Big Data et pricing dans le e-commerce:
état de l’art, défis et tendances
1‹N°›
Charles Vellutini
Président
Michael Laroch...
Oscaro
• Leader européen de la pièce de rechange auto
• 300 millions € de CA
• Environ 500 000 références
• Précurseur du ...
Prezzu
• Optimisation de prix pour le e-commerce
• Liens étroits avec R&D: CNRS, Toulouse School of Economics (centre d’ex...
Pricing 1.0: Alignement sur
concurrence
• Sur base crawling systématique des prix
concurrents et ajustement au moins disan...
Pricing 1.0: Cost plus
• Marge fixe sur coût d’achat
• Variante: % fixe sur prix conseillé fabricant
 est une stratégie d...
Pricing 1.5: Vers le smart pricing
• Pricing proactif des articles best sellers par équipes de pricers qui:
– Adaptent pri...
Pricing 2.0: faire parler les données
de vente
• Sur la base des données, on quantifie:
– Elasticité-prix: indicateur crit...
Maximisation du volume de marge
8
PRICING 2.0: COMMENT ÇA
MARCHE?
2. Fondements scientifiques
9
Pricing 2.0: Flux de Données
10
Estimation modèle de demande –
Exemple
11
Histogrammes de fréquence des élasticités-prix par article – pour chaque
catégor...
Estimation modèle de demande –
Exemple
12
Quantités par article (= nombre
d’unités vendues) en fonction des
prix respectif...
Optimisation des prix
• Sur la base du modèle de demande et des coûts unitaires par article
• Pour chaque catégorie, les p...
Optimisation des prix – Exemple
14
Histogrammes de fréquence des variation de prix par article – pour
chaque catégorie
Cha...
Optimisation des prix – Exemple
15
Graphique de
positionnement vis-
à-vis prix
concurrents: avant
et après
optimisation de...
Pricing 2.0: Cas Oscaro
• Estime ses élasticités-prix depuis 2008
• Grâce à cette connaissance, a constamment gardé l’init...
Pricing 2.0: Défis
• Défi algorithmique.
• Pricing devient quotidien ou infra-quotidien  besoin impératif d’automatisatio...
Pricing 2.0: Tendances
• Pricing dynamique: offrir le « meilleur » prix individuel à chaque client en temps
réel
– Répond ...
Prochain SlideShare
Chargement dans…5
×

Atelier salon ecommerce 2015 pre0390 vellutini charles

712 vues

Publié le

Big Data et pricing dans le e-commerce: état de l’art, défis et tendances

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
712
Sur SlideShare
0
Issues des intégrations
0
Intégrations
37
Actions
Partages
0
Téléchargements
11
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Atelier salon ecommerce 2015 pre0390 vellutini charles

  1. 1. Big Data et pricing dans le e-commerce: état de l’art, défis et tendances 1‹N°› Charles Vellutini Président Michael Laroche Responsable du pricing 23 septembre 2015
  2. 2. Oscaro • Leader européen de la pièce de rechange auto • 300 millions € de CA • Environ 500 000 références • Précurseur du Big Data dans le e-commerce français • …notamment en pricing  Oscaro s’est imposé comme le price-maker du secteur 2
  3. 3. Prezzu • Optimisation de prix pour le e-commerce • Liens étroits avec R&D: CNRS, Toulouse School of Economics (centre d’excellence en pricing appliqué) • Prezzu travaille avec les leaders du pricing en France: – 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: pièces de rechange pour l’électroménager et les piscines. 3
  4. 4. Pricing 1.0: Alignement sur concurrence • Sur base crawling systématique des prix concurrents et ajustement au moins disant • Accompagné d’actions de promotion: – Search – Retargeting – Etc. est une stratégie de recherche de VOLUME et non d’optimisation des marges: « Vendre le plus possible sur la base des prix donnés par le marché. » 4
  5. 5. Pricing 1.0: Cost plus • Marge fixe sur coût d’achat • Variante: % fixe sur prix conseillé fabricant  est une stratégie de MARGE mais non-optimisée : le taux de marge ne tient pas compte du pricing power: « Laisser les volumes s’ajuster aux taux de marge souhaités » 5
  6. 6. Pricing 1.5: Vers le smart pricing • Pricing proactif des articles best sellers par équipes de pricers qui: – Adaptent prix à la réaction des ventes, en tenant compte de la pression concurrentielle – Utilisent le « pricing power » de leur marque/produit en margeant au maximum estimé acceptable par marché • Supérieur, mais: – Approche manuelle difficile à systématiser sur gros catalogues avec > 200 000 références – N’exploite pas les données pour en extraire la connaissance pricing pertinente. 6
  7. 7. Pricing 2.0: faire parler les données de vente • Sur la base des données, on quantifie: – Elasticité-prix: indicateur critique du pricing power – Impact de la cannibalisation (effets croisées entre articles semblables) – Impact des promos (soldes, tête de gondole, vente flash, etc.) – Impact des marques • Prédire la réaction des quantités vendues à une variation des prix en tenant compte de: – Prix de la concurrence – Saisonnalité – Cannibalisation au sein de catégories d’articles comparables – Autres variables de contrôle. •  Fonction de réaction optimale vis-à-vis de prix de la concurrence 7
  8. 8. Maximisation du volume de marge 8
  9. 9. PRICING 2.0: COMMENT ÇA MARCHE? 2. Fondements scientifiques 9
  10. 10. Pricing 2.0: Flux de Données 10
  11. 11. Estimation modèle de demande – Exemple 11 Histogrammes de fréquence des élasticités-prix par article – pour chaque catégorie Chaque barre représente la fréquence dans la catégorie d’un niveau donnée d’élasticité-prix.
  12. 12. Estimation modèle de demande – Exemple 12 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
  13. 13. Optimisation des prix • Sur la base du modèle de demande et des coûts unitaires par article • Pour chaque catégorie, les prix sont optimisés pour maximiser l’objectif retenu, au choix: – CA; – Volume de marge; – Taux de marge (Volume de marge/CA). • Des contraintes peuvent être données sur: – Variation vis-à-vis des prix actuels; – Ecart min ou max avec prix concurrents; – Marges unitaires minimales, spécifiables par catégorie. • Les promotions futures, si elles sont connues sur la période choisie d’optimisation, peuvent être données article par article et seront prises en compte dans optimisation. 13
  14. 14. Optimisation des prix – Exemple 14 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.
  15. 15. Optimisation des prix – Exemple 15 Graphique de positionnement vis- à-vis prix concurrents: avant et après optimisation des prix. Chaque point/triangle représente un article.
  16. 16. Pricing 2.0: Cas Oscaro • Estime ses élasticités-prix depuis 2008 • Grâce à cette connaissance, a constamment gardé l’initiative sur les prix, en avance sur ses concurrents • Intégration du flux de données et automatisation du pricing dans ses process 16
  17. 17. Pricing 2.0: Défis • Défi algorithmique. • Pricing devient quotidien ou infra-quotidien  besoin impératif d’automatisation • Intégration du flux de données : tout sauf trivial! – Données de crawling (prix concurrents): Défi de l’appariement des identifiants (matching) – Données de vente: défi de la préparation des données sur une fréquence quotidienne ou infra-quotidiennes • Défi du traitement de la longue traine: comment pricer des produits rarement ou pas encore vendus?  catégorisation pertinente des produits comparables 17
  18. 18. Pricing 2.0: Tendances • Pricing dynamique: offrir le « meilleur » prix individuel à chaque client en temps réel – Répond à la logique de segmentation: chaque client a une appétence au produit qui lui est propre  offrir des prix individuels est optimal – Problème: danger d’être perçu comme « discriminant » par les clients, voire problème de légalité – Défi technique majeur en termes de performance • R&D en pricing appliqué très active  besoin de coller à la frontière de la Data Science 18

×