sur la notion de densité à la marge des nombreuses
approches existantes (§1.2), à savoir que la zone de
chalandise est l'aire géographique d'influence où la
densité de clientèle dépasse un certain seuil.
L'intérêt du traitement préalable à la
délimitation de la zone de chalandise, à savoir le
processus de dilatation dans l'analyse des magasins du secteur biologique,
permet justement de cerner les aires d'équidensité en terme de
clientèle. La distribution de la clientèle n'est pas
aléatoire, en général, ce qui se démontre
par un calcul d'autocorrélation, mais se fait selon des
regroupements ou clusters rassemblant une densité homogène de
clients. Nous avons mis en évidence deux seuils caractérisant les
zones d'équidensité des clients potentiels des produits "bio"
correspondant aux zones de chalandise primaire et secondaire (§ 4.2.3). Il
serait possible sans doute de distinguer d'autres seuils supplémentaires
de densité dans d'autres cas d'études. Cette approche, qui
considère les points du plan comme un signal discret à deux
dimensions, s'apparente entièrement aux méthodes
scientifiques de reconnaissance des objets et des formes. L'analyse des
images satellites utilise, depuis deux décennies sur le modèle de
notre étude, les filtres d'images réelles pour y détecter
les différents types de territoire, les forêts, les
déserts, les montagnes, les zones
inondées664. L'originalité de notre démarche a
été de montrer
que ces mêmes techniques peuvent être
utilisées sur des données virtuelles à savoir les bases
de données géomarketing transposées
sur une carte. Etant donné que le traitement des données
se fait indifféremment dans tout le plan, l'analyse ne
connaît pas de frontière méthodologique contrairement
aux logiciels actuels de géomarketing (d'ailleurs plutôt
des
664 MARCHIONNI D., CAVAYAS F., ROLLERI E. (1999)
Potentiel de Détection des Traits Structuraux d'un
Territoire Semi-Désertique sur des Images RADARSAT : Le
Cas du Macizo del Deseado, Argentina, Rapport
du Committee on Earth Observation Satellite.
logiciels de cartographie améliorée) qui,
du fait de leur mode de fonctionnement en dessin vectoriel et non sous
forme d'images composées de pixels, imposent des frontières
artificielles (les représentations vectorielles possèdent
à l'arrière plan une base de données de tous les
objets, rues, ronds-points, jardins publics,... sous forme de
coordonnées ce qui ne permet pas
de mettre en évidence des zones de chalandise coupant ces
objets).
Sur le plan de la gestion, notre méthode conciliant
traitement du signal et modèle p-médian recèle un grand
nombre d'avantages. Tout d'abord, nous l'avons souligné à
de multiples reprises, l'étude de localisation s'accompagne de
l'analyse de la zone de chalandise et de sa délimitation. Ainsi, on
pourra se rendre compte de l'importance du potentiel commercial
entourant le point de vente que l'on associe, dans notre méthode,
à l'aire de chalandise dont la surface connue révèle le
niveau de ce potentiel. Cependant, l'évaluation de la future
fréquentation du magasin nécessitera toujours une bonne
connaissance du secteur et du profil des clients, en particulier concernant la
distance maximale que ceux-ci sont prêts à parcourir pour s'y
rendre. La zone de chalandise, délimitée dans notre
étude, était une zone de chalandise de clients potentiels
puisque nous sommes partis d'une base de données de personnes
susceptibles d'acheter des produits biologiques. La même méthode
de délimitation pourra servir, après ouverture du ou des points
de vente et constitution d'une base de données
de clients réels cette fois, à définir
sur une carte la zone de chalandise réelle du magasin. Cette zone de
chalandise réelle sera très certainement composée de
fragments centrés autour du magasin de la zone de chalandise
potentielle préalablement déterminée. La comparaison des
deux types de zone de chalandise sera une indication précieuse
pour le manager sur la distance maximale que les clients sont prêts
à parcourir en mesurant la distance kilométrique
ou temporelle moyenne séparant le point de vente
et la frontière de la zone de chalandise réelle. La
gestion d'un réseau de points de vente sera riche
d'enseignement, puisqu'elle
apportera une certaine expérience en particulier sur
les habitudes de déplacement de la
clientèle, expérience pouvant être
transposée lors de la recherche de nouvelles localisations.
La bonne connaissance des clients d'une enseigne permettra
également de se constituer dans
les régions où l'on cherche à créer
de nouvelles surfaces commerciales, des bases de données
de clients potentiels correspondant à la segmentation
marketing mise en évidence.
La mise en oeuvre de notre méthode anticipe, d'autre
part, la phase de gestion quotidienne du point de vente : la
détermination très fine (au niveau de la rue) des
frontières de la zone de chalandise facilitera considérablement
la tâche du directeur commercial dans le ciblage
géographique des campagnes de promotion, que ces dernières
prennent la forme de prospectus distribués dans les boîtes aux
lettres, d'envois d'e-mail, ou encore de panneaux publicitaires à placer
aux endroits stratégiques,... Un avantage de la méthode combinant
traitement du signal
et modèle p-médian est en effet sa grande
précision à délimiter la zone de chalandise et dans une
étape ultérieure à spécifier les localisations
optimales en pratiquant un zoom au niveau des aires de chalandise les plus
intéressantes. Comme nous l'avons vu, les mêmes filtres et
traitements sont alors utilisés à un niveau local pour
accroître la finesse de l'analyse. Nos entretiens avec des
professionnels de la distribution de prospectus publicitaires comme les
dirigeants du groupe français leader Spir Communication qui offre des
prestation de services pour la grande distribution, nous ont confirmé
l'importance d'une délimitation précise de la zone de chalandise.
Alors que les logiciels du marché n'offre qu'une précision au
niveau du quartier ou des îlots (INSEE), notre méthode
reconnue par ces dirigeants cerne la zone de chalandise pratiquement au
niveau du numéro de rue. Les imprimés publicitaires sont en effet
distribués dans certaines aires préalablement définis
correspondant à la zone de chalandise du magasin dont on souhaite faire
la promotion. Le fait de cibler ces aires avec précision permet
d'engendrer des économies notables, puisque l'on évite ainsi de
remplir les boîtes aux lettres
de personnes hors zone et donc non concernées par
l'offre promotionnelle (économies de
prospectus et de frais de distribution). Ce géomarketing
très fin permet, d'autre part, de cibler
des aires de chalandise d'étendue limitée
(immeubles isolés, petit groupe de maisons recelant
de nombreux clients potentiels). Les efforts commerciaux se
centreront au sein de la zone de chalandise si l'on souhaite la renforcer
en terme de densité de clients ou au contraire, en dehors de
cette zone, si on souhaite l'étendre (en s'apercevant par
exemple que la zone de chalandise réelle est moins large que pour
d'autres points de vente similaires du réseau).
D'autre part, notre méthode met en évidence les
localisations optimales en une suite d'étapes logiques, ce qui n'est
pas sans intérêt pour les réseaux de points de
vente et dans le cadre général de la réticulation des
activités commerciales665. En particulier, en ce qui concerne
la réorganisation de réseaux, un processus intégré
de géocodage des clients, une délimitation des aires de
chalandise et la résolution d'un modèle de
localisation-allocation simplifié permettent
de se rendre très rapidement compte du double
emploi ou non de certains points de vente. Ainsi, la méthode est
aussi bien adaptée à des stratégies d'évitement
visant à rechercher des opportunités d'implantation dans les
aires lacunaires délaissées par la concurrence (§ 3.4.1)
qu'à une stratégie de recherche de concurrents ou
même de prédation dans laquelle on ira s'implanter
directement au voisinage des compétiteurs, quitte à se lancer
dans une guerre des prix effrénés (§ 3.4.2). La
méthode s'attaquera, dans le premier cas, plutôt à la
délimitation du complémentaire des aires où sont
implantés les concurrents (image inversée de la cartographie des
concurrents) et, dans l'autre cas, à la délimitation
directe de leurs aires d'implantation. Cette approche, en terme de
concurrence, est tout à fait conciliable avec l'approche client. Une
stratégie d'évitement cherchera donc les implantations les plus
éloignées des concurrents tout
en la croisant avec les implantations des clients, deux
modèles différents de réseau p-médian pouvant alors
être bâtis, l'un de concurrence, l'autre de clientèle.
Notre méthode est également rapide. Nous avons
montré, dans notre cas d'étude de magasins
de produits "bio", qu'un ensemble de 10211 clients
pouvait finalement se simplifier à un
665 CLIQUET G. (2000) Plural Form in Store
Networks : A Model for Store Network Evolution, The
International Review of Retail, Distribution and Consumer
Research, vol. 10, n°4, pp 369-387.
réseau de 25 noeuds, tout en ayant dans le
même temps réussi à délimiter la zone de
chalandise et à la caractériser. La recherche de
localisations optimales en considérant les
10211 clients comme autant de noeuds d'un réseau
p-médian aurait pris sinon plusieurs jours
du moins plusieurs heures même avec les heuristiques
de résolution actuelle alors qu'avec notre méthode, il est
possible de parvenir à un résultat en quelques minutes.
Par voie de conséquence, cette méthode offre aussi
la possibilité de mesurer le potentiel des ventes de telle ou telle
région au niveau local, régional ou national selon le secteur
d'analyse
(§ 6.2.5). L'apparition d'un nouveau concurrent
dans la zone de chalandise donnera alors l'occasion de faire fonctionner
l'algorithme pour évaluer l'impact de son arrivée sur le chiffre
d'affaires du magasin : ce nouvel arrivant occupe-t-il une meilleure
localisation ? Quelle est la part du chiffre d'affaires qu'il ponctionnera
compte-tenu des clients habitant dans son environnement immédiat
? Est-il intéressant sur le plan des
bénéfices de changer d'emplacement par rapport au
coût que ce déménagement risque d'impliquer ?
N'est-il pas plus rentable de chercher à s'allier avec ce
concurrent ? Voilà à quel genre de questions, touchant la
gestion stratégique du point de vente, la mise en oeuvre de notre
algorithme peut répondre avec grande précision et
rapidité moyennant quelques petites règles de trois
supplémentaires et parfois une analyse qualitative. Sur le plan
de la logistique interne au réseau de vente (éventuellement
à la suite de son remodelage avec celui d'un concurrent par une
opération de fusion ou d'acquisition), la localisation adéquate
des centrales de distribution
ou des plates-formes de transport ou d'acheminement vers les
points de vente de détail pourra
être revue de la même manière en
faisant donc appel au traitement du signal et à un autre
Fig. Conclusion.1- Les possibilités d'applications de la
méthode selon les données à traiter
525
modèle de localisation-allocation plus adapté
à cette problématique comme le p-centré (la
même méthodologie servira de la même
façon à localiser les grossistes indépendants par
rapport aux magasins de détail) : les points de vente joueront alors,
dans cette optique, le rôle des clients avec un certain niveau de
demande, clients approvisionnés par les centrales de
distribution
Ainsi, notre problématique de recherche apparaît
avoir trouvé une solution attractive à travers
ce nouvel outil qui possède une précision et une
rapidité indéniable. Les autres éléments que nous
avons cherché à améliorer étaient (voir
introduction) la démonstrativité et la capacité à
utiliser de grandes bases de données (les
datawarehouses) que les firmes n'exploitent actuellement pas
pleinement. Cette dernière contrainte est un autre des points forts de
notre méthode qui, justement nécessite l'introduction de
ces bases de géodonnées volumineuses. Comme on l'a dit au
départ, le traitement du signal serait sans intérêt pour
traiter des fichiers
ne comptant que quelques dizaines de clients puisque l'on
pourrait les introduire directement dans un modèle p-médian (sans
être capable d'ailleurs de cerner alors la zone de chalandise
correspondante). Les données géomarketing se doivent
justement d'être suffisamment nombreuses de manière à
constituer un signal à deux dimensions (dans le plan
géographique)
qui pourra être analysé par des filtres. Enfin,
la méthode à base de traitement du signal est
démonstrative, puisqu'elle permet de suivre, sur une succession
de cartes détaillées, le cheminement intellectuel
modélisé au sein d'un algorithme qui va indiquer la zone
de chalandise, puis les localisations optimales. Le manager non
aguerri à ces techniques "hermétiques" confirmera d'un
simple coup d'oeil les résultats obtenus, puisque, dans la
plupart des cas, les zones optimales d'implantation correspondent assez bien
aux lieux les plus
denses en clientèle.
Cependant, la méthode comporte un certain nombre
de limites. Outre le fait qu'il est assez difficile de se procurer les
bases de données de clients potentiels lorsque l'on cherche à
créer des points de vente, l'utilisation de filtres nécessite un
minimum de données. L'analyse d'une représentation spatiale de
quelques dizaines de clients ou de concurrents ne requiert pas les outils de
traitement du signal étant donné que dans ce cas, on peut
facilement construire un réseau p-médian en considérant
autant de noeuds qu'il y a de clients ou de concurrents et le résoudre
sans trop de difficultés par les méthodes traditionnelles.
Egalement, la détection de localisations optimales reste un exercice
théorique. Encore faut-il s'assurer par une visite sur
le terrain que les emplacements mis en évidence
correspondent effectivement à des sites viables et disponibles
à l'achat ou à la location. Une autre limite relatives aux
localisations commerciales trouvées vient du fait que l'on ne
considère dans la démarche que les adresses des clients, tout au
moins dans le cas pratique étudié des magasins de produits
biologiques. Sans doute, faudrait-il prendre en compte aussi tous leurs
déplacements et les endroits où ces clients potentiels
peuvent résider temporairement (lieux de travail par
exemple) qui constituent autant de lieux d'achats possibles. Il paraît
néanmoins difficile de constituer une volumineuse base de données
répertoriant tous les trajets d'un ensemble d'acheteurs probables
de certains produits ou services.
Sur le plan des perspectives de recherche, le
traitement du signal pourrait s'adapter à la localisation de bien
d'autres activités que celles des points de vente et de service à
travers le modèle p-médian. La figure
précédente (fig. Conclusion.1) montre les
possibilités variées d'applications théoriques de notre
méthode selon les données à traiter. Celles-ci peuvent
être, comme on l'a vu, des bases de données de clients
ou de concurrents ou bien même des données
socio-économiques. Rien n'empêche, en effet, d'utiliser notre
méthode pour délimiter non plus des zones de chalandise, mais par
exemple les zones de plein-emploi ou les quartiers rassemblant certaines
tranches de population pour des études à vocation
économique. La
phase suivante, après le géocodage, consistera de
la même façon à prétraiter ces données par
des filtres morphologiques ou bien spatiaux selon que les données
forment des points espacés
(le filtre de dilatation remplira les interstices pour
repérer les aires d'équidensité) ou bien des zones sans
discontinuité d'information. Suite à une délimitation des
aires homogènes par la désormais connue convolution, divers
modèles de localisation-allocation sont susceptibles d'être
appliqués. Outre le p-médian dédié surtout à
la localisation des points de vente et de service, le modèle
p-centré cherchant, non plus la proximité des clients mais les
sites les plus centraux, convient bien à la localisation de
services d'urgence (casernes de pompiers, commissariat, Samu). Le
modèle de couverture maximale préconise quant à lui, que
les sites possèdent une localisation optimale, si la distance maximale
qui les sépare des points-clients associés est minimisée.
Ainsi, à partir de ce site, l'on peut atteindre facilement tous les
clients, même les plus éloignés avec un coût minimum.
Le modèle de couverture maximale est donc bien adapté à la
localisation de services de livraison ou d'entrepôts. C'est en
particulier l'un des objectifs réservés à la suite
de cette recherche que de démontrer l'intérêt de
notre démarche méthodologique comparée aux autres
modèles de localisation-allocation, dans d'autres cas de figure
que la localisation d'activités commerciales, comme la logistique
de livraison de l'entreprise interne (localisation des centrales
de distribution) et externe (localisation des centres de livraison
des commandes Internet) ou la réorganisation spatiale des services
publics à l'échelon national. Une autre perspective de
recherche est d'appliquer notre démarche à la segmentation
de données statistiques. Les techniques de filtrages devraient en
effet être capables de délimiter des paquets de données
possédant une certaine similitude et les modèles de
localisation-allocation de spécifier les caractéristiques
les plus
marquantes de ces données.
| 
