Amoobi : rendre le magasin physique aussi mesurable que l’e-commerce

15 sept. 2026 — 02:49 - 13:29

Vous devez être inscrit et connecté pour accéder à cette fonctionnalité

Inscrivez-vous

Nom société

Amoobi

Résumé du projet

Amoobi est la brique de mesure de la Physical AI appliquée au commerce. Nos capteurs 3D mesurent de façon anonyme chaque parcours en magasin : flux, arrêts, interactions avec les rayons, exposition aux PLV et aux écrans. Le magasin physique devient aussi mesurable et interrogeable que l'e-commerce, pour décider sur des comportements réels en merchandising, en catégorie et en retail media.

Catégorie candidature

Catégorie 1 : Solutions & Technos

Explication du projet

Le constat : le magasin est le canal le plus important et le moins mesuré Le magasin physique concentre encore l'essentiel des ventes, des budgets trade marketing et, de plus en plus, des investissements en retail media in-store. Pourtant, on le pilote presque à l'aveugle. En e-commerce, chaque clic, chaque page vue et chaque abandon de panier est mesuré. En magasin, on connaît le ticket de caisse, mais presque rien de ce qui s'est passé avant : qui est passé devant le rayon, qui s'est arrêté, qui a hésité, qui a vu la tête de gondole ou l'écran. Les décisions de merchandising, d'implantation ou de campagne reposent sur des ventes, des panels ou des personas, pas sur le comportement réel des clients. Notre réponse : la couche de mesure de la Physical AI L'IA transforme le digital parce que le digital est entièrement mesuré. Pour que l'IA transforme aussi le magasin physique, il faut d'abord une donnée fiable, continue et exhaustive de ce qui s'y passe. C'est ce que construit Amoobi : l'infrastructure de mesure du magasin physique, la fondation sans laquelle la Physical AI appliquée au retail n'a rien à analyser. Nos capteurs 3D, installés au plafond, reconstituent de façon anonyme le parcours de chaque client dans le magasin. Nous identifions la position du client mais aussi la direction de la tête, le genre et l'âge apparent. Nous mesurons le trafic par zone et par linéaire, les taux d'arrêt, la conversion entre passage et achat, les séquences de parcours et les complémentarités entre rayons, ainsi que l'exposition réelle aux têtes de gondole, aux PLV et aux écrans. Cette donnée est restituée sous forme d'indicateurs agrégés que les équipes category management, merchandising, format et insights interrogent comme elles interrogent leurs outils d'analytics web. Est-ce que ma nouvelle implantation fonctionne ? Mon produit se vend-il mal parce qu'il ne plaît pas, ou parce que personne ne le voit ? Combien de clients ont réellement été exposés à cette campagne ? Le magasin devient une source de données, et plus seulement un lieu de vente. Un exemple concret : le reset de la catégorie pâtes à tartiner (top 3 distributeurs alimentaires en Europe) Lors de sa revue annuelle de catégorie, notre client voulait relancer les ventes du rayon pâtes à tartiner en optimisant l'assortiment et l'organisation de l'espace. Les ventes et l'arbre de décision client disaient ce qui se vendait. Amoobi a montré pourquoi. Le diagnostic a révélé trois choses que les ventes seules ne pouvaient pas voir. La pâte à tartiner chocolat à marque propre était une destination forte, avec une conversion de 38 % contre 15 à 27 % pour le reste de la catégorie, alors qu'elle était reléguée en fin d'allée. Les confitures à marque propre avaient un excellent taux d'arrêt, mais étaient placées dans une zone peu fréquentée, avec environ 400 passages par semaine contre plus de 600 ailleurs dans la catégorie. Le miel, au centre de l'allée, convertissait mal, à 18 %. Une nouvelle séquence dans le magasin laboratoire a donc été testée. Les marques propres sont placées au centre comme ancres de la catégorie, pour attirer le trafic vers le milieu du rayon et exposer les clients aux autres produits et aux innovations. Le miel passe en début de catégorie. L'espace des confitures d'autres marques, aux performances moyennes, est réduit au profit de nouvelles références. Les résultats du test ont été nets. À trafic stable, les ventes de la catégorie ont progressé de 24 %, dont seulement 8 points liés à une hausse de prix. La conversion est passée de 48 % à 53 %. Les confitures à marque propre ont gagné 50 % de trafic et 22 % de ventes, sans pénaliser les autres marques de confiture, qui ont progressé de 20 %. Le miel a perdu 14 % de trafic, mais sa meilleure conversion a fait monter ses ventes de 22 %. Sur cette base, notre client a déployé la nouvelle implantation dans tout le pays. Après neuf semaines de mesure post-déploiement, la conversion de la catégorie s'est stabilisée à 51 % (contre 48 % avant) et les ventes ont progressé de 15 %, avec les mêmes tendances que pendant le test. Le category manager résume l'apport d'Amoobi ainsi : le planogramme a pu être testé en magasin et ajusté selon le comportement réel des clients, avant d'investir dans un déploiement national. Cet exemple illustre la méthode Amoobi : un diagnostic pour identifier les opportunités, un test en magasin pour valider les hypothèses, puis une mesure après déploiement pour confirmer que la performance tient dans la durée et sur tout le parc. C'est la boucle test-and-learn du e-commerce, enfin appliquée au magasin physique. En quoi c'est innovant Premièrement, nous mesurons le comportement réel, pas un modèle. Amoobi observe ce que font vraiment les clients, sur l'ensemble des visites, pas sur un échantillon ou des personas. Dans notre cas, c'est ce qui a permis de distinguer un produit qui se vend mal parce qu'il ne convertit pas d'un produit qui se vend mal parce qu'il n'est pas vu. Deuxièmement, la précision de la 3D. La vision en profondeur permet de suivre les parcours complets et de mesurer finement ce qui se passe au niveau du linéaire, là où se joue la décision d'achat, et pas seulement des comptages en entrée de magasin. Troisièmement, l'anonymat dès la conception. Le traitement est effectué au niveau du capteur : aucune image n'est stockée ni transmise, aucune personne n'est identifiée, et aucune donnée biométrique ou d'émotion n'est analysée. Les résultats sont des statistiques agrégées et anonymes, exploitées a posteriori pour des décisions de gestion, dans le cadre de la finalité statistique décrit par la CNIL pour les dispositifs d'analyse d'images dans les lieux ouverts au public. Quatrièmement, une réponse au grand angle mort du retail media in-store. Le retail media en ligne se vend à l'exposition mesurée. En magasin, l'exposition à un écran ou à une tête de gondole reste aujourd'hui déclarative. Amoobi apporte une mesure vérifiée de l'exposition réelle, qui permet aux enseignes de valoriser leurs espaces et aux marques de mesurer ce qu'elles achètent, comme en digital. Efficacité : une solution adoptée par les plus grands retailers du monde Amoobi n'est pas un pilote de laboratoire. La solution est déployée et reconnue par certains des plus grands distributeurs au monde : Walmart, Kroger et CVS aux États-Unis, Carrefour, Leroy Merlin et Ahold Delhaize. Amoobi travaille avec les plus grands industriels dont P&G, Coca-Cola, Kraft Heinz ou encore Mars. Elle fonctionne dans des formats très différents, de l'hypermarché au supermarché de proximité en passant par le bricolage et la droguerie, en Europe comme en Amérique du Nord (aut total > 12 pays couverts). Pérennité Amoobi est une entreprise européenne, basée en Belgique, qui développe sa propre technologie. Elle compte une équipe de 17 personnes et fonctionne sur un modèle SaaS récurrent. Notre modèle économique rend la solution accessible car la conséquence est une stratégie (pas une action d'un collaborateur) ce qui veut dire que la solution ne doit être déployé que sur quelques magasins laboratoires. Il permet aussi un financement partagé entre l'enseigne et les marques, qui ont un intérêt direct à mesurer la performance de leurs linéaires et de leurs activations. À l'heure où chaque enseigne cherche à déployer l'IA, Amoobi apporte ce qui manque d'abord au magasin physique : la donnée. Nous voulons faire pour le magasin ce que l'analytics a fait pour le web.