ADEO : l’IA au service des standards commerciaux.

Idelink_Adeo_Portugal

Dans un réseau international, les standards commerciaux ne vivent pas uniquement dans des référentiels. Ils vivent aussi dans l’expérience des équipes, dans les gestes répétés en magasin et dans les décisions prises au quotidien.

C’est précisément ce savoir-faire qu’ADEO cherche aujourd’hui à mieux transmettre. Le groupe teste avec Idelink un dispositif qui repose sur 2 briques complémentaires : une commercial review digitalisée pour structurer le diagnostic magasin, et un module d’analyse des têtes de gondole par intelligence artificielle.

L’enjeu n’est pas d’ajouter un outil de contrôle supplémentaire. Il est de rendre les standards plus lisibles, plus accessibles et plus faciles à appliquer, tout en conservant l’expertise métier qui fait la qualité d’exécution du réseau.

Un savoir-faire commercial difficile à transmettre à grande échelle

Le référentiel merchandising d’ADEO fait plus de 200 pages. Il décrit ce qu’est une bonne implantation, comment construire un projet client dans un rayon ou encore comment positionner un prix. Le problème n’est donc pas l’absence de standards. Il se situe dans ce qui se passe entre le document et le terrain.

Un chef de rayon peut avoir lu le référentiel plusieurs années auparavant. Un directeur de magasin peut avoir retenu certaines pratiques de son précédent secteur. Un directeur régional peut appliquer son propre niveau d’exigence. Progressivement, chacun fait au mieux avec ce qu’il a compris, expérimenté et transmis.

À cela s’ajoute un autre enjeu : une partie des collaborateurs les plus expérimentés, ceux qui portent justement ce savoir-faire, approchent de la fin de carrière. Le risque n’est pas seulement de devoir remplacer des postes. Il est surtout de perdre une expertise qui ne s’est jamais totalement écrite.

Transformer un référentiel en repères opérationnels

Le choix d’ADEO n’a pas été de créer une nouvelle grille de notation descendante. Le dispositif doit d’abord donner des repères aux équipes. Un collaborateur qui prend un rayon doit pouvoir comprendre rapidement à quoi ressemble une bonne exécution, sans attendre plusieurs années d’expérience ou la prochaine visite régionale.

La note ne devient utile que si elle permet de rendre le standard plus lisible, d’identifier précisément ce qui doit progresser et de rattacher chaque écart à un geste commercial concret.

L’outil sert donc d’abord à former, transmettre et homogénéiser les repères. Le contrôle, lorsqu’il existe, devient une conséquence du dispositif et non son objectif principal.

Merchandising en magasin dans le cadre du projet ADEO et Idelink

La commercial review pour sortir de l’audit annuel

La commercial review est un tour de magasin structuré qui passe en revue les fondamentaux commerciaux : prix, implantation, produit et qualité d’exécution. Digitalisée dans Idelink, elle permet surtout de changer la façon dont ce diagnostic est réalisé.

Le dispositif avait d’abord été imaginé pour les directeurs régionaux. Les tests ont fait émerger une autre logique : le directeur de magasin réalise lui-même son diagnostic, puis le directeur régional vient challenger cette lecture à partir des mêmes constats.

La conversation ne porte alors plus uniquement sur ce qu’un visiteur extérieur a vu. Elle porte aussi sur ce que le magasin pense de sa propre exécution et sur les écarts éventuels entre perception et réalité terrain.

Le rythme évolue également. L’objectif est de sortir d’un audit annuel ponctuel pour entrer dans une routine de progression : plusieurs commercial reviews dans l’année, complétées par des auto-évaluations et des diagnostics lors des prises de poste.

Directeurs régionaux, directeurs de magasin, chefs de secteur et responsables de rayon peuvent ainsi travailler sur une base commune. Photos et commentaires restent associés aux constats, afin de rattacher chaque écart à un fondamental commercial précis et suivre les actions dans le temps.

Les têtes de gondole : là où l’exécution se joue

Chez ADEO, la tête de gondole représente environ 8 % du chiffre d’affaires d’un magasin. À l’échelle d’un réseau international, quelques points d’exécution gagnés ou perdus sur cet espace peuvent donc avoir un impact significatif.

Les principes sont connus : un produit phare immédiatement identifiable, un prix lisible, des produits complémentaires et une mise en scène qui raconte un projet client. Pourtant, entre 2 têtes de gondole construites autour du même concept, l’écart d’exécution peut être important.

C’est là qu’intervient le TG Analyzer. Le chef de rayon photographie sa tête de gondole depuis l’allée centrale. L’image est ensuite analysée critère par critère afin de produire un retour structuré et justifié.

Le bénéfice attendu est triple : améliorer l’exécution sur une zone particulièrement rentable, mieux comprendre l’origine d’une sous-performance et accélérer la montée en compétence des équipes.

Écrans Idelink du TG Analyzer pour l’analyse merchandising des têtes de gondole

Une IA encadrée par le métier

Dans ce dispositif, l’IA n’a pas pour rôle de décider seule si une tête de gondole est bonne ou mauvaise. Les rôles sont volontairement séparés.

Le référentiel métier définit d’abord les critères et leur pondération. Le modèle de vision observe ensuite la photo, formule un constat pour chaque critère et indique son niveau de confiance. Le score final, lui, est calculé de manière déterministe dans le code.

Cette architecture permet de conserver une note reproductible et auditable. Les mêmes constats doivent produire le même résultat, et chaque score doit pouvoir être expliqué ligne par ligne.

Avant toute analyse, la photo passe également par un contrôle de qualité sur le format, la netteté et le cadrage. Si l’image n’est pas exploitable, elle est refusée avec une consigne de reprise plutôt que d’être analysée à l’aveugle. L’IA devient ainsi une couche d’analyse au service d’une grille métier, pas un arbitre autonome.

Quand les experts font progresser l’outil

Aucune grille ne peut capturer immédiatement toute la complexité du terrain. ADEO a donc intégré une boucle de retour permettant aux experts de challenger et d’enrichir progressivement le dispositif.

Lorsqu’un expert considère qu’un constat ou une recommandation n’est pas pertinent, il peut expliquer pourquoi. Ce retour est rattaché au critère concerné puis examiné. S’il est validé, il vient préciser les évaluations suivantes.

Ce mécanisme est important pour l’adhésion des équipes : un expert n’a pas à subir un verdict produit par une IA. Il peut contester, expliquer et faire évoluer le référentiel.

Le savoir-faire des collaborateurs expérimentés ne se contente alors plus d’être transmis oralement. Il devient progressivement structuré, documenté et accessible au reste du réseau.

Un use case de pilotage opérationnel, pas seulement d’IA

Ce projet illustre finalement un enjeu plus large que l’analyse d’une photo : comment transformer une connaissance opérationnelle dispersée en repères communs, puis en actions concrètes pour les équipes.

Avec la commercial review, ADEO structure le diagnostic magasin. Avec le TG Analyzer, le groupe formalise une partie d’un savoir-faire merchandising très visuel. Et avec Idelink, ces différents signaux peuvent progressivement être rapprochés pour donner davantage de contexte aux équipes et au pilotage réseau.

L’objectif n’est donc pas seulement de savoir si un standard a été respecté. Il est de comprendre les écarts, d’accompagner les équipes dans leur progression et de rendre ce qui fonctionne quelque part plus facilement réutilisable ailleurs.

Et maintenant

Le pilote se poursuit au Portugal, en Espagne et en Pologne sur les 2 volets du projet.

Plusieurs prolongements sont déjà identifiés : relier la commercial review à l’historique des analyses de têtes de gondole d’un magasin, permettre à un chef de rayon de consulter un exemple réussi ailleurs dans le réseau avant de monter sa propre implantation, ou encore rapprocher à terme la qualité d’exécution des ventes réalisées.

La logique reste la même : partir du savoir-faire déjà présent dans le réseau, le structurer, puis le rendre utile au moment où les équipes en ont besoin.

Ce qu’il faut retenir

Le cas ADEO montre qu’un référentiel, même très complet, ne suffit pas à garantir une exécution homogène. Pour faire progresser un réseau, il faut aussi rendre les standards compréhensibles, comparables et utilisables dans le quotidien des équipes.

L’intérêt de l’intelligence artificielle n’est pas ici de remplacer l’expertise. Il est de rendre cette expertise plus accessible, plus reproductible et plus facile à transmettre.

C’est là l’un des enjeux majeurs des réseaux multi-sites : faire en sorte que ce que les meilleurs savent déjà puisse progressivement devenir utile à tous.