- Stratégie de pricing et Machine Learning
- Comment élaborer une stratégie de pricing ?
- Quel retour sur investissement attendre de l’utilisation du machine learning ?
- Peut-on se fier aux résultats des prévisions obtenus par le machine learning ?
Les entreprises du retail possèdent de nombreuses informations sur leurs clients et leurs habitudes de consommation. Associées au machine learning, ces données peuvent devenir source de prédictions utiles pour les points de vente. Au travers un cas pratique, nous verrons quelles données sont essentielles pour optimiser les prix et déterminer une stratégie de pricing efficace.
Stratégie de pricing et Machine Learning
Qu’est-ce que le machine learning ?
Le machine learning est une technologie qui permet le traitement d’un grand nombre de données dans le but d’en faire ressortir des prédictions. En se basant sur des statistiques, le machine learning met en avant des patterns significatifs. Ce traitement s’avère essentiel lorsque l’on doit traiter un volume de données important. Si un algorithme peut traiter des jeux de millions de données, il pourra également croiser ces données entre elles pour faire émerger des tendances.
De nos jours, les entreprises récoltent une quantité importante d’information concernant leurs clients et leurs habitudes d’achat. S’il est possible de dégager certaines informations de ces données, il devient vite compliqué de les traiter rapidement et dans leur intégralité. C’est pour cela que de plus en plus de sociétés intègrent le machine learning dans leurs outils d’analyse. En fonctionnant grâce à des modèles entraînés, une machine va pouvoir intégrer de multiples facteurs (internes ou externes) et actualiser sa compréhension des informations en un temps restreint. Dans le secteur du retail, par exemple, le machine learning permet d’étudier rapidement les achats des consommateurs, les mécanismes d’approvisionnement, les effets des contraintes logistiques ou encore les spécificités de chaque point de vente.
Pourquoi utiliser le machine learning pour définir sa stratégie de pricing ?
Les données récoltées pour faire fonctionner les modèles du machine learning permettent donc d’obtenir une connaissance pointue de son environnement et peuvent devenir une véritable force pour une entreprise. Ceci à condition de les manipuler efficacement, ce qui n’est pas toujours facile pour des êtres humains. Outre le gain de temps d’analyse, le machine learning permet de comprendre comment agit un client vis à vis des produits d’une enseigne. Connaître les habitudes de ses clients permettra à un point de vente, par exemple, d’ajuster ses stocks, pour lui permettre de trouver son produit, ou encore de lui proposer des promotions adaptées à son panier.
Dans le secteur du retail, le machine learning étudie les informations disponibles sur la manière dont se sont comportés les clients en observant leurs tickets de caisse ou leurs paniers. En examinant ces données, l’ordinateur va être capable de mettre en lumière des patterns dans les comportements des consommateurs. De ce fait, le machine learning peut aider à comprendre quelles promotions ont généré le plus de marge ou quelle stratégie de promotion a été efficace.
Il en est de même pour la gestion des stocks. Grâce aux informations de chaque point de vente d’une enseigne, le programme de prévisions va pouvoir déterminer celui dans lequel un produit se vend le mieux (selon la région, la concurrence, la force de vente, les services complémentaires, etc.) et, ainsi, ajuster le portefeuille de produits.
Enfin, le machine learning est une aide non négligeable dans l’optimisation des prix et la stratégie de pricing. Toutes les données prescriptives et prédictives à disposition des modèles rendent possible une prise de décision rapide et objective. Par exemple, une enseigne de prêt-à-porter va pouvoir analyser les prix de ses concurrents pour fixer celui de ses propres articles.
Comment élaborer une stratégie de pricing ?
Afin d’illustrer les étapes de la mise en place d’une stratégie de pricing, nous vous proposons de suivre le cas d’un acteur majeur du prêt-à-porter. Ce dernier a fait appel à Verteego pour optimiser ses prix et, ainsi, déterminer les meilleurs scénarios de vente.
Ce client a structuré son besoin en 4 questionnements :
- Quel(s) produit(s) mettre en promotion ?
- A quel(s) prix ?
- Quel intervalle entre chaque démarque ?
- Quelles quantités allouer au stock local et au stock à distance dans les entrepôts ?
Déterminer les données requises
Afin de procurer à notre client une meilleure visibilité sur ses ventes futures, l’objectif pour Verteego était de générer les prévisions les plus précises possible sur la base de données historiques que notre client nous a confiées. Celles-ci ont été complété par des informations externes, plus difficilement maîtrisables sans technologie de machine learning. Verteego a intégré toutes ces données et a généré ensuite des prédictions directement exploitables dans les interfaces de la plateforme ou dans des outils déjà utilisés par nos clients, comme leurs systèmes de commande, leurs logiciels de marketing ou leurs outils de Business Intelligence (BI).
En ce qui concerne les données internes requises pour le machine learning, Verteego prend en compte des informations concernant :
- le produit (sa catégorie, sa marque, ses différents modes de packaging, ...).
- les points de vente concernés par l’opération de promotion (leur localisation, leur taille, l'assortiment, les événements locaux qui les entourent, …
- le prix (l'historique des prix de vente pratiqués dans les précédentes opérations, les réductions promotionnelles appliquées, les évolutions de prix dans le temps, les mécanismes promotionnels, ...)
- la force de vente présente en point de vente (son niveau de rémunération, son niveau de qualification et le nombre de personnes présentes selon les horaires)
- les différents canaux sur lesquels les promotions sont appliquées (point de vente physique, web, drive ou livraison)
- la publicité (budget publicitaire, mode de merchandising, promotion sur les réseaux sociaux ou dans les catalogues)
Pour les données externes requises pour le machine learning, on y trouvera des informations au sujet de :
- la saisonnalité annuelle, mensuelle ou hebdomadaire, qui permettra de mieux déterminer les périodes du mois qui peuvent faire varier fortement les courbes : manifestations, événements exceptionnels, jours de paie, période de vacances scolaires...
- la météo, qui peut également jouer un rôle quand il s’agit de prévisions de très court terme (< 3 jours), notamment dans le prêt-à-porter, la distribution spécialisée ou les centres commerciaux
- des facteurs économiques comme le taux de change, le salaire moyen des différentes régions, le taux d'inflation...
- les informations sur la concurrence autour d'un point de vente (sa nature, sa densité, ...)
Il est à noter que, depuis la pandémie liée au COVID-19, d'autres facteurs sanitaires peuvent être pris en compte dans ces données externes.
Définir l’ADN de son point de vente
Chaque point de vente possède ce que nous avons appelé chez Verteego, le “sales genome”. C’est en quelque sorte l’ADN unique de chaque point de vente. Ces informations se trouvent déjà dans les données utilisées au quotidien par chaque point de vente. Verteego va simplement les identifier et extraire leurs corrélations pour les utiliser dans ses prévisions. Le “sales genome” réunit donc toutes les informations nécessaires à l’algorithme, qui lui permettront de mettre en lumière les patterns que nous avons évoqués en début d’article.
Avec l'ensemble de cette chaîne de données, Verteego est capable de déterminer qui achètera un produit, quel produit sera acheté et en quelle quantité. Il comprend également les effets de cannibalisation (lorsqu’un produit se vend à la place d’un autre) ou les opportunités de vente ratées en face des produits concurrents. En analysant ces données, le “sales genome” permet de prévoir, pour les prochaines opérations promotionnelles, les pratiques d’achat des clients, quel canal ils privilégieront et quelles sont les motivations qui ont déclenché leur déplacement en magasin.
Une fois cette analyse faite, les données internes et externes sont calculées, intégrées ou connectées depuis une base de données cloud et rendues disponibles dans la plateforme de Verteego. Commence alors la phase d’apprentissage automatique, pendant laquelle Verteego entraîne les modèles de machine learning, qui seront ensuite interrogés pour générer des prédictions.
Choisir un scénario pour répondre à son objectif commercial
La mise en place de technologies de machine learning nécessite une définition des principaux objectifs commerciaux. On peut retrouver, le plus souvent, des objectifs d’optimisation des marges, des unités vendues et du chiffre d'affaires. Ces objectifs peuvent être choisis soit séparément, soit de manière combinée avec une pondération définie à l’avance. Verteego pourra alors recommander des scénarios capables de répondre précisément à chacun des objectifs précédemment définis.
Chaque scénario est composé de variables, sur lesquelles il est possible d’agir, et qu’il faut définir en priorité. On peut choisir par exemple le budget de communication, le pourcentage de démarque, la durée de la promotion, etc. Pour chaque combinaison, Verteego pourra générer des prédictions, à partir desquelles Verteego recommandera le meilleur scénario remplissant l'objectif fixé.
Dans l’exemple ci-dessous, si l’objectif est d’optimiser la marge, on choisira le scénario numéro 5. Ce dernier génèrera une marge de 22 000€. A contrario, si l’objectif est l’optimisation d’unités, le scénario 4 sera préférable.
Analyser ses résultats
Une fois les données traitées par Verteego, les résultats produits peuvent être diffusés auprès des points de vente ou être étudiés via des outils de data visualisation.
Les données générées par Verteego peuvent être récupérées automatiquement et transférées vers des outils de data visualisation comme la plateforme Verteego ou, dans notre illustration, Google DataStudio. Ces outils vont permettre de mettre en forme les informations sur les produits, les magasins, les promotions, etc. Ces résultats peuvent également être filtrés pour étudier les spécificités de chaque scénario choisi. Dans notre exemple de scénarios choisis, nous pouvons voir que les manteaux vont très bien se vendre pendant cette phase de soldes.
Les prévisions générées par Verteego permettent également une analyse détaillée des ventes en quantité, en chiffre d’affaires ou encore de la marge, à la journée. Notre client a donc pu déterminer l’impact des soldes sur ses ventes en mesurant avec précision la réussite des démarques selon les objectifs identifiés.
Dans notre exemple, nous pouvons voir, en 3e démarque, qu’une promotion de -70% sur le Stock Keeping Unit (SKU) dégradera plus fortement la marge du vendeur que celle à 50 %. Pour autant, cette tendance n’est pas toujours vérifié. Nous pouvons clairement le remarquer dans notre cas, puisque le scénario qui génère le plus de marge ne concerne pas les vagues de réduction entre 10 et 40%.
Quel retour sur investissement attendre de l’utilisation du machine learning ?
Le ROI d’un projet de machine learning dépend en grande partie de la qualité des données récoltées. Plus celles-ci seront complètes, renseignées, segmentées et ordonnées plus il sera facile pour l’intelligence artificielle d’entraîner ses modèles. Comme nous avons pu le voir, plus les jeux de données seront de qualité, plus les scénarios seront complets et les résultats clairs à analyser.
Dans le cas de notre client du prêt-à-porter, la marge a été augmentée de plus de 32 % par rapport à l’année précédente. Concernant le chiffre d’affaires, notre client a observé une augmentation de plus de 7 % durant cette période de soldes, tout en diminuant de 18 % son excédent de stock.
Outre l'optimisation de la marge, l’amélioration du chiffre d’affaires et la baisse de ses immobilisations, notre client a considérablement accéléré la productivité de ses équipes grâce à la prise de décision automatisée fournie par notre technologie. Enfin, nos prévisions ont permis à notre client d'optimiser son mètre linéaire et de réduire ses coûts d'inventaire.
Peut-on se fier aux résultats des prévisions obtenus par le machine learning ?
Le machine learning est une science qui peut être difficile à aborder et souvent opaque pour les entreprises. A l’occasion d’une prévision, la pertinence d’une variable peut être remise en question et ainsi influencer le résultat final.
Afin de déterminer l’importance de chaque variable (ou feature importances), Verteego met à disposition une plateforme qui permet à l’utilisation de découvrir les spécificités de chaque produit. De ce fait, l’utilisateur de la solution va pouvoir mieux prévoir si un produit est plus sensible à la taille du point de vente, au prix ou au mode de packaging. Toutes ces informations, utilisées par Verteego, ont une influence sur le choix du scénario de promotion et peuvent donner une vision plus globale sur la manière dont les produits se comportent au sein d’une offre.
Par exemple, nous pouvons étudier deux types de produits, chacun ayant une sensibilité particulière au prix de vente et à la démarque. A gauche, le produit n’est que très peu sensible aux promotions par rapport au produit de droite.
Ainsi, le prix et la démarque sont minoritaires par rapport aux “feature importances”, contrairement au produit de droite dont la sensibilité au prix est forte. On peut donc en déduire qu’une promotion sur le produit de gauche n’aura qu’un faible impact sur le volume des ventes, alors que le produit de droite verra son volume fortement réduit avec la mise en place d’une démarque.
Déterminer et optimiser sa stratégie de pricing est une tâche compliquée qui nécessite une personnalisation accrue à chaque point de vente pour être efficace. Le machine learning reste, grâce à ses algorithmes de calcul, l’outil le plus fiable et le plus rapide pour déterminer avec précision le prix des produits.
Vous souhaitez optimiser votre stratégie de pricing ? Demandez dès maintenant votre démo de la plateforme Verteego.
