Prezzu fonctionnalités

270 vues

Publié le

Présente les principales fonctionnalités de Prezzu, logiciel de pricing pour le e-commerce.

Publié dans : Données & analyses
0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
270
Sur SlideShare
0
Issues des intégrations
0
Intégrations
9
Actions
Partages
0
Téléchargements
4
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Prezzu fonctionnalités

  1. 1. Pricing optimal pour le e-commerce Novembre 2015 1‹N°› www.prezzu.com
  2. 2. Prezzu • Prezzu est un logiciel de pricing optimal destiné aux e-commerçants (pure-players ou non): – Intègre les algorithmes de pricing de haute performance développés par ECOPA; – Estime les élasticités-prix par article et par catégorie d’articles homogènes. L’élasticité-prix mesure la sensibilité des ventes aux variations de prix. C’est un paramètre critique pour la fixation des prix; – Calcule des prix optimaux par article selon un objectif déterminé par l’utilisateur (CA, volume de marge ou taux de marge global). • Prezzu est facile d’utilisation et intégrable aux systèmes d’information. 2‹N°›
  3. 3. Structure de Prezzu 3‹N°›
  4. 4. Industrialiser notre expertise en pricing • Prezzu est porté par ECOPA, spécialisé dans l’analyse prédictive appliquée au pricing. • ECOPA est une société privée faisant passerelle entre la recherche (fondateurs issus de Toulouse School of Economics et du CNRS) et le monde du commerce et des services  à la frontière de l’innovation en modélisation microéconomique et data mining. • Depuis 2007, ECOPA a accumulé une expertise unique en pricing pour le e- commerce et la distribution en général, auprès de gros et moyens clients, avec un ROI tangible. 4‹N°›
  5. 5. Clients d’ECOPA en pricing • Fnac, leader français de la distribution de biens culturels et électronique. • Oscaro, leader européen de la vente en ligne de pièces automobiles et pionnier français en marketing basé sur l’analyse prédictive. • Corsica Ferries, première compagnie maritime française pour les transport de passagers. • Télécommande Express, leader français de la vente en ligne de télécommandes pour portails et garages. • Spareka, leader français de la vente de pièces détachées pour appareils électro- ménagers. 5
  6. 6. L’équipe de conception • Des PhD spécialistes de la modélisation micro-économique et du data mining: – Charles Vellutini, HEC et docteur en économie Panthéon-Sorbonne. A enseigné de 2000 à 2012 à Toulouse School of Economics (TSE). A fondé ECOPA; – Georges Casamatta, docteur en économie TSE, en disponibilité du CNRS (labo de TSE). Responsable de l’algorithmique; – Pierre Dubois, ENSAE et docteur en économie EHESS, professeur à TSE. Pierre est un des plus grands experts mondiaux du pricing appliqué. Responsable de la modélisation structurelle de la demande. • Une équipe de développeurs menée par: – Jean-François Morazzani, Master Software Technology Edimbourg, développeur senior. Architecte général. 6‹N°›
  7. 7. FONCTIONNALITES 2. Fondements scientifiques 7
  8. 8. Données (1) - Ventes • Principales variables obligatoires: – Identifiant article; – Identifiant catégorie; – Date de la vente; – Quantité vendue; – Prix; – Coût unitaire. • Articles doivent être classés par catégories d’articles homogènes et substituables entre eux (voir plus loin: cannibalisation). • Fréquence des données: quotidienne, hebdomadaire ou mensuelle; • Format des données: Fichiers csv multiples, avec gestion du flux de données adaptée à pricing quotidien ou infra-quotidien • Menus déroulants pour appariement avec noms de variables existants  s’adapte à de nombreux formats de données de vente. 8
  9. 9. Données (2) - Promotions • Prezzu intègre tout type de promotion (offre flash, soldes, solde coupon, tête de gondole, etc.) dans les données et l’analyse correspondante. • Présence de promotion codée par une variable binaire (1= promo; 0 = pas de promo) 9
  10. 10. Données (3) – Prix concurrents • Principales variables obligatoires: – Identifiant article; – Date de relevé; – Identifiant concurrent; – Prix concurrent. • Imputation des prix manquants: dernier prix disponible ou interpolation, dans la limite du nombre maximum de jours manquants; • Table de correspondance entre identifiants propres et identifiants de la concurrence, si nécessaire (matching souple entre données crawling et données internes) 10
  11. 11. Estimation modèle de demande (1) • Fondé sur des techniques micro-économétriques ayant fait leurs preuves en pricing appliqué (voir Annexe: Fondements Scientifiques). • Caractéristiques principales: – Est une quantification de l’approche « Value-based pricing »: tient compte de la valeur subjective perçue de chaque article, à prix supposé égal; – Tient compte de cannibalisation au sein d’une catégorie: changement du prix d’un produit affecte ventes des autres produits dans la catégorie. Possibilité de tenir compte de la cannibalisation imbriquée en catégories et sous catégories; – Corrige la causalité inverse depuis les quantités vendues vers les prix. Cette causalité inverse existe dans les données car les pricers réagissent aux ventes; – Tient compte de la saisonnalité / spécificité de chaque période de temps; – Tient compte de l’obsolescence des articles (âge des articles sur le marché) – Intègre évidemment les prix de la concurrence; 11
  12. 12. Estimation modèle de demande (2) • Flexibilité dans le choix des périodes: – D’estimation: période des données sur laquelle le modèle est estimé (ex: toutes les données, derniers 6 mois, etc.); – De référence: période des données sur laquelle sont calculées les sorties de l’estimation (élasticités-prix, quantités prédites rétroactivement…) et les entrées de l’optimisation (liste des articles à pricer, prix de référence pour calcul des bornes, prix concurrents, coûts unitaires, …). Ex: dernière période, derniers 3 mois, etc. • Choix des points de vente: – VAD / magasins / région … – Points de vente multiples au sein d’un même modèle acceptés. 12
  13. 13. Estimation modèle de demande (3) • Choix des concurrents pertinents: – Pour chaque projet l’utilisateur peut choisir les concurrents qu’ils estime pertinents (« référents » sur le marché). • Comportement du modèle lorsque prix concurrent demeurent manquants (après imputation éventuelle) pour certaines dates, certains articles et certains concurrents: – Observation non utilisée; – On suppose article non offert par concurrence si prix toujours manquant; – On suppose article non offert par concurrence sur périodes concernées. 13
  14. 14. Estimation modèle de demande (4) Prezzu offre des fonctionnalités avancées pour l’estimation du modèle de demande telles que: – Procédure robuste d’agrégation sur un article composite par catégorie, si pas assez d’observations. – Segmentation optionnelle des catégories par les prix: algorithme de classification automatique (k-means) pour créer des catégories homogènes en termes de prix, qui seront utilisées pour tenir compte de la cannibalisation. – Paramètres de catégories possibles: • Part de marché: est utilisée pour calibrer taille de marché (sinon procédure automatique); • Taux de marge minimal: est utilisé comme contrainte dans l’optimisation des prix. – Coefficient affecté au prix dans le modèle peut être variable selon sous-catégorie (sinon uniforme au sein de la catégorie).
  15. 15. Estimation modèle de demande - Sorties (1) • Quantités prédites rétroactivement sur la base du modèle (ainsi que CA et marge, en volume et taux), pour évaluation rapide de la qualité des modèles; • R2: critère global d’ajustement du modèle aux données; • PValue: mesure précision estimation du coefficient affecté au prix dans le modèle; • Elasticités-prix robustes: par article et agrégées par catégorie; • Indice qualité par article: reflète la valeur perçue de chaque article par les consommateurs et permet de les classer par ordre de préférence, à prix supposé égal. • Quantification de l’impact des promotions: mesurée comme le taux d’accroissement des quantités vendues si on augmente de un jour la durée de la promotion en question. Disponible pour tous les types de promotions présents dans les données (ex: vente flash, soldes été, tête de gondole, promo marque, etc.). 15
  16. 16. Estimation modèle de demande - Sorties (2) 16 Histogrammes de fréquence des élasticités-prix par article – pour chaque catégorie (ici une SousFamille est une catégorie). Chaque barre représente la fréquence dans la catégorie d’un niveau donnée d’élasticité-prix.
  17. 17. Estimation modèle de demande - Sorties (3) 17 Quantités par article (= nombre d’unités vendues) en fonction des prix respectifs – pour chaque catégorie Volume de marge par article en fonction des prix respectifs – pour chaque catégorie
  18. 18. Optimisation des prix • Sur la base du modèle de demande et des coûts unitaires par article • Pour chaque catégorie, les prix par article sont optimisés pour maximiser l’objectif choisi, au choix: – CA; – Volume de marge; – Taux de marge (Volume de marge/CA). • Des contraintes de prix multiples et cumulatives peuvent être données sur: – Variation vis-à-vis des prix actuels; – Ecart min ou max avec prix concurrents; – Marges unitaires minimales, spécifiables par catégorie. • La période d’optimisation est choisie pour tenir compte des effets de saisonnalité ou liés à une période spécifique (ex: avant- noël). • L’état des promotions peut être spécifié sur la période d’optimisation, article par article • Possibilité d’actualiser prix propres et de la concurrence séparément des données historiques de vente; • Possibilité de pricer des articles entièrement nouveaux dans une catégorie qui a été précédemment estimée; • Permet en production des fréquences de pricing élevées, par exemple quotidiennes ou infra-quotidiennes. 18
  19. 19. Optimisation des prix – Sorties (1) • Sorties principales: – Prix optimisés par article; – Variation de prix en % (par rapport aux prix de référence actuels); – Quantités, CA et marge (volume et taux), évalués aux prix optimaux. 19
  20. 20. Optimisation des prix – Sorties (2) 20 Histogrammes de fréquence des variation de prix par article – pour chaque catégorie. Chaque barre représente la fréquence dans la catégorie d’un niveau donné de variation de prix.
  21. 21. Optimisation des prix – Sorties (3) 21 Visuel de positionnement vis- à-vis prix concurrents: avant et après optimisation des prix. Chaque point/triangle représente un article.
  22. 22. Autres sorties • Journal d’exécution complet. • Sorties Excel: – Résultats par article; – Résultats par catégorie. 22
  23. 23. ETAPES DE DÉPLOIEMENT 23
  24. 24. POC • Sur une partie limitée du catalogue; • Licence gratuite; • Data on-boarding: assistance à la préparation données; • Paramétrage modèle(s) en fonction des données et du marché spécifique du client; • 1 ou 2 campagnes d’optimisation de prix, y compris évaluation d’impact. 24
  25. 25. Services associés en production • Au-delà POC: – Paramétrage étendu à l’ensemble du catalogue; – Assistance préparation données sur tout le catalogue, si nécessaire. • Développement connecteurs I/O pour intégration du flux de données. • Accompagnement nouvelles campagnes d’optimisation de prix, avec nouvelles évaluations d’impact. • Training. 25

×