Skip links

Piloter l’élasticité des prix avec l’apprentissage automatique

Xavier Casellato, co-fondateur de PricingHUB, partageait avec les étudiants de Télécom Paris notre approche de la science des données, dans le cadre des séminaires MS Big Data et IA. Cette présentation fut suivie de débats intéressants autour de la raison pour laquelle nous préférons utiliser un modèle adaptatif plutôt qu’un modèle prédictif lorsqu’il s’agit de calculer l’élasticité prix.

En effet, beaucoup d’e-commerçants orientent tous leurs efforts vers la génération de trafic, la conversion des visiteurs et l’optimisation des ventes. PricingHUB a choisi une autre approche, en se concentrant sur l’élasticité prix afin d’obtenir une marge bénéficiaire optimale.

Pour chaque client, PricingHUB construit une courbe d’élasticité produit et cherche à comprendre l’impact des changements de prix sur les volumes de vente, le chiffre d’affaires et la masse des marges. La solution repose sur un algorithme de machine learning et s’appuie sur un modèle générique qui sera ensuite précisé : chaque client peut définir des règles de gestion, des contraintes, comme des taux de marge minimums dans le cas où il a des coûts fixes incompressibles, par exemple.

L’avantage d’un modèle adaptatif plutôt que prédictif

Les modèles sont basés sur la compréhension de l’élasticité prix à un moment précis et dans un contexte global (ex : concurrence, saisonnalité, événements externes et/ou internes affectant le comportement d’achat…). Pour y parvenir, PricingHUB a développé son modèle avec des techniques d’apprentissage par renforcement qui testent constamment les prix et mesurent les performances par rapport aux objectifs commerciaux.

Les algorithmes d’apprentissage par renforcement calculent une recommandation de prix ajustée à chaque fois pour l’itération suivante. Cette méthode permet de gérer les effets de bord inattendus et imprévisibles, par opposition aux modèles prédictifs qui sont exposés à beaucoup de bruit.

Aujourd’hui, le retail, et plus particulièrement l’e-commerce, est entré dans une zone d’instabilité. Les modèles prédictifs conventionnels sont moins efficaces pour rendre compte de ce phénomène, alors que les modèles adaptatifs sont particulièrement pertinents dans les environnements incertains.

Aussi, PricingHUB a une feuille de route ambitieuse :

  • Maximiser l’adoption de la plateforme par ses utilisateurs,
  • Augmentation de la qualité de l’apprentissage de l’élasticité contextuelle afin d’être plus pertinent et créateur de valeur dans les recommandations de prix émises,
  • Création de nouveaux cas d’usage pour accélérer les effets de l’élasticité (stock, merchandising, cross-sell…),
  • Automatisation et évolutivité de tous les processus & modèles qui consomment le plus de ressources système.

Vous pouvez lire l’article complet en cliquant ici !

4.7/5 - (4 votes)