SlideShare une entreprise Scribd logo
1  sur  15
Télécharger pour lire hors ligne
Prédiction de la demande & 
élasticité prix 
Paul Puget, Data Scientist à Pricing Assistant 
paul[arobase]pricingassistant[point]com 
15/10/2014
Sommaire 
I. Problématique et intérêt 
II. Modélisation et utilisation 
III. Conclusion
Problématique et intérêt
Cas pratique 
Prix d’achat = 80 
Prix de vente = 100
Comment prédire la demande ? 
● Fonction de demande : D = nombre de vente sur un intervalle de temps 
● Prix : P = Prix sur ce même intervalle de temps 
D = f(P)
Concept de l’élasticité prix demande 
Prix 
1% 
Demande 
?% 
● Elasticité de -1 = une augmentation de 1% du prix diminue de 1% la demande.
Modélisation
Comment la calculer ? (cas simple) 
● Modèle statique linéaire 
● Comment estimer les paramètres en limitant le nombre d’expérimentations / les pertes ?
Comment la calculer ? (cas simple) 
● Multi-armed bandit problem. 
Définition d’un 
résultat à 
optimiser. 
Estimation des 
paramètres 
Utilisation des 
résultats 
Profit, ventes, ... 
Algorithme de 
résolution guidant 
expérimentation et 
estimation. 
Prise de décision, 
dynamic pricing.
Limitations 
● Modèle à une variable 
● Ne permet pas d’estimer l’élasticité. 
● Modèle linéaire. 
● Littérature plus précise
Vers des modèles plus complexes 
● D: Demande 
● P: Prix 
● C: Concurrence 
● M: Dépense marketing 
● S: Dépenses en services 
● alpha, beta, gamma, delta: elasticités
Méthodologie d’estimation 
Collection des 
données. 
Application du 
modèle. 
Estimation des 
élasticités (machine 
learning) 
Directement dans 
vos base de 
données client. + 
logiciels externes 
(Pricing Assistant) 
Predictives APIs 
(prediction.io, …), SAAS 
( Dataiku, …), conseil en 
statistiques/data science 
Data visualisation et aide 
à la décision.
Conclusions 
● Littérature assez jeune mais florissante. 
● Modèle simple vs modèle plus complet 
● Place à l’expérimentation !!
Références 
● Élasticité et expérimentation 
○ Simchi-Levi, D., Wang, H., & Weinstein, A. M. (2013). Dynamic pricing and demand learning with limited price experimentation 
(Doctoral dissertation, Working paper, MIT, Cambridge, MA). 
● Articles proposant des modèles 
○ Bayati, M. F., Shishebori, D., & Shahanaghi, K. (2013). E–products pricing problem under uncertainty: a geometric 
programming approach. International Journal of Operational Research, 16(1), 68-80. 
○ Dinerstein, M., Einav, L., Levin, J., & Sundaresan, N. (2013). Consumer Price Search and Platform Design in Internet 
Commerce. 
○ Ellison, G., & Ellison, S. F. (2009). Search, obfuscation, and price elasticities on the internet. Econometrica, 77(2), 427-452. 
● Multi-armed bandit problem 
○ http://en.wikipedia.org/wiki/Multi-armed_bandit 
○ Kleinberg, R. D. (2004). Nearly tight bounds for the continuum-armed bandit problem. In Advances in Neural Information 
Processing Systems (pp. 697-704).
Merci pour votre attention. 
Des questions ?

Contenu connexe

Tendances

A Data Lake and a Data Lab to Optimize Operations and Safety within a nuclear...
A Data Lake and a Data Lab to Optimize Operations and Safety within a nuclear...A Data Lake and a Data Lab to Optimize Operations and Safety within a nuclear...
A Data Lake and a Data Lab to Optimize Operations and Safety within a nuclear...DataWorks Summit/Hadoop Summit
 
Information retrieval dynamic indexing
Information retrieval dynamic indexingInformation retrieval dynamic indexing
Information retrieval dynamic indexingNadia Nahar
 
Introduction To Hadoop | What Is Hadoop And Big Data | Hadoop Tutorial For Be...
Introduction To Hadoop | What Is Hadoop And Big Data | Hadoop Tutorial For Be...Introduction To Hadoop | What Is Hadoop And Big Data | Hadoop Tutorial For Be...
Introduction To Hadoop | What Is Hadoop And Big Data | Hadoop Tutorial For Be...Simplilearn
 
Ibm big data-platform
Ibm big data-platformIbm big data-platform
Ibm big data-platformIBM Sverige
 
Introduction to Probabilistic Latent Semantic Analysis
Introduction to Probabilistic Latent Semantic AnalysisIntroduction to Probabilistic Latent Semantic Analysis
Introduction to Probabilistic Latent Semantic AnalysisNYC Predictive Analytics
 
Overview of big data in cloud computing
Overview of big data in cloud computingOverview of big data in cloud computing
Overview of big data in cloud computingViet-Trung TRAN
 
Using a Semantic and Graph-based Data Catalog in a Modern Data Fabric
Using a Semantic and Graph-based Data Catalog in a Modern Data FabricUsing a Semantic and Graph-based Data Catalog in a Modern Data Fabric
Using a Semantic and Graph-based Data Catalog in a Modern Data FabricCambridge Semantics
 
Hadoop Overview & Architecture
Hadoop Overview & Architecture  Hadoop Overview & Architecture
Hadoop Overview & Architecture EMC
 
Introduction to Hadoop Technology
Introduction to Hadoop TechnologyIntroduction to Hadoop Technology
Introduction to Hadoop TechnologyManish Borkar
 
HiveServer2 for Apache Hive
HiveServer2 for Apache HiveHiveServer2 for Apache Hive
HiveServer2 for Apache HiveCarl Steinbach
 
Hadoop Presentation - PPT
Hadoop Presentation - PPTHadoop Presentation - PPT
Hadoop Presentation - PPTAnand Pandey
 

Tendances (20)

A Data Lake and a Data Lab to Optimize Operations and Safety within a nuclear...
A Data Lake and a Data Lab to Optimize Operations and Safety within a nuclear...A Data Lake and a Data Lab to Optimize Operations and Safety within a nuclear...
A Data Lake and a Data Lab to Optimize Operations and Safety within a nuclear...
 
NoSQL Basics - a quick tour
NoSQL Basics - a quick tourNoSQL Basics - a quick tour
NoSQL Basics - a quick tour
 
Information retrieval dynamic indexing
Information retrieval dynamic indexingInformation retrieval dynamic indexing
Information retrieval dynamic indexing
 
Text MIning
Text MIningText MIning
Text MIning
 
Azure Synapse Analytics
Azure Synapse AnalyticsAzure Synapse Analytics
Azure Synapse Analytics
 
Introduction To Hadoop | What Is Hadoop And Big Data | Hadoop Tutorial For Be...
Introduction To Hadoop | What Is Hadoop And Big Data | Hadoop Tutorial For Be...Introduction To Hadoop | What Is Hadoop And Big Data | Hadoop Tutorial For Be...
Introduction To Hadoop | What Is Hadoop And Big Data | Hadoop Tutorial For Be...
 
Ibm big data-platform
Ibm big data-platformIbm big data-platform
Ibm big data-platform
 
Introduction to Probabilistic Latent Semantic Analysis
Introduction to Probabilistic Latent Semantic AnalysisIntroduction to Probabilistic Latent Semantic Analysis
Introduction to Probabilistic Latent Semantic Analysis
 
Overview of big data in cloud computing
Overview of big data in cloud computingOverview of big data in cloud computing
Overview of big data in cloud computing
 
Using a Semantic and Graph-based Data Catalog in a Modern Data Fabric
Using a Semantic and Graph-based Data Catalog in a Modern Data FabricUsing a Semantic and Graph-based Data Catalog in a Modern Data Fabric
Using a Semantic and Graph-based Data Catalog in a Modern Data Fabric
 
Hadoop Overview & Architecture
Hadoop Overview & Architecture  Hadoop Overview & Architecture
Hadoop Overview & Architecture
 
Hadoop Tutorial For Beginners
Hadoop Tutorial For BeginnersHadoop Tutorial For Beginners
Hadoop Tutorial For Beginners
 
Presentation on Big Data
Presentation on Big DataPresentation on Big Data
Presentation on Big Data
 
NoSql
NoSqlNoSql
NoSql
 
Introduction to Hadoop Technology
Introduction to Hadoop TechnologyIntroduction to Hadoop Technology
Introduction to Hadoop Technology
 
Big data Analytics Hadoop
Big data Analytics HadoopBig data Analytics Hadoop
Big data Analytics Hadoop
 
Part1
Part1Part1
Part1
 
HiveServer2 for Apache Hive
HiveServer2 for Apache HiveHiveServer2 for Apache Hive
HiveServer2 for Apache Hive
 
04 data mining : data generelization
04 data mining : data generelization04 data mining : data generelization
04 data mining : data generelization
 
Hadoop Presentation - PPT
Hadoop Presentation - PPTHadoop Presentation - PPT
Hadoop Presentation - PPT
 

En vedette

Entity matching of web offers, from html to similarity score.
Entity matching of web offers, from html to similarity score. Entity matching of web offers, from html to similarity score.
Entity matching of web offers, from html to similarity score. Paul Puget
 
Promotion de Noël/Discount for Christmas
Promotion de Noël/Discount for ChristmasPromotion de Noël/Discount for Christmas
Promotion de Noël/Discount for ChristmasL'usine à lunettes
 
Powerpoint ACCES-EYES
Powerpoint ACCES-EYESPowerpoint ACCES-EYES
Powerpoint ACCES-EYESHugo Lulle
 
Recueil dexercices-corriges-de-microeconomie
Recueil dexercices-corriges-de-microeconomieRecueil dexercices-corriges-de-microeconomie
Recueil dexercices-corriges-de-microeconomiehassan1488
 
Onopia - Disruption chez les opticiens - Le business model d'HappyView.fr
Onopia - Disruption chez les opticiens - Le business model d'HappyView.fr Onopia - Disruption chez les opticiens - Le business model d'HappyView.fr
Onopia - Disruption chez les opticiens - Le business model d'HappyView.fr Onopia
 
Le marché concurrentiel: l'offre et la demande
Le marché concurrentiel: l'offre et la demandeLe marché concurrentiel: l'offre et la demande
Le marché concurrentiel: l'offre et la demandePaul Angles
 
85596523 cours-s1-microeconomie
85596523 cours-s1-microeconomie85596523 cours-s1-microeconomie
85596523 cours-s1-microeconomieZakaria Lebbate
 
Séance 4 - théorie de la demande
Séance 4 - théorie de la demandeSéance 4 - théorie de la demande
Séance 4 - théorie de la demandeEsteban Giner
 
Chapitre 5-la-fonction-marketing
Chapitre 5-la-fonction-marketingChapitre 5-la-fonction-marketing
Chapitre 5-la-fonction-marketingRosa Blanka
 

En vedette (11)

Entity matching of web offers, from html to similarity score.
Entity matching of web offers, from html to similarity score. Entity matching of web offers, from html to similarity score.
Entity matching of web offers, from html to similarity score.
 
Promotion de Noël/Discount for Christmas
Promotion de Noël/Discount for ChristmasPromotion de Noël/Discount for Christmas
Promotion de Noël/Discount for Christmas
 
ALAIN AFFLELOU GROUPE
ALAIN AFFLELOU GROUPEALAIN AFFLELOU GROUPE
ALAIN AFFLELOU GROUPE
 
Powerpoint ACCES-EYES
Powerpoint ACCES-EYESPowerpoint ACCES-EYES
Powerpoint ACCES-EYES
 
Recueil dexercices-corriges-de-microeconomie
Recueil dexercices-corriges-de-microeconomieRecueil dexercices-corriges-de-microeconomie
Recueil dexercices-corriges-de-microeconomie
 
Strategie de prix
Strategie de prixStrategie de prix
Strategie de prix
 
Onopia - Disruption chez les opticiens - Le business model d'HappyView.fr
Onopia - Disruption chez les opticiens - Le business model d'HappyView.fr Onopia - Disruption chez les opticiens - Le business model d'HappyView.fr
Onopia - Disruption chez les opticiens - Le business model d'HappyView.fr
 
Le marché concurrentiel: l'offre et la demande
Le marché concurrentiel: l'offre et la demandeLe marché concurrentiel: l'offre et la demande
Le marché concurrentiel: l'offre et la demande
 
85596523 cours-s1-microeconomie
85596523 cours-s1-microeconomie85596523 cours-s1-microeconomie
85596523 cours-s1-microeconomie
 
Séance 4 - théorie de la demande
Séance 4 - théorie de la demandeSéance 4 - théorie de la demande
Séance 4 - théorie de la demande
 
Chapitre 5-la-fonction-marketing
Chapitre 5-la-fonction-marketingChapitre 5-la-fonction-marketing
Chapitre 5-la-fonction-marketing
 

Similaire à Elasticité prix-demande dans le contexte du ecommerce.

Marketing et Big Data
Marketing et Big DataMarketing et Big Data
Marketing et Big DataJeremy Greze
 
Introduction au Machine Learning
Introduction au Machine Learning Introduction au Machine Learning
Introduction au Machine Learning Novagen Conseil
 
présentation six sigma uptraining français
présentation six sigma uptraining françaisprésentation six sigma uptraining français
présentation six sigma uptraining françaissimon leclercq
 
Main recsys factorisation
Main recsys factorisationMain recsys factorisation
Main recsys factorisationStéphane Canu
 
Facteurs cles de succes au developpement des objets connectes
Facteurs cles de succes au developpement des objets connectesFacteurs cles de succes au developpement des objets connectes
Facteurs cles de succes au developpement des objets connectesKeddy PRIAM
 
Nouveautes Minitab-Integration Python, Arbres de decision, Validation de mode...
Nouveautes Minitab-Integration Python, Arbres de decision, Validation de mode...Nouveautes Minitab-Integration Python, Arbres de decision, Validation de mode...
Nouveautes Minitab-Integration Python, Arbres de decision, Validation de mode...Minitab, LLC
 
Comment faire parler les data des candidats ?
Comment faire parler les data des candidats ?Comment faire parler les data des candidats ?
Comment faire parler les data des candidats ?Jeremy Greze
 
Cv dominique emmanuel
Cv dominique emmanuelCv dominique emmanuel
Cv dominique emmanuelDOMEMM
 
Introduction à la Data Science l data business
Introduction à la Data Science l data businessIntroduction à la Data Science l data business
Introduction à la Data Science l data businessVincent de Stoecklin
 
Reinforcement learning for e-marketing, presentation, 2012
Reinforcement learning for e-marketing, presentation, 2012Reinforcement learning for e-marketing, presentation, 2012
Reinforcement learning for e-marketing, presentation, 2012Florent Renucci
 
uyéyefygjhqjhgjhgequtCours-Data-Mining.pdf
uyéyefygjhqjhgjhgequtCours-Data-Mining.pdfuyéyefygjhqjhgjhgequtCours-Data-Mining.pdf
uyéyefygjhqjhgjhgequtCours-Data-Mining.pdfNajlaAllouche
 
Introduction au Business Design - Journée CEA 2013
Introduction au Business Design - Journée CEA 2013Introduction au Business Design - Journée CEA 2013
Introduction au Business Design - Journée CEA 2013Emmanuel GONON
 
Connaître son audience grâce à la Data - Parisa MAjlessi
Connaître son audience grâce à la Data - Parisa MAjlessiConnaître son audience grâce à la Data - Parisa MAjlessi
Connaître son audience grâce à la Data - Parisa MAjlessiJedha Bootcamp
 
Atelier expert CloudScreener - Partner VIP 2013
Atelier expert CloudScreener - Partner VIP 2013Atelier expert CloudScreener - Partner VIP 2013
Atelier expert CloudScreener - Partner VIP 2013CloudScreener.com
 
Go to Market : Business model / Marketing
Go to Market : Business model / MarketingGo to Market : Business model / Marketing
Go to Market : Business model / MarketingEmmanuel GONON
 
analyse de la valeur-.pdf
analyse de la valeur-.pdfanalyse de la valeur-.pdf
analyse de la valeur-.pdfJabirArif
 
Des mesures pour des décisions
Des mesures pour des décisionsDes mesures pour des décisions
Des mesures pour des décisionsJean-Michel POU
 

Similaire à Elasticité prix-demande dans le contexte du ecommerce. (20)

Marketing et Big Data
Marketing et Big DataMarketing et Big Data
Marketing et Big Data
 
Introduction au Machine Learning
Introduction au Machine Learning Introduction au Machine Learning
Introduction au Machine Learning
 
présentation six sigma uptraining français
présentation six sigma uptraining françaisprésentation six sigma uptraining français
présentation six sigma uptraining français
 
Main recsys factorisation
Main recsys factorisationMain recsys factorisation
Main recsys factorisation
 
Analye de la valeur
Analye de la valeurAnalye de la valeur
Analye de la valeur
 
Facteurs cles de succes au developpement des objets connectes
Facteurs cles de succes au developpement des objets connectesFacteurs cles de succes au developpement des objets connectes
Facteurs cles de succes au developpement des objets connectes
 
Nouveautes Minitab-Integration Python, Arbres de decision, Validation de mode...
Nouveautes Minitab-Integration Python, Arbres de decision, Validation de mode...Nouveautes Minitab-Integration Python, Arbres de decision, Validation de mode...
Nouveautes Minitab-Integration Python, Arbres de decision, Validation de mode...
 
Comment faire parler les data des candidats ?
Comment faire parler les data des candidats ?Comment faire parler les data des candidats ?
Comment faire parler les data des candidats ?
 
Cv dominique emmanuel
Cv dominique emmanuelCv dominique emmanuel
Cv dominique emmanuel
 
Introduction à la Data Science l data business
Introduction à la Data Science l data businessIntroduction à la Data Science l data business
Introduction à la Data Science l data business
 
Reinforcement learning for e-marketing, presentation, 2012
Reinforcement learning for e-marketing, presentation, 2012Reinforcement learning for e-marketing, presentation, 2012
Reinforcement learning for e-marketing, presentation, 2012
 
uyéyefygjhqjhgjhgequtCours-Data-Mining.pdf
uyéyefygjhqjhgjhgequtCours-Data-Mining.pdfuyéyefygjhqjhgjhgequtCours-Data-Mining.pdf
uyéyefygjhqjhgjhgequtCours-Data-Mining.pdf
 
Introduction au Business Design - Journée CEA 2013
Introduction au Business Design - Journée CEA 2013Introduction au Business Design - Journée CEA 2013
Introduction au Business Design - Journée CEA 2013
 
Debuteraveclesmls
DebuteraveclesmlsDebuteraveclesmls
Debuteraveclesmls
 
Connaître son audience grâce à la Data - Parisa MAjlessi
Connaître son audience grâce à la Data - Parisa MAjlessiConnaître son audience grâce à la Data - Parisa MAjlessi
Connaître son audience grâce à la Data - Parisa MAjlessi
 
Atelier expert CloudScreener - Partner VIP 2013
Atelier expert CloudScreener - Partner VIP 2013Atelier expert CloudScreener - Partner VIP 2013
Atelier expert CloudScreener - Partner VIP 2013
 
Go to Market : Business model / Marketing
Go to Market : Business model / MarketingGo to Market : Business model / Marketing
Go to Market : Business model / Marketing
 
analyse de la valeur-.pdf
analyse de la valeur-.pdfanalyse de la valeur-.pdf
analyse de la valeur-.pdf
 
Conférence 4 octobre 2012 coût de revient
Conférence 4 octobre 2012   coût de revientConférence 4 octobre 2012   coût de revient
Conférence 4 octobre 2012 coût de revient
 
Des mesures pour des décisions
Des mesures pour des décisionsDes mesures pour des décisions
Des mesures pour des décisions
 

Elasticité prix-demande dans le contexte du ecommerce.

  • 1. Prédiction de la demande & élasticité prix Paul Puget, Data Scientist à Pricing Assistant paul[arobase]pricingassistant[point]com 15/10/2014
  • 2. Sommaire I. Problématique et intérêt II. Modélisation et utilisation III. Conclusion
  • 4. Cas pratique Prix d’achat = 80 Prix de vente = 100
  • 5. Comment prédire la demande ? ● Fonction de demande : D = nombre de vente sur un intervalle de temps ● Prix : P = Prix sur ce même intervalle de temps D = f(P)
  • 6. Concept de l’élasticité prix demande Prix 1% Demande ?% ● Elasticité de -1 = une augmentation de 1% du prix diminue de 1% la demande.
  • 8. Comment la calculer ? (cas simple) ● Modèle statique linéaire ● Comment estimer les paramètres en limitant le nombre d’expérimentations / les pertes ?
  • 9. Comment la calculer ? (cas simple) ● Multi-armed bandit problem. Définition d’un résultat à optimiser. Estimation des paramètres Utilisation des résultats Profit, ventes, ... Algorithme de résolution guidant expérimentation et estimation. Prise de décision, dynamic pricing.
  • 10. Limitations ● Modèle à une variable ● Ne permet pas d’estimer l’élasticité. ● Modèle linéaire. ● Littérature plus précise
  • 11. Vers des modèles plus complexes ● D: Demande ● P: Prix ● C: Concurrence ● M: Dépense marketing ● S: Dépenses en services ● alpha, beta, gamma, delta: elasticités
  • 12. Méthodologie d’estimation Collection des données. Application du modèle. Estimation des élasticités (machine learning) Directement dans vos base de données client. + logiciels externes (Pricing Assistant) Predictives APIs (prediction.io, …), SAAS ( Dataiku, …), conseil en statistiques/data science Data visualisation et aide à la décision.
  • 13. Conclusions ● Littérature assez jeune mais florissante. ● Modèle simple vs modèle plus complet ● Place à l’expérimentation !!
  • 14. Références ● Élasticité et expérimentation ○ Simchi-Levi, D., Wang, H., & Weinstein, A. M. (2013). Dynamic pricing and demand learning with limited price experimentation (Doctoral dissertation, Working paper, MIT, Cambridge, MA). ● Articles proposant des modèles ○ Bayati, M. F., Shishebori, D., & Shahanaghi, K. (2013). E–products pricing problem under uncertainty: a geometric programming approach. International Journal of Operational Research, 16(1), 68-80. ○ Dinerstein, M., Einav, L., Levin, J., & Sundaresan, N. (2013). Consumer Price Search and Platform Design in Internet Commerce. ○ Ellison, G., & Ellison, S. F. (2009). Search, obfuscation, and price elasticities on the internet. Econometrica, 77(2), 427-452. ● Multi-armed bandit problem ○ http://en.wikipedia.org/wiki/Multi-armed_bandit ○ Kleinberg, R. D. (2004). Nearly tight bounds for the continuum-armed bandit problem. In Advances in Neural Information Processing Systems (pp. 697-704).
  • 15. Merci pour votre attention. Des questions ?