Retail : ce que la data science apporte au pricing stratégique

Retail : ce que la data science apporte au pricing stratégique

Comment le passage d’une Business Intelligence traditionnelle à une vision prédictive transforme petit à petit le monde des plus grands retailers… en attendant que les ETI et PME s’y mettent.

Cet article appartient à une série plus globale Quels enjeux retail sont directement touchés par la revolution data ? (à venir)

Le potentiel du machine learning

L’apprentissage automatique, ou machine learning, est la capacité d’apprentissage d’un ordinateur sans programmation explicite préalable. Autrement dit, une fois lancé, un mécanisme de machine learning s’améliore seul, sans supervision permanente, à partir des données qui lui sont fournies. Plus les données sont nombreuses, plus l’apprentissage sera fin. C’est pour cette raison que l’optimisation des prix et des promotions dans le retail est très prometteuse : la fixation rationnelle des prix dépend totalement des données.

D’après PwC, les entreprises qui exploitent la puissance de l’IA pour optimiser les prix peuvent augmenter leur chiffre d’affaires net de 3 % à volumes identiques* !

Les entreprises peinent souvent à appliquer une tarification dynamique juste, en fonction de la demande, de la saison, de la région… Les facteurs possibles sont extrêmements nombreux et différents selon chaque retailer. La capacité du M.L. d’analyser une gros volume de données variées dans court laps de temps permet déjà de maximiser la marge sur un produit en fixant un prix optimal. Il peut également aider les décideurs à visualiser la propension de futurs acheteurs à payer, et à anticiper leurs réactions selon les variations de prix. D’après PwC, les entreprises qui exploitent la puissance de l’IA pour optimiser les prix peuvent augmenter leur chiffre d’affaires net de 3 % à volumes identiques* !

Amazon change 50 fois par an le prix d’un ventilateur

Il apparait évident que personne ne va changer le prix manuellement sur le site à chaque fois. Le secret d’Amazon, et de plus en plus d’acteurs retail pure player, ce sont les algorithmes de tarification dynamique : le système ajuste automatiquement les prix pour chaque client en fonction des données. Mais ce qui fait la vraie force d’Amazon par rapport à ses concurrents, finalement, ce sont les données de ses 200 millions de clients… Plus de données, plus d’efficacité dans l’apprentissage.

L’optimisation des promotions

Le calcul exact de la rentabilité d’une promotion fait aussi partie des exercices périlleux d’une stratégie de pricing… Encore une fois, le nombre de facteurs joue beaucoup : perception de la marque, effet de pénétration réel ou cannibalisation. Le machine learning se révèle précieux dans l’analyse des données : achats précédents, analyse de la concurrence, durée de la promotion précédente, etc. Il pourra ensuite aider à déterminer quels clients verront leur loyauté renforcée par une promotion ou un coupon, ceux qui sont le plus susceptible de s’en servir, la durée idéale de vie du dit coupon. Bref, en fonction des objectifs, de modéliser directement en fonction des données à sa disposition afin d’aider les décideurs retail dans une stratégie plus ciblée.

askR.ai, le data-assistant des décideurs retail

Le principe de la Business Intelligence de mettre la donnée à disposition des décideurs pour favoriser la prise de décision ne change donc pas, même en passant de la BI à la data science. L’aspect prédictif, au contraire, offre un atout supplémentaires aux retailers de plus en plus data-driven pour appliquer une stratégie de pricing au plus près des attentes des consommateurs et meilleure génératrice de ROI.