Modèles gravitaires : cadrer le potentiel géomarketing
Un modèle gravitaire ne prédit pas le trafic magasin, il formalise une hypothèse de concurrence territoriale
Pour un réseau retail, le potentiel géomarketing est rarement distribué de manière homogène autour des points de vente. Deux magasins séparés de 8 kilomètres peuvent capter des bassins de demande très différents selon leur accessibilité, leur surface commerciale, leur assortiment, la densité de population, la présence concurrentielle, les habitudes de mobilité et la notoriété locale. Les modèles gravitaires servent précisément à objectiver cette tension : ils estiment la probabilité qu’un consommateur, ou une zone de consommateurs, choisisse un point de vente plutôt qu’un autre en fonction de l’attractivité relative des magasins et de la friction de déplacement.
Le principe est ancien, mais il reste stratégique pour le marketing mobile, le Drive-to-Store et la planification locale. Dans une logique d’activation, un annonceur ne cherche pas seulement à savoir où vivent ses clients. Il veut savoir où l’effort média peut modifier une préférence, où un magasin sous-exploite son bassin naturel, où une zone est disputée par un concurrent, et où la pression commerciale risque de cannibaliser un autre point de vente du réseau. Sans cadrage gravitaire, les campagnes géolocalisées s’appuient souvent sur des rayons arbitraires, des codes postaux historiques ou des zones de chalandise héritées du commerce terrain. Ces découpages sont utiles opérationnellement, mais ils ne disent pas toujours où se situe le potentiel incrémental.
Un modèle gravitaire repose sur une intuition simple : plus un magasin est attractif, plus il attire loin ; plus il est difficile d’y accéder, plus sa capacité d’attraction décroît. Cette intuition doit être quantifiée, calibrée et testée. L’attractivité peut être approchée par la surface de vente, le chiffre d’affaires, le nombre de références, le stock, les services, les avis, le parking, les horaires, la marque, la présence en centre commercial ou la profondeur promotionnelle. La friction peut être mesurée par la distance, le temps de trajet, le coût du déplacement, les ruptures urbaines, la congestion ou l’accessibilité en transport. La valeur du modèle ne vient pas de la formule en elle-même, mais de la qualité des variables, de la calibration sur des comportements observés et de l’usage marketing qui en découle.
Pour les directions marketing, le sujet est économique. Une campagne locale peut afficher un CPA, cost per acquisition, coût nécessaire pour générer une conversion attribuée, satisfaisant dans une zone déjà naturellement favorable. Elle peut aussi afficher un ROAS, return on ad spend, ratio entre chiffre d’affaires attribué ou incrémental et dépenses marketing, médiocre dans une zone de conquête où le potentiel long terme est pourtant supérieur. Le modèle gravitaire aide à distinguer la performance facile de la performance utile. Il ne remplace ni les tests ni l’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, mais il fournit une carte structurée des probabilités de choix avant d’acheter des impressions, d’envoyer des SMS ou de déclencher des pushs.
Comprendre les modèles de Reilly et Huff : de la zone théorique à la probabilité de choix
Deux familles sont particulièrement utilisées en géomarketing retail. Le modèle de Reilly, souvent appelé loi de gravitation du commerce de détail, cherche à déterminer un point de rupture entre deux pôles commerciaux. Il suppose que deux villes ou deux magasins attirent des consommateurs proportionnellement à leur taille et inversement à la distance. Dans une version simplifiée, si un magasin A est quatre fois plus attractif qu’un magasin B, son aire d’influence théorique peut s’étendre plus loin, toutes choses égales par ailleurs. Ce modèle est utile pour cadrer des zones de chalandise macroscopiques, mais il reste limité dès que plusieurs magasins, plusieurs concurrents et des comportements hétérogènes entrent en jeu.
Le modèle de Huff est plus adapté au pilotage marketing moderne. Il estime une probabilité de fréquentation d’un magasin par une zone donnée. La probabilité qu’un consommateur choisisse le magasin i dépend de l’attractivité du magasin i divisée par une fonction de distance ou de temps, rapportée à la somme des attractivités pondérées de tous les magasins accessibles. Autrement dit, une zone n’appartient pas exclusivement à un magasin ; elle se répartit probabilistiquement entre plusieurs options. Cette logique est plus réaliste pour les réseaux denses, les centres commerciaux, les enseignes multi-formats et les environnements concurrentiels.
Le paramètre critique est l’élasticité à la distance, parfois appelée distance decay. Il mesure la vitesse à laquelle l’attraction décroît lorsque la friction augmente. Dans la restauration rapide, cette décroissance peut être très forte : quelques minutes de détour suffisent à réduire la probabilité de visite. Dans l’ameublement, le bricolage ou l’automobile, elle est souvent plus faible, car le consommateur accepte un trajet plus long si l’offre, le conseil ou la disponibilité justifie le déplacement. Un même kilomètre n’a donc pas la même valeur selon la catégorie, le moment et le motif de visite.
Un exemple simple illustre la différence. Une zone résidentielle compte 10 000 habitants. Deux magasins de sport sont accessibles : le magasin A à 7 minutes, surface de 900 mètres carrés, offre généraliste ; le magasin B à 16 minutes, surface de 2 800 mètres carrés, stock plus profond et zone test running. Un modèle par distance pure privilégierait A. Un modèle de Huff peut estimer que B capte malgré tout 35 % à 45 % du potentiel de la zone si son attractivité compensatrice est suffisamment forte. Pour une campagne Drive-to-Store sur une animation running, cette zone n’est donc pas forcément secondaire. Elle peut devenir prioritaire si les signaux CRM, customer relationship management, ensemble des outils et méthodes permettant de gérer la relation client à partir de données, de scénarios et de points de contact, montrent une forte appétence pour la catégorie.
La sophistication ne doit toutefois pas masquer les hypothèses. Les modèles gravitaires ne découvrent pas une vérité naturelle ; ils imposent une structure sur la manière dont les consommateurs arbitrent. Si les variables d’attractivité sont pauvres, si les temps de trajet sont approximatifs ou si les concurrents sont absents du périmètre, le modèle peut produire une carte élégante mais trompeuse. La rigueur consiste à expliciter les hypothèses, à les calibrer sur des données observées et à mesurer l’erreur plutôt qu’à présenter la carte comme une certitude.
Choisir les variables d’attractivité : un magasin n’attire pas seulement par sa taille
Historiquement, l’attractivité a souvent été approximée par la surface de vente ou le chiffre d’affaires. Ces variables restent utiles, car elles synthétisent en partie la profondeur d’offre, la visibilité et le rôle commercial du point de vente. Mais elles peuvent introduire des biais importants. Un magasin très performant peut l’être parce qu’il bénéficie d’un emplacement historique favorable, pas parce qu’il convertit mieux toutes les zones environnantes. À l’inverse, un magasin récent peut avoir un chiffre d’affaires faible mais un potentiel élevé non encore activé.
Pour cadrer un potentiel géomarketing exploitable, l’attractivité doit être multidimensionnelle. Les variables physiques incluent la surface, le format, le parking, l’accessibilité piétonne, la proximité de transports, la présence en retail park ou centre commercial, les horaires et la capacité de retrait. Les variables commerciales incluent l’assortiment, le stock disponible, les catégories différenciantes, le niveau de prix, la fréquence promotionnelle, les services, la qualité de conseil et les avis clients. Les variables relationnelles incluent le nombre de clients CRM rattachés, la récence d’achat, la fréquence, le montant, le statut fidélité, la valeur client attendue et l’appétence par catégorie.
La pondération de ces variables dépend de l’objectif. Pour une campagne de déstockage, le stock local et la sensibilité promotionnelle pèsent davantage que la notoriété du magasin. Pour une campagne de prise de rendez-vous en optique, la disponibilité des créneaux, la confiance, les avis et la proximité domicile-travail peuvent être plus déterminants que la surface. Pour un lancement produit premium, la clientèle à forte valeur et la capacité de démonstration peuvent primer. Le modèle gravitaire doit donc être conçu comme un outil de décision par cas d’usage, pas comme une carte universelle figée.
Une pratique robuste consiste à créer plusieurs scores d’attractivité. Un score structurel mesure la puissance permanente du magasin : surface, localisation, accès, services. Un score commercial mesure sa capacité actuelle à porter une offre : stock, marge, prix, disponibilité de l’équipe, temps d’attente. Un score relationnel mesure la densité et la valeur de la base client autour du point de vente. Selon la campagne, on combine ces scores différemment. Cette approche évite qu’un magasin historiquement puissant absorbe mécaniquement tout le potentiel, alors qu’un magasin plus petit peut être plus pertinent sur une catégorie ou un segment.
Il faut aussi intégrer la concurrence. Un modèle limité au réseau de l’annonceur surestime souvent les zones proches et sous-estime les arbitrages réels. La présence de concurrents, leur format, leurs prix, leurs avis, leurs services, leurs horaires et leur intensité promotionnelle modifient la probabilité de choix. Dans certaines catégories, l’attractivité concurrente peut être approchée par des données de points d’intérêt, des panels de fréquentation, des recherches locales ou des observations terrain. Même imparfaite, cette couche concurrentielle améliore fortement la lecture. Sans elle, le modèle explique surtout la proximité interne, pas le potentiel de conquête.
Calibrer la friction : distance, temps de trajet et mobilité réelle ne racontent pas la même histoire
La friction de déplacement est le second pilier du modèle. Le choix le plus simple consiste à utiliser la distance à vol d’oiseau. C’est rarement suffisant. En ville dense, 800 mètres peuvent représenter 10 minutes à pied avec plusieurs traversées, ou 4 minutes si l’itinéraire est direct. En périphérie, 5 kilomètres peuvent être anodins en voiture ou dissuasifs si l’accès impose un détour. Le temps de trajet, calculé par isochrone, zone définie selon une durée d’accès estimée, est généralement plus pertinent que le rayon. Mais il doit être contextualisé.
La mobilité varie selon les moments. Le trajet domicile-magasin n’est pas le seul déterminant. Un consommateur peut être plus proche d’un point de vente pendant sa journée de travail, après le sport, lors du trajet école ou pendant une séquence shopping le week-end. Pour le marketing mobile, cette distinction est majeure. Une campagne géolocalisée autour du domicile peut manquer des opportunités de passage. À l’inverse, une activation près d’une zone de bureaux peut être efficace en semaine mais inutile le samedi. Le modèle gravitaire gagne donc à intégrer des temporalités : semaine versus week-end, heures d’ouverture, pics de trafic, météo, événements locaux.
L’élasticité à la distance doit être calibrée par catégorie. Une valeur trop forte enferme le modèle dans une proximité excessive. Une valeur trop faible donne une influence irréaliste aux magasins très attractifs mais éloignés. La calibration peut se faire à partir de données transactionnelles géocodées, de codes postaux clients, de cartes de fidélité, de visites magasin estimées, de demandes d’itinéraire ou d’enquêtes origine-destination. L’objectif est d’observer comment la probabilité d’achat ou de visite décroît réellement avec le temps d’accès, puis d’ajuster le paramètre.
Un réseau alimentaire de proximité peut constater que 70 % des visites fidélisées viennent de moins de 8 minutes à pied ou en voiture, avec une chute rapide au-delà de 12 minutes. Une enseigne de bricolage peut observer que 50 % de ses clients parcourent plus de 15 minutes et que les paniers les plus élevés viennent parfois de zones plus éloignées. Une enseigne de mode en centre commercial peut dépendre moins du temps direct au magasin que de l’attractivité globale du pôle. Ces profils imposent des courbes différentes. Appliquer un seul paramètre de friction à tout un portefeuille d’enseignes ou de formats produit une moyenne peu actionnable.
La friction doit enfin intégrer les contraintes opérationnelles. Un magasin peut être proche mais peu désirable si le parking est saturé, si le stock est faible ou si les horaires sont incompatibles avec les usages locaux. Inversement, un magasin plus éloigné peut capter davantage si le retrait est rapide, le conseil meilleur ou le choix plus large. Dans un modèle orienté activation, la friction n’est pas seulement géographique ; elle est expérientielle. Elle mesure l’effort total que le consommateur doit consentir pour obtenir la valeur promise.
Transformer le potentiel gravitaire en segments d’activation : défendre, conquérir, réallouer
La sortie d’un modèle gravitaire ne devrait pas être seulement une carte colorée. Elle doit produire des segments exploitables par les équipes média, CRM, retail et analytics. Une première segmentation consiste à croiser potentiel théorique et performance observée. Quatre cas apparaissent. Les zones à fort potentiel et forte performance sont des zones de défense : elles justifient une pression mesurée pour maintenir la préférence et éviter la capture concurrentielle. Les zones à fort potentiel et faible performance sont des zones de conquête ou de sous-exploitation : elles méritent un diagnostic prioritaire. Les zones à faible potentiel et forte performance peuvent révéler une anomalie positive, un bassin de clients très fidèles ou un effet d’emplacement non capturé. Les zones à faible potentiel et faible performance doivent souvent être exclues des campagnes d’activation directe.
Cette matrice évite deux erreurs fréquentes. La première consiste à surinvestir les zones qui convertissent déjà bien, parce qu’elles produisent un reporting flatteur. La seconde consiste à abandonner des zones difficiles mais à fort potentiel, où une amélioration de l’offre, du message ou de la pression locale pourrait créer de l’incrémentalité. L’incrémentalité désigne l’effet additionnel réellement causé par la campagne par rapport à ce qui se serait produit sans exposition. Sans cette distinction, le budget se déplace vers les territoires les plus faciles à attribuer, pas vers ceux qui créent le plus de valeur.
Un cas concret permet de cadrer l’usage. Une enseigne d’équipement de la maison possède 85 magasins. Le modèle gravitaire identifie 1 200 zones IRIS, maillage statistique infra-communal, avec un potentiel supérieur à la moyenne. Parmi elles, 320 zones affichent une part de clients enseigne inférieure de 25 % à ce que le modèle prédit, alors que la concurrence y est modérée et que le temps d’accès est inférieur à 18 minutes. Ces zones deviennent des cibles de conquête. L’activation ne se limite pas à un message générique : les créations mettent en avant le stock local, la livraison, le conseil projet et la disponibilité de rendez-vous. Les audiences CRM intentionnistes y reçoivent une pression plus directe, tandis que les prospects froids sont exposés à des formats de preuve et de considération.
À l’inverse, le modèle peut révéler des zones où le potentiel apparent est faible malgré une proximité géographique. Si un rayon de 5 kilomètres inclut des populations séparées par une barrière naturelle, une autoroute ou des habitudes de mobilité orientées vers un pôle concurrent, la campagne locale risque de gaspiller du budget. Dans une DSP, demand-side platform, plateforme permettant aux annonceurs d’acheter des impressions publicitaires de manière automatisée, ces zones doivent être plafonnées ou exclues. Le RTB, real-time bidding, mécanisme d’enchères en temps réel pour acheter une impression disponible, permet ensuite d’ajuster les enchères selon le score de potentiel, l’intention, le contexte et la valeur attendue.
Le modèle gravitaire peut aussi guider la réallocation entre magasins. Dans un réseau dense, deux points de vente d’une même enseigne peuvent se cannibaliser. Une campagne attribuée au magasin A peut générer une vente dans le magasin B, plus pratique au moment de l’achat. La lecture gravitaire aide à définir des zones de partage, où l’objectif doit être la performance réseau plutôt que la performance magasin. Elle aide également à éviter les conflits d’activation locale, par exemple deux directeurs de magasin qui poussent des offres différentes sur la même zone de chalandise probabiliste.
Mesurer et challenger le modèle : backtesting, holdout et erreurs d’interprétation
Un modèle gravitaire doit être évalué comme tout modèle prédictif. La première étape est le backtesting, c’est-à-dire la comparaison entre les prédictions du modèle et des données historiques non utilisées pour le construire. Si le modèle prédit qu’une zone devrait se répartir à 60 % vers le magasin A et 40 % vers le magasin B, les transactions CRM, visites estimées ou demandes d’itinéraire doivent se rapprocher de cette distribution, en tenant compte du bruit. Les erreurs doivent être analysées par typologie de territoire, format de magasin, catégorie et saison.
Les métriques de validation peuvent être simples. On peut mesurer l’écart moyen entre part prédite et part observée, la capacité du modèle à classer correctement les zones à fort potentiel, ou la corrélation entre score gravitaire et ventes par habitant exposable. Mais il faut éviter une validation purement descriptive. Un modèle peut bien expliquer le passé et mal guider l’activation future si le comportement a changé, si un concurrent a ouvert, si le stock évolue ou si le réseau modifie ses services. La maintenance du modèle est donc essentielle.
Le modèle doit aussi être challengé par des tests d’activation. Par exemple, sélectionner des zones à fort potentiel sous-exploité, les apparier à des zones témoins comparables, puis mesurer l’effet d’une campagne locale. Un groupe de contrôle, population comparable non exposée ou moins exposée, permet d’estimer l’uplift, augmentation incrémentale de visites ou de ventes attribuable à l’action. Si les zones à haut score produisent un uplift supérieur aux zones à score moyen, le modèle gagne en crédibilité opérationnelle. Si l’écart n’apparaît pas, il faut vérifier les variables, la création, le niveau de pression, la mesure et l’hypothèse commerciale.
La différence-en-différences est un framework utile. Elle compare l’évolution d’une zone exposée avant et après campagne à l’évolution d’une zone témoin comparable sur la même période. Si une zone ciblée progresse de 9 % et sa zone témoin de 4 %, l’effet estimé est de 5 points, sous réserve que les tendances auraient été parallèles sans campagne. Ce type d’analyse est particulièrement important lorsque le modèle gravitaire sert à justifier une réallocation budgétaire. Sans mesure incrémentale, le risque est de confondre potentiel, attribution et causalité.
Plusieurs erreurs d’interprétation reviennent souvent. La première est de traiter la probabilité gravitaire comme une certitude individuelle. Le modèle opère au niveau zone ou cohorte ; il ne dit pas qu’un consommateur précis choisira tel magasin. La deuxième est de confondre potentiel commercial et potentiel média. Une zone peut être attractive économiquement mais difficile à activer si l’inventaire mobile est faible, si les identifiants sont peu disponibles ou si le consentement limite l’adressabilité. La troisième est d’ignorer la marge. Un bassin peut générer du chiffre d’affaires mais peu de contribution si les achats sont très promotionnels ou logistiquement coûteux.
Intégrer le modèle dans la gouvernance omnicanale : du géomarketing à l’exécution mobile
La valeur d’un modèle gravitaire dépend de son intégration dans les décisions quotidiennes. S’il reste dans un outil de cartographie consulté une fois par an, son impact sera limité. Il doit alimenter les plans média locaux, les ciblages CRM, les règles de pression, les arbitrages de stock, les priorités de conquête et les tableaux de bord magasin. Cette intégration suppose une gouvernance claire entre marketing, data, retail, commerce, e-commerce et agences média.
Dans le funnel, parcours allant de l’exposition à la considération, puis à la conversion et à la fidélisation, le score gravitaire peut jouer plusieurs rôles. En haut de funnel local, il sert à prioriser les zones où construire la préférence. En milieu de funnel, il ajuste le message selon les frictions : proximité, accessibilité, service, stock, preuve concurrentielle. En bas de funnel, il module la pression sur les audiences intentionnistes : clients ayant consulté un produit, abandonné un panier, recherché un itinéraire ou ouvert une communication locale. L’objectif est d’éviter de traiter toutes les personnes présentes dans une zone comme équivalentes.
En activation programmatique, le score peut être utilisé pour structurer les budgets par clusters de potentiel. Les zones à potentiel élevé et concurrence forte peuvent recevoir des enchères plus hautes, mais avec des créations de différenciation. Les zones à potentiel élevé et performance faible peuvent être testées avec des messages de preuve, des coupons ou des offres de service. Les zones à potentiel faible peuvent être plafonnées pour éviter que l’algorithme optimise seulement vers l’inventaire bon marché. Les plateformes automatisent l’achat, mais elles optimisent sur les signaux qu’on leur donne. Un mauvais proxy, comme le clic seul, peut détourner le budget de l’objectif magasin.
En CRM mobile, le modèle permet de mieux arbitrer entre SMS, push, email et in-app. Un SMS, canal très visible mais relationnellement coûteux, doit être réservé aux zones et segments où la probabilité d’action justifie la pression. Une notification push peut être déclenchée pour les clients proches d’un magasin favori ou d’un stock pertinent, mais plafonnée si le score gravitaire est faible. L’email peut porter des messages de considération sur des zones plus éloignées. L’in-app peut personnaliser les contenus magasin sans interrompre l’utilisateur. Le modèle gravitaire devient alors une couche de décision, pas seulement une couche de reporting.
Il faut cependant accepter que le modèle ne décide pas seul. Le terrain peut invalider une recommandation : travaux, équipe insuffisante, rupture de stock, concurrence temporaire, événement local, contrainte juridique ou saisonnalité atypique. La bonne gouvernance combine la donnée et la connaissance opérationnelle. Les responsables de magasin doivent pouvoir signaler des anomalies, mais ces retours doivent être structurés et vérifiés. À l’inverse, les équipes centrales doivent éviter de corriger le modèle à chaque intuition locale sans preuve. La discipline consiste à créer une boucle d’apprentissage.
Conclusion : cadrer le potentiel avant d’activer, puis apprendre à partir du réel
Les modèles gravitaires sont puissants lorsqu’ils sont utilisés pour ce qu’ils sont : des cadres probabilistes de décision territoriale. Ils ne remplacent ni l’observation du terrain, ni les tests, ni la mesure incrémentale. Ils permettent en revanche de mieux poser la question stratégique : dans quelles zones un point de vente a-t-il une légitimité d’attraction, où cette légitimité est-elle sous-exploitée, où la concurrence capte-t-elle une demande accessible, et où l’activation mobile risque-t-elle de payer des conversions qui auraient eu lieu sans elle ?
Une feuille de route actionnable peut se structurer en huit étapes. Premièrement, définir l’usage prioritaire du modèle : ouverture, réallocation média, Drive-to-Store, conquête, défense, cannibalisation ou pilotage CRM. Deuxièmement, construire un score d’attractivité multidimensionnel intégrant magasin, offre, stock, service, clientèle et concurrence. Troisièmement, calibrer la friction avec des temps de trajet et des courbes de distance adaptées à la catégorie. Quatrièmement, intégrer les concurrents et les pôles commerciaux, même avec des données imparfaites. Cinquièmement, croiser potentiel prédit et performance observée pour identifier les zones de défense, de conquête, d’anomalie et d’exclusion. Sixièmement, connecter les scores aux activations DSP, CRM, SMS, push et in-app avec des règles de pression différenciées. Septièmement, mesurer l’incrémentalité par tests géographiques, holdout ou différence-en-différences. Huitièmement, réentraîner le modèle avec les résultats de campagne, les évolutions de réseau et les signaux terrain.
L’arbitrage final est moins technique qu’organisationnel. Les modèles gravitaires échouent rarement parce que la formule est insuffisante ; ils échouent parce que les données sont pauvres, les hypothèses non discutées, les concurrents oubliés, ou les résultats non reliés à l’exécution marketing. À l’inverse, même un modèle relativement simple peut créer de la valeur s’il est calibré, challengé et intégré aux décisions. Pour les professionnels du marketing mobile et local, le potentiel géomarketing n’est pas une surface à couvrir. C’est une probabilité à influencer, dans un territoire concurrentiel, avec une promesse opérationnellement tenable et une mesure capable de distinguer attribution et causalité.
