Comment prévoir le chiffre d'affaires d'un point de vente

Un nouveau point de vente n'a pas d'historique de ventes. C'est tout le problème que la prévision cherche à résoudre. Prévoir le chiffre d'affaires d'une implantation qui n'a pas encore ouvert repose sur la recherche de magasins comparables (dans votre propre réseau, ou des benchmark sectoriels si vous ouvrez vos premiers points de vente), la démographie de la zone de chalandise, la fréquentation, la densité concurrentielle et les tendances de la catégorie, tout cela alimentant un même modèle. Si vos données sont mauvaises, aucun modèle ne sera assez précis. Si elles sont bonnes, vous obtenez un chiffre sur lequel vous pouvez prendre de bonnes décisions.

Voici la méthode, les choix à faire, et les deux points où la plupart des prévisions déraillent : la qualité des comparables et la cannibalisation.

Pourquoi un nouveau magasin ne se prévoit pas comme un magasin existant

Pour un magasin existant, la prévision n'est qu'une projection : on part des ventes de l'année précédente, on ajuste selon la tendance, et c'est tout. Un nouveau magasin n'a pas d'année précédente. Le modèle doit déduire la performance d'un local où aucun client n'est encore allé, donc toutes les données d'entrée viennent de l'extérieur.

C'est pourquoi le choix de l'implantation est si important : une erreur à ce stade, et aucun plan marketing ne pourrer sauver votre local. Une prévision utile combine en général cinq éléments : la performance de magasins comparables, la démographie de la zone de chalandise, la fréquentation et l'accessibilité, la densité concurrentielle (y compris la cannibalisation de vos propres magasins) et les tendances de la catégorie ou du marché. Aucun ne fonctionne seul. Un emplacement très fréquenté dont le profil démographique ne correspond pas à votre cible fera moins bien qu'une rue plus calme où passent vos clients.

La fréquentation, comme la zone de chalandise, ne sert à rien si elle est mal mesurée : elle se mesure devant la porte du local, heure par heure et jour par jour. Elle ne s'évalue pas à l'impression d'animation que dégage le quartier. Les comptages manuels ont vite leurs limites, et c'est précisément là que les outils d'analyse d'implantation qui s'appuient sur l'IA sont utiles.

Les tendances de la catégorie sont la donnée la plus souvent négligée. Il s'agit du rythme de croissance ou de recul de votre catégorie dans cette zone de chalandise précise : y-a-t-il une explosion de nouveaux cafés, ou la catégorie est-elle saturée et en phase de consolidation ? Un site candidat peut afficher de bons scores sur la démographie et la fréquentation et rester un mauvais pari si la catégorie recule localement. Une catégorie en recul tire tous ses magasins vers le bas. Concrètement : si des magasins comparables situés dans une zone où la catégorie progresse ont gagné 8 % de ventes à format constant en deux ans, tandis que ceux d'une zone où elle stagne ou recule sont restés au même niveau, cet écart doit se retrouver dans votre prévision.

Prenons deux sites candidats pour un format d'alimentation de taille moyenne. Le site A donne sur un axe de passage très fréquenté : 18 000 passages piétons par semaine, mais seuls 22 % correspondent au profil de ménage visé (familles, revenus intermédiaires, équipées d'une voiture). Le site B compte 11 000 passages par semaine, dans une zone résidentielle où 41 % de la zone de chalandise correspond à ce même profil. En volume brut, le site A l'emporte largement, avec 64 % de passage en plus. En passage réellement qualifié, le classement s'inverse : le site A apporte environ 3 960 passants qualifiés, le site B 4 510. C'est ce second chiffre qui annonce le chiffre d'affaires, et c'est précisément celui qu'une décision à l'instinct ne calcule jamais.

Les données à réunir avant de commencer

Rien de ce qui précède ne fonctionne sans les bonnes données. Au minimum : tracer de zone de chalandise construits sur les déplacements réels des visiteurs plutôt que sur un rayon fixe, les données démographiques et de revenus de cette zone, des comptages de fréquentation à l'adresse candidate elle-même, une cartographie de la densité concurrentielle dans la zone, et le chiffre d'affaires de vos propres magasins pour la recherche de comparables.

Chacune de ces données doit être datée. Des données démographiques vieilles de cinq ans dans un quartier qui bouge vite faussent un modèle par ailleurs solide, sans que personne s'en aperçoive. Une nouvelle ligne de transport, un concurrent qui ouvre ou une locomotive commerciale qui s'installe suffisent à déplacer les flux, souvent en quelques mois.

La recherche de magasins comparables

La recherche de magasins comparables est la fondation de toute prévision pour un nouveau magasin : elle consiste à identifier des points de vente dont la zone de chalandise présente le même profil que celle du site candidat. Ces sites comparables peuvent venir de votre propre réseau ou, si vous n'en avez pas encore, de références sectorielles. Dans les deux cas, la performance réelle de ces magasins devient votre point de départ.

L'exigence est précise : au moins trois magasins comparables, appariés sur la démographie, la fréquentation et la densité concurrentielle, pas sur la proximité ni sur l'idée que « c'est une ville du même genre ». Deux magasins d'une même région peuvent avoir des zones de chalandise totalement différentes, et un comparable unique ne fournit pas assez de données pour faire une vrai prédiction. À partir de trois sites comparables, vous construisez une fourchette au lieu de deviner un chiffre, et c'est la fourchette qui servira de pièce de résistance quand on vous demande votre niveau de confiance.

Si vous ouvrez votre premier point de vente ou entrez sur un marché où vous n'avez aucun magasin comparable, les benchmarks sectoriels (ventes moyennes au mètre carré, ou par couvert, dans des zones de chalandise similaires) comblent le vide en attendant vos propres données. Elles valent moins qu'un vrai comparable, mais elles valent mieux qu'un chiffre sorti de nulle part.

La méthode ne change pas d'un secteur à l'autre : une chaîne de restaurants qui choisit son prochain emplacement procède exactement comme un retailer.

Voici à quoi ressemble un jeu de comparables pour un projet de restaurant dans une ville française de taille moyenne.

• Le restaurant 1, dans une ville secondaire comparable, réalise 620 000 € par an avec 39 % de correspondance sur la démographie et la fréquentation.
• Le restaurant 2, dans une périphérie de densité similaire, réalise 580 000 € avec 44 %. Le restaurant 3, dans une commune à population un peu plus âgée, réalise 510 000 € avec 31 % de similarité, le plus faible des trois mais encore exploitable.

Chaque établissement est ensuite pondéré selon son degré de similarité, une fois les trois taux ramenés à 100 % : environ 34 %, 39 % et 27 %. L'estimation se cale donc sur les deux premiers restaurants plus que sur le troisième, ce qui place le site candidat entre 560 000 et 610 000 €. Cette fourchette sort d'un calcul visible, pas du choix du magasin le plus proche.

Choisir un modèle adapté à vos données

Une fois les données réunies, il faut les convertir en un chiffre. Le modèle qui convient dépend de l'historique de données dont vous disposez et du caractère plus ou moins linéaire du lien entre vos variables et le chiffre d'affaires.

• La régression fonctionne bien dès que vous avez 15 magasins comparables ou plus et que le lien entre données d'entrée et chiffre d'affaires est à peu près linéaire : plus la fréquentation est forte et le profil démographique proche de votre cible, plus le chiffre d'affaires monte, dans des proportions prévisibles.
• Les arbres de décision gèrent mieux les cas où le lien est conditionnel plutôt que linéaire, par exemple lorsque la fréquentation ne compte qu'au-delà d'un certain seuil démographique.
• XGBoost et les autres méthodes d'ensemble combinent de nombreux arbres de décision et gagnent en précision dès que le jeu de données est large et riche, au prix d'un modèle plus difficile à expliquer sans outils complémentaires.
• Le scoring par catégories, qui classe les sites candidats par paliers de performance (élevé, moyen, faible) au lieu de produire un montant, convient aux enseignes qui n'ont pas assez de magasins pour une régression précise. Il reste utile pour trier les dossiers, même s'il ne suffit pas à justifier seul une décision d'investissement.

Aucune méthode n'est meilleure que les autres. Une franchise de cinq points de vente qui teste son deuxième marché n'a aucune raison d'utiliser le même modèle qu'une chaîne de 200 magasins qui dispose de dix ans de données de caisse. La bonne question n'est pas « quel est le meilleur modèle », mais « quel modèle correspond à mon cas spécifique ?».

Prenons une chaîne de huit magasins qui tente une méthode d'ensemble parce qu'elle promet la meilleure précision théorique. Le modèle renvoie pour chaque site candidat un chiffre proche de la moyenne du réseau, ce qui ne permet pas de distinguer un bon emplacement d'un emplacement médiocre : huit magasins ne suffisent pas à une méthode conçue pour repérer des relations non linéaires subtiles sur des centaines de variables. En revenant à une régression plus simple, avec moins de variables mais assez de données pour les alimenter, l'équipe obtient une prévision qu'elle peut confronter à ce qu'elle sait déjà de son activité. Plus sophistiqué ne veut dire ni plus juste, ni plus défendable.

Cannibalisation et analyse de la zone de chalandise

Une prévision qui examine un site candidat isolément ne traite que la moitié du sujet si vous exploitez déjà des magasins à proximité. La cannibalisation mesure la part du chiffre d'affaires prévu du nouveau magasin qui sera "prise" à un magasin existant plutôt que captée comme demande réellement nouvelle. Elle part de l'analyse de zone de chalandise, appliquée à deux magasins à la fois pour rendre visible leur recouvrement : non pas un cercle tracé autour de chaque point de vente, mais le territoire d'où viennent réellement les clients.

Une zone de chalandise construite sur des données de mobilité révèle des recouvrements qu'une carte fondée sur la distance ignore complètement : deux magasins distants de quatre kilomètres peuvent capter le même flux de pendulaires. C'est ce qu'une véritable analyse de zone de chalandise révèle avant l'ouverture, et non au premier relevé de chiffre d'affaires.

Un exemple chiffré. Une enseigne étudie un site candidat situé à quatre kilomètres de l'un de ses magasins. Les deux zones de chalandise se recouvrent à 35 %. Si le nouveau site est prévu à 900 000 € de chiffre d'affaires la première année, on peut estimer que 315 000 € viennent de clients qui, sans cette ouverture, auraient fréquenté le magasin existant, soit environ 585 000 € de chiffre d'affaires réellement additionnel. C'est ce montant qui doit figurer dans le dossier d'investissement, pas les 900 000 € affichés.

Les enseignes acceptent couramment une cannibalisation de 30 % à 40 % du chiffre d'affaires prévu d'un nouveau magasin, dès lors que l'ouverture apporte un profit additionnel positif à l'échelle du réseau. Les 35 % de l'exemple ci-dessus restent dans cette fourchette. C'est un cas limite, pas un signal d'alerte : le projet peut avancer comme prévu, à condition que les 585 000 € additionnels atteignent la rentabilité attendue. Au-delà de 40 %, la discussion change. L'ouverture peut rester justifiée, mais le dossier doit alors mettre en balance la perte sur le magasin existant et le gain sur le nouveau, au lieu de traiter les deux comme des décisions séparées.

Défendre une prévision devant un comité

Si personne ne sait expliquer comment le chiffre a été obtenu, la prévision ne passera pas le comité financier ou le comité d'expansion, quelle que soit la sophistication du modèle. Trois éléments séparent une prévision défendable d'une boîte noire.

D'abord, nommer les variables qui déterminent le résultat. Si la fréquentation compte pour 30 %, la qualité des comparables pour 25 %, et si la densité concurrentielle abaisse la projection de 10 %, l'équipe qui présente doit pouvoir le dire, plutôt que de renvoyer vaguement à un tableau de bord.

Ensuite, présenter une fourchette plutôt qu'un chiffre unique, et savoir parler de la marge d'erreur qui l'accompagne. La précision se mesure généralement par l'erreur absolue moyenne en pourcentage, ou MAPE (mean absolute percentage error) : l'écart moyen entre les prédictions du modèle et les résultats réels. Une prévision de « 1,1 à 1,4 million d'euros avec un intervalle de confiance de 75 % » est plus honnête, et plus utile, qu'une estimation ponctuelle qui suppose une précision que les données ne permettent pas. Les méthodes de prévision traditionnelles affichent un MAPE de 20 % à 35 %, contre 8 % à 20 % pour les méthodes d'apprentissage automatique ; le mode Forecast de Gini by MyTraffic a atteint 9 % de MAPE lors de tests internes. Même resserrée, une fourchette reste une fourchette.

Enfin, montrer le calcul de cannibalisation pour tout site proche d'un magasin existant.

Maintenir le modèle à jour

Un modèle de prévision n'est pas un livrable qu'on construit une fois puis qu'on range. Les marchés bougent, les formats de magasins changent, et un modèle entraîné sur des données vieilles de trois ans s'écarte peu à peu de la performance réelle de vos magasins, sans que personne le remarque, jusqu'au jour où les chiffres ne collent plus.

Reprenez le modèle au moins une fois par an, et plus souvent si vous avez ouvert plusieurs magasins (chacun apporte de nouvelles données d'entraînement), abordé un autre type de marché ou fait évoluer votre format. Ce qui maintient une prévision juste à mesure que l'entreprise grandit, ce n'est pas un modèle plus intelligent construit une fois pour toutes, c'est de meilleures données en entrée et un recalibrage plus fréquent sur les résultats réels.

Ce que cela change pour votre prochaine implantation

Une prévision défendable n'est pas le produit d'une formule unique. Ce sont cinq données d'entrée : performance des comparables, démographie, fréquentation, densité concurrentielle (cannibalisation incluse) et tendances de la catégorie. Elles passent dans un modèle adapté à vos données, se vérifient sur une vraie zone de chalandise plutôt que sur un rayon de distance, et se reprennent à échéance régulière plutôt que de vieillir.

Rien de tout cela n'exige une équipe de data science. Tout exige en revanche des données solides : de vrais contours de zone de chalandise, les déplacements réels des visiteurs, et des comparables choisis sur des critères mesurables, et non sur un vague air de famille. Le mode Forecast de Gini by MyTraffic s'entraîne directement sur la performance de votre réseau et sélectionne le modèle le plus adapté à votre usage, pour prévoir le chiffre d'affaires de n'importe quelle adresse candidate, avec une marge d'erreur affichée, que vous pouvez défendre au lieu de la faire admettre sur parole.

Avant de présenter un chiffre en comité, passez-le au filtre de trois questions : pouvez-vous nommer les trois variables qui le déterminent, tient-il compte de la cannibalisation de vos propres magasins, et la fourchette garderait-elle du sens avec 15 % d'erreur ? Si la réponse est non à l'une d'elles, la prévision n'est pas prête, quoi qu'en dise le tableur.

Questions fréquentes

Existe-t-il une formule pour prévoir le chiffre d'affaires d'un magasin ?

Pas une seule. La prévision de chiffre d'affaires combine plusieurs données d'entrée (comparables, démographie, fréquentation, densité concurrentielle, tendances de la catégorie) dans un modèle choisi en fonction de vos données : régression, arbres de décision, XGBoost ou scoring par catégories. Le résultat est ensuite ajusté pour la cannibalisation si vous exploitez déjà des magasins à proximité.

Quelles sont les principales méthodes de prévision du chiffre d'affaires ?

La régression fonctionne dès que vous disposez de 15 magasins comparables ou plus et d'un lien à peu près linéaire entre les données d'entrée et le chiffre d'affaires. Les arbres de décision gèrent mieux les relations conditionnelles. XGBoost et les autres méthodes d'ensemble gagnent en précision sur de grands jeux de données riches. Le scoring par catégories, qui classe les sites en paliers élevé, moyen ou faible, convient aux enseignes qui ont trop peu de magasins pour une régression précise.

Comment calculer le chiffre d'affaires prévisionnel d'un magasin qui n'a pas encore ouvert ?

Identifiez au moins trois magasins comparables, appariés sur la démographie, la fréquentation et la densité concurrentielle plutôt que sur la proximité. Pondérez chacun selon son degré de similarité avec le site candidat, puis utilisez leur performance réelle pour construire une fourchette de chiffre d'affaires. Un comparable unique ne donne qu'une observation isolée déguisée en prévision.

Quel niveau de cannibalisation est acceptable pour une ouverture près d'un magasin existant ?

Les enseignes acceptent couramment 30 % à 40 % de cannibalisation du chiffre d'affaires prévu d'un nouveau magasin, dès lors que l'ouverture apporte un profit additionnel positif à l'échelle du réseau. Au-delà de 40 %, le dossier doit mettre en balance la perte sur le magasin existant et le gain sur le nouveau, au lieu de traiter les deux comme des décisions séparées.

Quelle est la précision d'une prévision de chiffre d'affaires ?

La précision se mesure généralement par l'erreur absolue moyenne en pourcentage, ou MAPE. Les méthodes traditionnelles se situent entre 20 % et 35 %, les méthodes d'apprentissage automatique entre 8 % et 20 %. Une prévision doit toujours être présentée sous forme de fourchette avec un intervalle de confiance, et non comme un chiffre unique qui suppose une précision que les données ne permettent pas.