Données de mobilité : qualifier les visites sans bruit de fond
Le vrai enjeu n’est pas de compter des visites, mais d’isoler les présences qui traduisent une intention commerciale
Les données de mobilité sont devenues un pilier des stratégies Drive-to-Store, du géomarketing et de la mesure locale. Elles permettent, en théorie, de relier une exposition mobile à un déplacement physique, puis d’optimiser les budgets par zone, magasin, audience ou moment. Mais cette promesse repose sur une condition souvent sous-estimée : toutes les présences détectées autour d’un point de vente ne sont pas des visites. Une personne qui traverse une galerie commerciale, attend un bus devant un magasin, travaille à l’étage supérieur, habite dans l’immeuble voisin ou passe en voiture le long d’une zone commerciale ne doit pas être interprétée comme un client potentiel.
Cette confusion crée ce que les équipes data et média appellent le bruit de fond : un ensemble de signaux géolocalisés techniquement observables, mais faiblement pertinents pour mesurer une intention, une visite ou une conversion magasin. Dans un reporting marketing, ce bruit peut produire des effets très concrets : surestimation du trafic incrémental, baisse artificielle du coût par visite, mauvais arbitrage entre canaux, survalorisation d’un magasin situé dans une zone très passante, ou attribution de ventes à des campagnes qui n’ont joué aucun rôle causal.
Pour des professionnels du marketing mobile, l’enjeu n’est donc pas seulement d’accéder à des données de localisation. Il est de qualifier les visites avec une méthodologie robuste : précision du signal, définition du périmètre, durée de présence, fréquence, contexte du lieu, temporalité, exposition média, comparaison à un groupe témoin et rapprochement éventuel avec des données 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. Sans cette rigueur, la donnée de mobilité devient un indicateur séduisant mais fragile.
Le sujet est stratégique car le Drive-to-Store, stratégie visant à générer du trafic qualifié vers un point de vente physique, est souvent évalué sur des métriques intermédiaires : visites observées, coût par visite, demandes d’itinéraire, coupons activés, taux de clic. Or, dans un contexte où les budgets médias sont arbitrés au ROAS, return on ad spend, ratio entre chiffre d’affaires attribué et dépenses marketing, une mauvaise qualification des visites peut conduire à déplacer des budgets vers des leviers qui génèrent surtout du passage mesuré, non de la valeur incrémentale. La donnée de mobilité ne doit pas être traitée comme une preuve automatique ; elle doit être construite comme un signal probabiliste à nettoyer, pondérer et valider.
Définir une visite : précision géographique, durée de présence et intention ne se confondent pas
La première étape consiste à définir ce que l’on appelle une visite. Une visite magasin n’est pas une simple présence dans un rayon de 50 ou 100 mètres. C’est un événement qualifié combinant au moins trois dimensions : un individu ou device localisé, un lieu correctement délimité et un comportement compatible avec une entrée ou une interaction commerciale. Cette définition paraît évidente, mais elle est rarement appliquée avec assez de discipline dans les reportings Drive-to-Store.
Le premier paramètre est la précision géographique. Les signaux de mobilité peuvent provenir du GPS, du Wi-Fi, du Bluetooth, des SDK applicatifs, des réseaux cellulaires ou de partenaires de mesure. Tous n’ont pas la même granularité. Un signal GPS consenti peut être précis à quelques mètres dans de bonnes conditions, mais se dégrader en intérieur, en centre commercial dense ou en zone urbaine verticale. Un signal cellulaire peut être utile pour des analyses de zones, mais insuffisant pour distinguer deux enseignes côte à côte. La précision déclarée par un fournisseur ne suffit pas ; il faut analyser la distribution réelle des points, le taux de signaux aberrants, la fréquence de collecte et la capacité à distinguer l’intérieur du point de vente de son environnement immédiat.
Le deuxième paramètre est le périmètre du lieu, souvent appelé POI, point of interest, c’est-à-dire une entité géographique représentant un magasin, une agence, un restaurant ou un lieu commercial. Un POI peut être défini par un simple point central et un rayon, ou par un polygone précis correspondant à l’emprise réelle du magasin. Le rayon est simple à mettre en œuvre, mais souvent bruité. Un magasin de centre-ville situé sur une avenue passante peut capter des milliers de passants qui n’entrent jamais. Un polygone ajusté au bâtiment ou à la cellule commerciale réduit ce biais, mais demande une base géographique plus coûteuse à maintenir.
Le troisième paramètre est le dwell time, durée de présence observée dans un lieu. Une présence de 15 secondes autour d’un magasin de sport n’a pas la même signification qu’une présence de 12 minutes. Le seuil doit dépendre de la catégorie. Pour une boulangerie ou un commerce de restauration rapide, une visite de deux à quatre minutes peut être plausible. Pour une enseigne de bricolage, d’ameublement ou d’optique, un seuil de dix à vingt minutes peut mieux refléter une interaction réelle. Un seuil trop bas augmente le volume mais dégrade la qualité. Un seuil trop haut élimine des visites rapides mais réelles, par exemple un retrait click-and-collect.
La fréquence de présence apporte aussi une lecture critique. Un device observé cinq jours par semaine de 9 h à 18 h dans un centre commercial est probablement celui d’un salarié, pas d’un client. Un device observé chaque nuit près d’un magasin de proximité peut correspondre à un résident. Ces profils doivent être exclus ou pondérés dans la mesure. La qualification des visites exige donc des règles de détection des employés, riverains, livreurs, passants récurrents et trajets routiers. C’est précisément dans cette capacité à séparer le comportement commercial du comportement de proximité que se joue la valeur de la donnée de mobilité.
Nettoyer le bruit de fond : les filtres indispensables avant toute mesure marketing
Une donnée de mobilité brute ne doit jamais être utilisée directement pour calculer un coût par visite ou un uplift magasin. Elle doit passer par une chaîne de nettoyage. Le premier filtre porte sur la qualité du signal. Il faut exclure les points avec une précision insuffisante, les coordonnées impossibles, les signaux dupliqués, les devices présentant des trajectoires incohérentes ou des vitesses incompatibles avec une visite. Un device détecté à deux endroits distants de 20 kilomètres à deux minutes d’intervalle doit être considéré comme suspect. Un signal localisé au centre d’un pâté de maisons avec une incertitude de 80 mètres ne doit pas être attribué à une boutique de 120 mètres carrés.
Le deuxième filtre concerne la géométrie. Les enseignes situées dans des environnements complexes, centres commerciaux, gares, aéroports, rues commerçantes denses, zones commerciales multi-enseignes, demandent des règles plus strictes que les magasins isolés. Dans une galerie, il est souvent nécessaire de combiner polygone, durée minimale, entrée par zone, historique de trajectoire et exclusion des couloirs communs. Dans une zone commerciale, il faut éviter d’attribuer à une enseigne les clients venus pour un magasin voisin. La qualité du référentiel de POI devient alors aussi importante que la qualité du signal mobile.
Le troisième filtre porte sur la temporalité. Une visite doit être compatible avec les horaires d’ouverture. Les présences nocturnes autour d’un point de vente fermé peuvent correspondre à des résidents, salariés, services de nettoyage, livraisons ou erreurs de localisation. Elles ne doivent pas alimenter une mesure de performance commerciale, sauf cas spécifiques comme les stations-service, les drives automatisés ou les commerces ouverts tard. De même, les jours de fermeture exceptionnelle, travaux, inventaires ou événements locaux doivent être intégrés dans l’analyse pour éviter des interprétations erronées.
Le quatrième filtre concerne les populations structurellement non clientes. Les employés sont le cas le plus évident. Une règle fréquente consiste à exclure les devices observés de façon répétée dans le même magasin sur plusieurs jours, avec une présence longue et régulière. Par exemple, plus de quatre présences par semaine, chacune supérieure à trois heures, sur une période de deux semaines, peut signaler un salarié. Les riverains peuvent être exclus via des présences nocturnes répétées dans un périmètre proche. Les commuters, usagers en transit, peuvent être détectés par des passages courts, réguliers et linéaires à des heures de pointe.
Le cinquième filtre est contextuel. Une boutique située dans une gare captera naturellement des flux qui ne relèvent pas tous d’une intention d’achat. Une enseigne dans un centre commercial très dense peut bénéficier d’une forte proximité sans être visitée. À l’inverse, un magasin en périphérie avec parking dédié aura un signal plus facile à interpréter. Les règles de qualification doivent donc être paramétrées par typologie de lieu. Une seule règle nationale, par exemple présence de plus de cinq minutes dans un rayon de 50 mètres, est rarement acceptable pour un réseau omnicanal hétérogène.
Un exemple illustre l’impact. Une enseigne de prêt-à-porter analyse une campagne mobile autour de 60 magasins. La mesure brute indique 42 000 visites post-exposition. Après exclusion des signaux imprécis, le volume tombe à 31 500. Après application des polygones au lieu des rayons, il descend à 24 800. Après suppression des employés et passants récurrents, il atteint 19 200. Après filtrage par horaires d’ouverture et dwell time adapté, la base qualifiée est de 16 700 visites. Le coût par visite, initialement estimé à 1,90 euro pour un budget de 80 000 euros, passe à 4,79 euros. La campagne n’est pas nécessairement mauvaise, mais son économie réelle est très différente de celle suggérée par la donnée brute.
Relier mobilité et funnel local : du passage observé à la valeur commerciale
La donnée de mobilité prend tout son sens lorsqu’elle est replacée dans le funnel, parcours allant de l’exposition à la considération, puis à la conversion et à la fidélisation. Une visite qualifiée n’est pas toujours une conversion, mais elle peut représenter un signal d’intention plus fort qu’un clic. Entre une impression mobile et un achat en magasin, plusieurs étapes existent : exposition publicitaire, attention, interaction, intention locale, déplacement, entrée en magasin, achat, réachat. La mobilité intervient surtout au niveau du déplacement et de la visite, mais elle ne remplace ni la mesure d’attention ni les données transactionnelles.
Dans une campagne mobile achetée en programmatique, les impressions peuvent être diffusées via une DSP, demand-side platform, plateforme permettant aux annonceurs d’acheter automatiquement des impressions publicitaires. Le RTB, real-time bidding, mécanisme d’enchères en temps réel permettant d’acheter une impression lorsqu’elle devient disponible, permet d’ajuster la diffusion selon l’audience, le contexte, le device, la localisation probable ou la valeur estimée. Mais une impression servie à proximité d’un magasin ne prouve pas qu’elle a généré une visite. La donnée de mobilité peut aider à mesurer les visites post-exposition, à condition de distinguer corrélation et causalité.
L’attribution, méthode qui assigne une conversion à un ou plusieurs points de contact marketing, devient ici délicate. Un client peut être exposé à une publicité mobile, recevoir un SMS, chercher l’enseigne sur une carte, se rendre en magasin, puis acheter avec sa carte de fidélité. Le last click, modèle attribuant toute la conversion au dernier point de contact, sous-estime souvent les expositions amont. À l’inverse, attribuer toute visite post-exposition à la campagne surestime son impact si l’audience exposée avait déjà une forte propension à visiter le magasin. La mobilité fournit un événement observé ; elle ne suffit pas à établir un effet causal.
Pour progresser, il faut distinguer trois métriques. La première est la visite observée : un device qualifié est détecté dans un POI selon des règles définies. La deuxième est la visite attribuée : cette visite est reliée à une exposition, un clic, un coupon ou un contact CRM selon une fenêtre temporelle. La troisième est la visite incrémentale : elle représente la part de visites qui n’aurait pas eu lieu sans la campagne, estimée par un groupe de contrôle ou un modèle statistique. Les directions marketing devraient éviter de piloter leur CPA, cost per acquisition, coût nécessaire pour générer une conversion attribuée, sur des visites observées non incrémentales.
La fenêtre d’attribution doit également être calibrée. Pour une campagne de restauration rapide, une fenêtre de 24 à 48 heures peut être pertinente. Pour l’ameublement, l’automobile, l’optique ou l’équipement de la maison, le cycle de décision peut s’étendre sur plusieurs jours ou semaines. Une fenêtre trop courte sous-estime l’effet de considération. Une fenêtre trop longue augmente le bruit, car davantage de visites auraient pu se produire pour d’autres raisons. Une approche rigoureuse consiste à tester plusieurs fenêtres, par exemple J+1, J+3, J+7 et J+14, et à comparer l’écart entre exposés et témoins.
La mobilité doit enfin être rapprochée de la valeur commerciale. Une visite magasin peut être non acheteuse, mais utile si elle précède un achat en ligne, un rendez-vous, une inscription fidélité ou un réachat ultérieur. À l’inverse, une visite nombreuse peut générer peu de chiffre d’affaires si elle concerne des passants faiblement intentionnistes. Lorsque les données le permettent, l’analyse doit rapprocher visite qualifiée, transaction caisse, marge, panier moyen et récurrence. C’est cette chaîne qui permet de passer du coût par visite au ROAS local, puis au ROAS marge, c’est-à-dire au ratio entre marge incrémentale et dépenses marketing.
Mesurer l’incrémentalité : groupes de contrôle, zones témoins et biais à documenter
La mesure incrémentale est le garde-fou principal contre le bruit de fond stratégique. Elle répond à une question simple et exigeante : combien de visites qualifiées la campagne a-t-elle réellement ajoutées par rapport à ce qui se serait produit naturellement ? Sans cette étape, une campagne ciblant les clients déjà proches, déjà intentionnistes ou déjà fidèles peut sembler très performante alors qu’elle capte surtout des comportements existants.
La méthode la plus lisible est le groupe de contrôle individuel. Sur une population adressable, par exemple des utilisateurs opt-in ou des audiences CRM activables en média, on réserve une partie non exposée. Si 900 000 personnes sont exposées à une campagne et 100 000 conservées en holdout, groupe témoin non exposé, l’écart de visites qualifiées entre les deux groupes permet d’estimer l’uplift. Supposons que le groupe exposé présente 4,8 % de visites qualifiées en sept jours et le groupe témoin 4,1 %. L’incrément est de 0,7 point. Sur 900 000 exposés, cela représente 6 300 visites incrémentales. Si la campagne coûte 95 000 euros, le coût par visite incrémentale est de 15,08 euros. Ce chiffre est beaucoup plus décisionnel qu’un coût par visite attribuée calculé sur toutes les visites post-exposition.
Cette méthode fonctionne surtout lorsque l’annonceur contrôle l’exposition, par exemple en CRM mobile, SMS, push, RCS ou audiences first-party activées. Elle est plus complexe en achat programmatique ouvert, car l’exposition dépend des enchères, de l’inventaire disponible, du capping, de la concurrence et de la capacité de matching. Dans ce cas, les tests géographiques sont souvent utiles. Certains magasins ou zones sont exposés, d’autres servent de témoins. L’analyse compare l’évolution des visites qualifiées avant, pendant et après campagne, en tenant compte des historiques, de la saisonnalité et du potentiel local.
Un test géographique robuste ne se limite pas à comparer deux villes. Il faut apparier les zones sur des critères pertinents : trafic historique, taille du magasin, chiffre d’affaires, densité commerciale, concurrence, typologie urbaine, météo, calendrier promotionnel, jours d’ouverture, accessibilité. La méthode difference-in-differences, approche statistique comparant l’évolution d’un groupe exposé et d’un groupe témoin avant et après intervention, est souvent adaptée. Elle permet de neutraliser une partie des tendances communes, par exemple une hausse nationale du trafic liée aux soldes.
Les biais doivent être explicitement documentés. Le premier est le biais de consentement : les devices mesurables ne représentent pas nécessairement toute la clientèle. Les utilisateurs ayant accepté la géolocalisation peuvent être plus mobiles, plus jeunes ou plus utilisateurs d’applications. Le deuxième est le biais d’environnement : les magasins en zones denses génèrent davantage de signaux bruités. Le troisième est le biais de média : les personnes exposées peuvent déjà être plus proches ou plus appétentes que les non exposées. Le quatrième est le biais de fenêtre : plus la période d’observation s’allonge, plus le risque d’attribuer des visites organiques augmente.
La rigueur consiste à présenter les résultats avec leurs hypothèses. Un reporting mature devrait indiquer le volume brut, le volume filtré, le taux d’exclusion, les seuils de dwell time, la fenêtre d’attribution, la part de POI en environnement complexe, la méthode de contrôle et les intervalles de confiance lorsque disponibles. Cette transparence ne rend pas la mesure moins utile ; elle la rend plus crédible auprès des équipes finance, data et retail.
Exploiter les visites qualifiées pour optimiser médias, audiences et points de vente
Une fois les visites correctement qualifiées, la donnée de mobilité devient un outil d’optimisation, pas seulement de reporting. Elle permet de comprendre quelles combinaisons de canal, audience, distance, créatif, moment et magasin génèrent des déplacements réellement pertinents. Le premier axe d’analyse est la distance au point de vente. Une visite qualifiée issue d’un utilisateur situé à moins de 500 mètres au moment de l’exposition ne raconte pas la même histoire qu’une visite déclenchée depuis une zone résidentielle située à huit kilomètres. La première peut relever d’une activation opportuniste ; la seconde indique une capacité de déplacement plus forte, mais exige probablement une promesse plus différenciante.
Le deuxième axe est l’audience. Les segments CRM doivent être analysés au regard de leur uplift, pas seulement de leur taux de visite. Un client très fidèle peut afficher un taux de visite élevé après exposition, mais un faible incrément s’il serait venu de toute façon. Un client dormant depuis six mois peut afficher un taux de visite plus faible, mais un uplift plus élevé et une valeur stratégique supérieure. La méthode RFM, récence, fréquence, montant, segmentation classant les clients selon la date du dernier achat, la fréquence et la valeur dépensée, reste utile, mais elle doit être complétée par l’intention récente, la distance et l’historique de visites.
Le troisième axe est le créatif. Les données de mobilité permettent de comparer des messages orientés promotion, service, disponibilité produit, événement local ou rendez-vous. Un message « -30 % aujourd’hui » peut générer beaucoup de visites, mais avec une marge faible. Un message « produit disponible dans votre magasin, retrait en deux heures » peut générer moins de visites mais davantage d’achats intentionnistes. La qualification des visites aide à éviter le piège du volume apparent : toutes les visites ne valent pas le même investissement.
Le quatrième axe est le magasin. Un réseau omnicanal comprend souvent des points de vente très différents : magasins de centre-ville, périphérie, centre commercial, retail park, zones touristiques, zones résidentielles. La même campagne peut produire des visites qualifiées dans certains environnements et du bruit dans d’autres. Les données de mobilité permettent d’identifier les magasins où le média local modifie réellement le comportement, ceux où le trafic organique domine, et ceux où la promesse créative n’est pas alignée avec la réalité opérationnelle.
Un exemple concret peut illustrer l’arbitrage. Une enseigne d’équipement sportif active une campagne mobile pour promouvoir une nouvelle gamme running. Le reporting brut montre que les magasins de centre-ville génèrent le plus grand nombre de visites post-exposition. Après filtrage, les retail parks affichent moins de volume mais un taux de visites qualifiées supérieur. Après rapprochement caisse, les visites des retail parks présentent un panier moyen de 82 euros contre 51 euros en centre-ville, avec une marge plus élevée. Après groupe de contrôle, l’uplift centre-ville tombe à 0,3 point, contre 1,1 point en périphérie. La décision média change : plutôt que d’augmenter mécaniquement le budget sur les zones les plus passantes, l’enseigne renforce les zones où la campagne génère un déplacement intentionnel et rentable.
Cette logique doit également nourrir le media buying. En programmatique, les segments de localisation peuvent être réévalués selon leur contribution incrémentale. En CRM mobile, les règles de pression peuvent être ajustées selon la propension réelle à visiter. En géomarketing, les rayons de ciblage peuvent varier selon densité urbaine, temps de trajet, concurrence et catégorie. Une donnée de mobilité bien qualifiée ne sert pas seulement à prouver que la campagne a fonctionné ; elle sert à décider où ne plus investir.
Gouvernance, consentement et limites : la qualité de la donnée est aussi une question de confiance
La collecte et l’usage des données de mobilité doivent respecter un cadre juridique et relationnel strict. La géolocalisation est une donnée sensible dans l’expérience utilisateur, même lorsqu’elle n’est pas juridiquement qualifiée de donnée sensible au sens strict. Elle révèle des déplacements, des habitudes et parfois des lieux de vie. Les annonceurs doivent s’assurer que les données utilisées reposent sur un consentement valide, documenté et proportionné, avec des finalités claires. La conformité ne doit pas être considérée comme une contrainte annexe ; elle conditionne la pérennité du levier.
Le consentement influence aussi la qualité de mesure. Plus les restrictions de tracking augmentent, plus les panels géolocalisés peuvent se réduire ou se biaiser. Il devient alors dangereux d’extrapoler sans prudence. Un panel de mobilité peut rester utile s’il est stable, documenté et calibré, mais il ne doit pas être présenté comme une vision exhaustive de tous les clients. Les directions marketing doivent demander aux partenaires des informations précises : sources de données, fréquence de rafraîchissement, méthode d’anonymisation, taux de couverture, règles d’exclusion, précision moyenne, contrôle qualité des POI, politique de conservation.
La gouvernance doit aussi couvrir les usages. Les données de mobilité sont pertinentes pour mesurer des flux agrégés, qualifier des visites, optimiser des zones et construire des audiences dans un cadre consenti. Elles deviennent problématiques si elles sont utilisées pour des ciblages trop intrusifs ou des inférences excessives. La meilleure pratique consiste à privilégier des agrégats, des cohortes et des règles orientées valeur client plutôt que des scénarios donnant à l’utilisateur l’impression d’être suivi individuellement.
Les limites opérationnelles doivent être assumées. Dans les centres commerciaux multi-niveaux, la donnée mobile peut avoir du mal à distinguer l’étage ou l’enseigne visitée. Dans les rues commerçantes très denses, les signaux peuvent être contaminés par les passants. Dans les zones rurales, le volume de données peut être insuffisant pour des analyses fines. Dans les magasins à très forte fréquentation, l’exclusion des employés et des passants peut rester imparfaite. Dans les réseaux franchisés, les données caisse ou horaires peuvent être hétérogènes. Ces limites ne condamnent pas la mobilité, mais elles imposent une lecture probabiliste et des règles adaptées.
Il faut également éviter une obsession de la précision individuelle lorsque l’objectif est stratégique. Pour arbitrer des budgets entre régions, magasins ou formats, une mesure agrégée robuste peut être plus utile qu’un matching individuel fragile. Pour optimiser un scénario CRM, une précision plus fine peut être nécessaire. La bonne granularité dépend de la décision à prendre. Une donnée trop détaillée mais bruitée peut être moins utile qu’un indicateur agrégé bien contrôlé.
Conclusion : transformer la mobilité en signal décisionnel, pas en métrique décorative
Qualifier les visites sans bruit de fond exige de changer le statut des données de mobilité. Elles ne doivent pas être utilisées comme un compteur automatique de trafic, mais comme un signal à construire. Une visite marketing exploitable combine un lieu correctement défini, un signal géographique fiable, une durée de présence cohérente, un contexte opérationnel valide, des exclusions comportementales et, idéalement, une comparaison incrémentale. C’est à cette condition que la mobilité peut éclairer le Drive-to-Store, le ROAS local et l’optimisation des audiences.
Une feuille de route actionnable peut se structurer en huit étapes. Premièrement, auditer les sources de données : précision, couverture, consentement, fréquence et stabilité. Deuxièmement, construire ou sélectionner un référentiel de POI de qualité, avec des polygones lorsque l’environnement l’exige. Troisièmement, définir des seuils de dwell time par catégorie et par format de magasin, plutôt qu’une règle unique. Quatrièmement, exclure les signaux bruités : employés, riverains, passants récurrents, trajets routiers, horaires de fermeture, signaux imprécis. Cinquièmement, distinguer visites observées, visites attribuées et visites incrémentales. Sixièmement, mettre en place des groupes de contrôle individuels ou géographiques pour mesurer l’uplift réel. Septièmement, rapprocher les visites qualifiées des ventes, de la marge, du panier et du réachat lorsque les données le permettent. Huitièmement, réinjecter les enseignements dans les audiences, les rayons de ciblage, les créations, la pression CRM et les arbitrages magasin.
L’arbitrage central est clair. Une mesure trop permissive donnera des volumes rassurants mais peu fiables. Une mesure trop restrictive peut sous-estimer certaines visites rapides ou certains parcours complexes. La bonne approche n’est pas de chercher une vérité absolue, mais de documenter les hypothèses, d’adapter les seuils au contexte et de privilégier les décisions fondées sur l’incrémentalité. Dans un univers où le mobile relie exposition, déplacement et achat, la donnée de mobilité est puissante. Mais sa valeur ne vient pas de sa disponibilité ; elle vient de sa qualification. Sans nettoyage, elle mesure surtout le bruit. Avec une méthode rigoureuse, elle devient un levier de pilotage local, capable de relier marketing, retail, data et finance autour d’une question essentielle : quels déplacements ont réellement été créés, pour quelle valeur commerciale, et à quel coût ?
