PricingHUB : piloter l’élasticité des prix avec l’apprentissage statistique

lundi 6 avril 2020

Créée en 2018, PricingHUB propose aux revendeurs d’accroître leur rentabilité en magasin et sur leurs plateformes de e-commerce grâce à une application en ligne SaaS (software as a service) pour analyser et construire leur stratégie de prix. Après une première levée de fonds, la start-up en pleine croissance compte aujourd’hui une dizaine de collaborateurs et accélère son développement commercial avec des clients comme Fnac Darty ou Conforama.

Comprendre l’élasticité des prix grâce au machine learning

Là où beaucoup d’efforts de la part des revendeurs sont dirigés pour générer du trafic, convertir les visiteurs sur leur plateforme et booster les ventes, PricingHUB a plutôt choisi d’intervenir au niveau de l’élasticité des prix pour dégager une marge de profit optimale.

Pour chacun de ses clients, la start-up construit une courbe d’élasticité des produits et cherche à comprendre l’importance de la variation des prix sur les volumes de ventes, le chiffre d’affaires et le masse de marge. La solution proposée est basée sur un algorithme de machine learning et consiste en un modèle générique qui sera ensuite spécifié : chaque client peut définir des règles métiers, des contraintes, comme des taux de marge minimum au cas où il aurait des coûts fixes incompressibles par exemple.

En constituant un data lake à partir de données analytiques, transactionnelles et de concurrence, une phase d’apprentissage calcule l’élasticité au niveau de granularité souhaité par le client. En se concentrant sur des métriques internes, les temps de calculs sont réduits car le volume de données est moins important. Ce choix donne la possibilité d’entraîner plus rapidement différents modèles en compétition afin de livrer le meilleur chaque jour, tout en permettant des adaptations fréquentes. Le processus est automatisé et PricingHUB met ensuite à disposition dans l’application des services supplémentaires, comme une interface de reporting ou des jeux de recommandation de prix quotidiens.

L’avantage d’un modèle adaptatif plutôt que prédictif

Les modèles sont basés sur la compréhension de l’élasticité des prix à un moment précis et dans un contexte global (e.g. Concurrence, Saisonnalité, Evènement externe et/ou interne affectant le comportement d’achat…). Pour y parvenir, PricingHUB a développé son modèle avec des techniques de reinforcement learning (apprentissage par renforcement) qui effectuent constamment des tests de prix et mesurent les performances par rapport aux objectifs commerciaux.

La compréhension de l’environnement est donc dynamique, et les algorithmes de reinforcement learning calculent une recommandation de prix ajustée à chaque fois pour la prochaine itération. Cette méthode permet de gérer les effets de bords inattendus et imprévisibles, par opposition aux modèles prédictifs qui sont exposés à beaucoup de bruit.

PricingHUB soutient que le commerce en général et plus précisément le e-commerce aujourd’hui est rentré dans une zone de turbulence et d’instabilité. Les modèles prédictifs classiques seront moins performants pour rendre compte de ce phénomène, là où les modèles adaptatifs sont particulièrement pertinents dans des environnements incertains.

Aussi PricingHUB a une roadmap ambitieuse en termes

• d’améliorations fonctionnelles visant à maximiser l’adoption de la plateforme chez ses utilisateurs,
• d’augmentation de la qualité de l’apprentissage de l’élasticité contextuelle visant à être toujours plus pertinent et créateur de valeur dans les recommandation de prix émises,
• de création de nouveaux cas d’usage visant à accélérer les effets de l’élasticité (e.g. Stock, Merchandising, Cross-Sell…),
• d’automatisation et de scalabilité de tous les processus & modèles les plus consommateurs de ressources système.

Poursuivant son développement, PricingHUB recrute des développeurs et des data scientists pour agrandir ses équipes, pour ses bureaux de Paris et Barcelone.

Compte-rendu rédigé par Thomas Jacquemin,  étudiant de la promotion 2019-2020 du Mastère Spécialisé Intelligence Artificielle de Télécom Paris.