Construire des modèles d'élasticité IA pour optimiser l'assortiment et les prix en grande consommation

Un fabricant de produits de grande consommation gère en moyenne 4 000 à 12 000 SKUs actifs selon les catégories, distribués sur des circuits qui ont chacun leur propre structure de marges, de promotions et de comportements d'achat. La régression linéaire classique sur données Nielsen ou IRI capture l'élasticité directe d'un SKU, mais rate l'essentiel : la cannibalisation intra-marque, la substitution inter-marques, et les effets de hors-rayon sur les marques voisines. En 2025-2026, les équipes Category Management de Danone, Unilever et Nestlé ont commencé à remplacer ces modèles statiques par des approches d'élasticité dynamique combinant gradient boosting, réseaux de neurones et données scanner enrichies de signaux externe (météo, indices de confiance, flux promotionnels concurrents). Le problème n'est pas l'absence de données : c'est l'absence d'architecture de modèle adaptée à la volatilité des marchés CPG.

La séquence de construction : cinq étapes opérationnelles

Étape 1 : Définir le périmètre d'élasticité et la granularité cible

Avant de toucher au moindre notebook Python, l'équipe doit fixer deux paramètres non négociables. Premier paramètre : le niveau d'agrégation (SKU, marque, segment de catégorie) selon l'objectif. L'optimisation du prix de détail nécessite la granularité SKU-enseigne-semaine. L'arbitrage assortiment en centrales d'achat peut tolérer la granularité marque-circuit-mois. Deuxième paramètre : la fenêtre temporelle d'entraînement. En grande consommation, 104 semaines de données scanner sont un minimum pour capturer les effets saisonniers dans les boissons ou les sauces. Moins de 52 semaines produit des élasticités faussées par des effets promotionnels non représentatifs.

Étape 2 : Construire la matrice d'élasticité croisée

C'est là que la plupart des projets échouent faute de méthode. L'élasticité propre (own-price elasticityprice elasticitySensibilité de la demande à une variation de prix. Une élasticité élevée signifie que les clients réagissent fortement aux hausses de prix.Voir la définition complète →) d'un SKU n'est utile que replacée dans sa matrice de substitution. Concrètement : pour une catégorie de yaourts avec 80 SKUs référencés chez Carrefour, il faut estimer 80x79 paires d'élasticité croisée. Un modèle LASSO avec contraintes économétriques (symétrie et négativité des effets propres) réduit la dimensionnalité sans perdre la cohérence structurelle. Les équipes de P&G ont documenté l'utilisation de modèles de type "almost ideal demand system" augmentés par des features machine learning pour gérer ce problème de dimensionnalité dans les catégories soins personnels.

Étape 3 : Intégrer les données promotionnelles et de visibilité

Les élasticités calculées hors contexte promotionnel sont inutilisables pour la négociation trade. Il faut intégrer les variables de profondeur de remise (depth of discount), la présence en prospectus (feature), la mise en avant tête de gondole (display), et, depuis 2024, les données de visibilité digitale sur les applications des enseignes. La distinction entre élasticité "baseline" et élasticité "en activation" change radicalement la recommandation : un SKU peut avoir une élasticité baseline de -1,2 et une élasticité en promotion de -3,8, ce qui implique des décisions de pricing très différentes selon que l'on négocie un prix de vente régulier ou un prix de promotion catalogue.

Pour aller plus loin sur la façon dontles données promotionnelles s'intègrent dans la modélisation des dépenses trade et media, la leçon dédiée du curriculum détaille les interactions entre élasticité promotionnelle et retours sur investissement media.

Étape 4 : Produire des recommandations d'assortiment actionnables

Un modèle d'élasticité seul ne donne pas de recommandation d'assortiment. Il faut coupler les élasticités estimées à un optimiseur de portefeuille qui intègre les contraintes réelles : linéaire disponible par enseigne, minimums de commande logistique, impératifs de gamme (entrée de gamme, coeur de marché, premium), et objectifs de marge industrielle. L'output attendu n'est pas une liste de SKUs à supprimer mais une carte de contribution marginale par slot de linéaire, croisée avec le risque de perte de chiffre d'affaires en cas de déréférencement. C'est cet output que les équipes KAM peuvent porter en négociation avec les acheteurs GMS, avec des chiffres défendables catégorie par catégorie.

Étape 5 : Mettre en place une boucle de recalibrage

Les élasticités ne sont pas stables. L'élasticité-prix de l'huile de tournesol chez Leclerc en 2022 n'avait rien à voir avec celle de 2019, pour des raisons qui n'avaient pas grand-chose à voir avec le comportement consommateur intrinsèque. Le modèle doit être recalibré a minima trimestriellement, avec des tests de dérive (data drift sur les features d'entrée, concept drift sur la relation prix-volume). Les plateformes MLOpsMLOpsMachine Learning Operations : combinaison des pratiques ML et DevOps pour industrialiser, déployer, monitorer et réentraîner les modèles de façon fiable en production.Voir la définition complète → comme MLflow ou Weights & Biases permettent de suivre ces dérives automatiquement. La recalibration manuelle annuelle, pratique encore courante dans les équipes Revenue Growth Management, génère des erreurs de pricing qui se chiffrent en millions d'euros sur des portefeuilles de taille moyenne.

Les pièges qui font dérailler ces projets

Le premier piège est de confondre élasticité et causalité. Un modèle entraîné sur des données historiques capture des corrélations, pas nécessairement des effets causaux. Si une enseigne a systématiquement promu les SKUs à forte rotation les semaines de forte fréquentation, le modèle apprendra cette corrélation et surestimera l'élasticité réelle. Les tests A/B prix géolocalisés (par exemple sur deux régions ou deux groupes de magasins) restent la meilleure façon de valider la causalité avant de déployer des recommandations.

Le deuxième piège touche à la gouvernance des données scanner. Nielsen et Circana vendent des panels aux fabricants avec des conditions contractuelles qui limitent l'usage dans des modèles tiers ou des pipelines automatisés. Avant de construire un pipelinepipelineL'ensemble des opportunités commerciales actives réparties selon les étapes du processus de vente, avec leur valeur potentielle cumulée et leur probabilité de conclusion.Voir la définition complète → d'entraînement automatisé sur des données panel, il faut faire valider le contrat par le service juridique. Ce point est régulièrement sous-estimé dans les projets lancés par des équipes data sans implication de la direction des achats.

Enfin, les équipes doivent anticiper que les recommand

Le parcours complet sur ce secteur :IA dans FMCG (Consumer packaged goods).