BUSINESS & DATA DEVELOPMENT — 2025/2026
DATA LAB
CASE STUDY
Entreprise
marjane
Secteur : Grande Distribution
Thème
Comprendre le lien entre la donnée
et la décision marketing opérationnelle
Réalisé par :
BAAOUD Hiba EL MALLOUKI Zineb
FATIHI Chourouq KHAIF Nouhaila
ESITH — Constructeur de compétences
Table des matières
Introduction générale 2
1 Gestion des promotions — Produits à faible performance 3
Décision visée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Données nécessaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Volet Marketing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
Actions concrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
2 Optimisation de l’organisation en magasin — Gestion de l’affluence 5
Décision visée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Données nécessaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Volet Marketing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
Actions concrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
3 Personnalisation des offres — Marketing CRM 7
Décision visée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Données nécessaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Volet Marketing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
Actions concrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
4 Prévention des ruptures de stock — Gestion logistique prédictive 9
Décision visée . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Données nécessaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Volet Marketing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Actions concrètes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
Synthèse et recommandations 11
1
Introduction générale
Dans un environnement de grande distribution de plus en plus concurrentiel, la maîtrise
de la donnée constitue un levier stratégique déterminant. Ce case study, réalisé dans le
cadre du programme Business & Data Development de l’ESITH, porte sur l’enseigne
Marjane, leader marocain de la grande distribution.
L’objectif est de démontrer comment les données opérationnelles permettent d’éclairer
et d’orienter les décisions marketing — de la gestion promotionnelle à la personnali-
sation client, en passant par l’optimisation des flux en magasin et la prévention des
ruptures de stock.
Ce rapport présente quatre analyses complémentaires, structurées selon le schéma
Données → Métriques → Décision → Action, couvrant les volets Produit/Prix, Dis-
tribution, CRM et Logistique.
Méthodologie commune aux quatre analyses :
Pour chaque problématique, nous avons identifié : (1) la décision opérationnelle
visée, (2) les données et indicateurs nécessaires à l’étayer, (3) le volet marketing
concerné, et (4) les actions concrètes à déployer avec un dispositif de suivi chiffré.
2
Chapitre 1
Gestion des promotions — Produits
à faible performance
Décision visée
Identifier les produits à faible performance commerciale afin de déterminer les-
quels doivent faire l’objet d’une mise en promotion, en préservant la marge
globale du point de vente.
Données nécessaires
Catégorie Éléments
Indicateurs Volume des ventes par produit · Chiffre d’affaires par produit
· Taux de rotation des stocks · Produits les moins vendus ·
Taux d’écoulement des promotions antérieures
Sources Base de données des ventes · Tickets de caisse · Système de
gestion des stocks
Volet Marketing
Produit Prix
Ce volet repose sur l’analyse des performances produit (sell-through rate, indice de
rotation) afin d’affiner la politique tarifaire promotionnelle et d’éviter le déstockage
massif non planifié.
Actions concrètes
3
Data Lab — Case Study Marjane 2025 — 2026
¥ Promotions ciblées sur les références à faible taux de rotation, sélection-
nées sur la base d’un seuil de rotation inférieur à la médiane de la catégorie.
¥ Remises différenciées appliquées aux articles présentant une marge suffi-
sante pour absorber la réduction sans générer de perte brute.
¥ Test opérationnel « 2 achetés = 1 offert » déployé sur 3 familles de produits
pilotes, avec suivi des indicateurs de performance à J+15.
4
Chapitre 2
Optimisation de l’organisation en ma-
gasin — Gestion de l’affluence
Décision visée
Identifier les périodes de forte affluence afin d’optimiser l’organisation opéra-
tionnelle en magasin, de réduire les temps d’attente et d’améliorer l’expérience
client globale.
Données nécessaires
Catégorie Éléments
Indicateurs Nombre de clients par heure · Nombre de passages en caisse ·
Temps moyen d’attente · Nombre de transactions par période
· Fréquentation journalière
Sources Système de caisse · Logiciel de gestion magasin · Outils de
comptage des visiteurs
Volet Marketing
Distribution CRM
L’analyse des flux de fréquentation s’inscrit dans une logique d’expérience client (Cus-
tomer Experience) et de gestion des ressources humaines en point de vente, deux piliers
de la performance distribution.
Actions concrètes
5
Data Lab — Case Study Marjane 2025 — 2026
¥ Offres flash à −20 % programmées pendant les heures creuses identifiées,
afin de redistribuer l’affluence et de lisser la charge opérationnelle.
¥ Renforcement des caisses (ouvertures supplémentaires, mobilisation d’hôtes
d’accueil) systématiquement déployé lors des créneaux de pointe détectés par
le système de comptage.
¥ Suivi KPI : mesure du temps moyen d’attente en caisse à J+30 pour évaluer
l’impact des mesures prises.
6
Chapitre 3
Personnalisation des offres — Mar-
keting CRM
Décision visée
Personnaliser les offres promotionnelles en fonction du profil comportemental et
des habitudes d’achat individuelles des clients, pour accroître le taux de conver-
sion et la fidélisation.
Données nécessaires
Catégorie Éléments
Indicateurs Historique des achats · Produits fréquemment achetés · Fré-
quence des visites · Panier moyen · Catégories préférées
Sources Programme de carte de fidélité · Application mobile Marjane
· Historique client · CRM
Volet Marketing
CRM Communication personnalisée
La segmentation comportementale (RFM : Récence, Fréquence, Montant) alimentée
par le CRM permet de construire des campagnes de communication à haute pertinence,
réduisant ainsi les coûts d’acquisition et augmentant la valeur vie client (CLV).
Actions concrètes
¥ Intégration de l’historique d’achat dans un moteur d’IA (LLM) pour
générer des recommandations produits et des offres personnalisées en temps
7
Data Lab — Case Study Marjane 2025 — 2026
quasi-réel.
¥ Campagnes e-mail ciblées : 3 e-mails promotionnels différenciés par seg-
ment client, rédigés selon le profil d’achat de chaque groupe.
¥ Test A/B sur les objets et contenus des e-mails, avec suivi des indicateurs de
performance (taux d’ouverture, taux de clics, taux de conversion) à J+15.
8
Chapitre 4
Prévention des ruptures de stock —
Gestion logistique prédictive
Décision visée
Anticiper les ruptures de stock avant leur survenance afin d’améliorer en per-
manence la disponibilité produit, d’éviter les pertes de vente et de maintenir la
satisfaction client.
Données nécessaires
Catégorie Éléments
Indicateurs Niveau des stocks en temps réel · Historique des ventes ·
Saisonnalité produit · Fréquence de réapprovisionnement ·
Prévisions de la demande
Sources ERP · Système de gestion des stocks · Historique des ventes
· Données logistiques (délais fournisseurs, flux entrepôt)
Volet Marketing
Distribution Produit
La disponibilité produit est une composante directe de la promesse client en grande
distribution. Une rupture non maîtrisée génère non seulement une perte de chiffre d’af-
faires immédiate, mais détériore durablement la perception de fiabilité de l’enseigne.
Actions concrètes
9
Data Lab — Case Study Marjane 2025 — 2026
¥ Système d’alerte automatique déclenché dès que le niveau de stock at-
teint 20 % du stock de sécurité minimum défini pour chaque référence.
¥ Modèle de prévision IA (machine learning) entraîné sur l’historique des
ventes et les données de saisonnalité pour anticiper les besoins de réapprovi-
sionnement.
¥ Déclenchement automatique de commandes ERP avec circuit de va-
lidation accéléré sous 24 heures, garantissant une réactivité opérationnelle
optimale.
10