Prédiction de la demande & 
élasticité prix 
Paul Puget, Data Scientist à Pricing Assistant 
paul[arobase]pricingassistant...
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 su...
Concept de l’élasticité prix demande 
Prix 
1% 
Demande 
?% 
● Elasticité de -1 = une augmentation de 1% du prix diminue d...
Modélisation
Comment la calculer ? (cas simple) 
● Modèle statique linéaire 
● Comment estimer les paramètres en limitant le nombre d’e...
Comment la calculer ? (cas simple) 
● Multi-armed bandit problem. 
Définition d’un 
résultat à 
optimiser. 
Estimation des...
Limitations 
● Modèle à une variable 
● Ne permet pas d’estimer l’élasticité. 
● Modèle linéaire. 
● Littérature plus préc...
Vers des modèles plus complexes 
● D: Demande 
● P: Prix 
● C: Concurrence 
● M: Dépense marketing 
● S: Dépenses en servi...
Méthodologie d’estimation 
Collection des 
données. 
Application du 
modèle. 
Estimation des 
élasticités (machine 
learni...
Conclusions 
● Littérature assez jeune mais florissante. 
● Modèle simple vs modèle plus complet 
● Place à l’expérimentat...
Références 
● Élasticité et expérimentation 
○ Simchi-Levi, D., Wang, H., & Weinstein, A. M. (2013). Dynamic pricing and d...
Merci pour votre attention. 
Des questions ?
Prochain SlideShare
Chargement dans…5
×

Elasticité prix-demande dans le contexte du ecommerce.

866 vues

Publié le

Les e-commerçant ont pour leviers principal sur la demande le prix. Il est donc très important de connaître à l'avance comment va réagir la demande par rapport au prix.
Cet présentation décrit des méthodes de calcul de l'élasticité prix-demande et de prédiction de la fonction de demande. Il a un point de vue assez mathématique et technique sur la question.

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

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
866
Sur SlideShare
0
Issues des intégrations
0
Intégrations
41
Actions
Partages
0
Téléchargements
18
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Elasticité prix-demande dans le contexte du ecommerce.

  1. 1. Prédiction de la demande & élasticité prix Paul Puget, Data Scientist à Pricing Assistant paul[arobase]pricingassistant[point]com 15/10/2014
  2. 2. Sommaire I. Problématique et intérêt II. Modélisation et utilisation III. Conclusion
  3. 3. Problématique et intérêt
  4. 4. Cas pratique Prix d’achat = 80 Prix de vente = 100
  5. 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. 6. Concept de l’élasticité prix demande Prix 1% Demande ?% ● Elasticité de -1 = une augmentation de 1% du prix diminue de 1% la demande.
  7. 7. Modélisation
  8. 8. Comment la calculer ? (cas simple) ● Modèle statique linéaire ● Comment estimer les paramètres en limitant le nombre d’expérimentations / les pertes ?
  9. 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. 10. Limitations ● Modèle à une variable ● Ne permet pas d’estimer l’élasticité. ● Modèle linéaire. ● Littérature plus précise
  11. 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. 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. 13. Conclusions ● Littérature assez jeune mais florissante. ● Modèle simple vs modèle plus complet ● Place à l’expérimentation !!
  14. 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. 15. Merci pour votre attention. Des questions ?

×