Optimiser l'assortiment et le prix avec des modèles d'élasticité IA

# Optimiser l'assortiment et le prix avec des modèles d'élasticité IA

Une marque d'eau pétillante de milieu de gamme arrive à sa revue trimestrielle avec une chaîne nationale d'épicerie et apprend qu'elle perd deux facings (les emplacements visibles en première rangée d'un rayon) au profit de la marque de distributeur. La marque de distributeur coûte moins cher, se vend correctement et offre une marge plus grasse au distributeur. La demande de la marque est simple : gardez notre espace. La question du distributeur est plus tranchante : prouvez que vous le méritez.

C'est le champ de bataille quotidien du FMCG (fast-moving consumer goods, les produits alimentaires, boissons et produits ménagers conditionnés qui se vendent vite à faible marge). L'espace en rayon est fini. Chaque SKU (stock-keeping unit, une variante produit unique comme « citron-citron vert 35 cl, pack de 6 ») se bat pour l'obtenir. Les modèles d'élasticité IA sont désormais l'outil qui décide du gagnant.

Le problème de fond : l'espace est un jeu à somme nulle

Un planogramme est la carte visuelle de ce qui va où dans un rayon. Ajouter un produit signifie en retirer un autre. Le distributeur doit donc répondre à deux questions liées :

1. Assortiment : quels SKU devons-nous référencer, tout simplement ?

2. Prix : quel prix de rayon permanent maximise le profit de la catégorie, et pas seulement les ventes d'une marque ?

L'ancienne méthode, c'était l'intuition plus des tableurs. La nouvelle utilise le machine learning pour estimer précisément deux choses : comment la demande réagit au prix, et comment les produits se volent des ventes entre eux.

L'élasticité-prix, définie

L'élasticité-prix de la demande mesure la variation des ventes en unités quand le prix change. Si vous augmentez le prix de 10 % et que le volume chute de 20 %, l'élasticité est d'environ -2,0 (élastique, sensible au prix). Si le volume ne baisse que de 3 %, l'élasticité est d'environ -0,3 (inélastique, acheteurs fidèles).

Les catégories FMCG varient énormément :

• Café premium, boissons énergisantes : souvent inélastiques. Les acheteurs paient le prix.
• Eau en bouteille, sucre, essuie-tout : souvent élastiques. Les shoppers changent pour quelques centimes.

Le piège : l'élasticité n'est pas un chiffre unique. Elle change selon le distributeur, la région, la saison, l'état promotionnel et le prix des concurrents. Une estimation moyenne unique ne sert à rien. C'est là que l'IA compte. Elle peut estimer une élasticité conditionnée à des dizaines de variables à la fois.

Pourquoi le machine learning bat une régression simple

Une régression linéaire de base vous donne une élasticité par produit. La demande réelle est plus désordonnée :

• L'élasticité est non linéaire. Passer de 4,00 $ à 3,50 $ peut ne rien changer, mais franchir le seuil de 2,99 $ déclenche un saut.
• Les effets interagissent. La pluie, les jours fériés, les promotions concurrentes et les têtes de gondole déplacent tous la courbe.
• Les données sont rares pour les SKU nouveaux ou de niche.

Les arbres à gradient boosting et, de plus en plus, les modèles de demande en deep learning gèrent ces interactions sans que vous ayez à coder chaque règle à la main. Pour une bonne introduction gratuite au volet économique avant le ML, voyez les ressources de type FRED / economics elasticity overview et les cours en accès libre, mais ce sont les idées de modélisation ci-dessous que les équipes déploient réellement.

Ce que tout le monde oublie : la cannibalisation

La cannibalisation, c'est quand un de vos produits prend des ventes à un autre de vos produits plutôt qu'à un concurrent. Vous promouvez votre pack de 6 et le volume de votre pack de 12 peut baisser. Ce n'est pas de la croissance incrémentale. C'est du chiffre d'affaires déplacé.

L'élasticité-prix croisée mesure cela. Elle capture l'effet du prix du produit B sur la demande du produit A.

• Élasticité croisée positive : substituts. Baisser le prix du Coke Zero attire des acheteurs du CocaCocaCustomer Acquisition Cost : total des dépenses sales et marketing divisé par le nombre de nouveaux clients acquis sur la même période.Voir la définition complète → classique.
• Élasticité croisée négative : compléments. Des chips moins chères peuvent doper les ventes de salsa.

Une matrice de cannibalisation cartographie chaque paire de SKU. C'est l'artefact le plus important pour les décisions d'assortiment. Elle vous dit si retirer un SKU lent fait réellement perdre des ventes, ou si ces acheteurs se reportent simplement sur vos autres produits du même rayon.

Une matrice de cannibalisation simple

| | Cola std baisse son prix | Cola light baisse son prix | Marque de distributeur baisse son prix |

|----------------|----------------------|-----------------------|---------------------------|

| Unités Cola std | +18 % (propre) | -6 % (cannibalisé) | -9 % (perdu au profit de la MDD) |

| Unités Cola light | -5 % (cannibalisé) | +15 % (propre) | -7 % (perdu au profit de la MDD) |

Lisez les cellules hors diagonale. Les -6 % et -5 % sont du vol interne. Les -9 % et -7 % sont de vraies pertes concurrentielles. Les distributeurs regardent le net sur toute la catégorie, pas une ligne isolée.

Construire le modèle : ce qui entre dedans

Un système d'élasticité IA exploitable a besoin de ces inputs, dont la plupart sont déjà collectés par les distributeurs et les marques :

• Données de scan POS (point-of-sale, les transactions réelles en caisse) par magasin, semaine, SKU.
• Historique de prix et de promotions, y compris les displaysdisplaysLe nombre total de fois qu'une publicité ou un contenu est affiché, indépendamment des clics. Chaque affichage compte pour une impression, même auprès de la même personne.Voir la définition complète → et les prospectus.
• Prix des concurrents et des marques de distributeur.
• Attributs magasin : format, région, démographie des shoppers.
• Saisonnalité et événements du calendrier.

Une boucle de modélisation minimale ressemble à ceci :

# À titre d'illustration uniquement : estimer la demande, puis simuler un changement de prix
import lightgbm as lgb

features = ["price", "comp_price", "pl_price", "promo_flag",
            "week_of_year", "store_format", "region"]

model = lgb.LGBMRegressor()
model.fit(X_train[features], y_train_units)

# Simulation : et si on baissait le prix de 5 % ?
X_sim = X_current.copy()
X_sim["price"] *= 0.95
predicted_units = model.predict(X_sim)
# Comparer predicted_units à la baseline pour obtenir l'élasticité implicite
# Puis répéter pour les SKU voisins afin de capter la cannibalisation

Vous ne faites jamais confiance à la prédiction brute seule. Vous lancez des simulations contrefactuelles : changez un prix, gardez les autres fixes, lisez l'effet sur le SKU cible et ses voisins. C'est ainsi que vous extrayez l'élasticité et l'élasticité croisée que le modèle a apprises implicitement.

Du modèle au rayon : l'étape d'optimisation

Estimer la demande, c'est la moitié du travail. L'autre moitié consiste à choisir l'assortiment et les prix qui maximisent un objectif, en général le profit de la catégorie, sous contraintes réelles :

• Le rayon accueille un nombre fixe de facings.
• Certains SKU sont obligatoires (marques incontournables que les shoppers attendent).
• Rotation minimale des stocks pour éviter les invendus.
• Planchers de marge du distributeur.

Cela devient un problème d'optimisation sous contraintes. Le modèle propose : retirer la variante lente de 500 ml, donner ses deux facings au 1 L qui tourne vite, maintenir le prix permanent à 2,79 $ plutôt que 2,99 $ parce que le gain de volume compense largement la perte de marge unitaire, et le profit net de la catégorie augmente.

Retour à notre marque d'eau pétillante

Munie d'une matrice de cannibalisation, la marque revient en revue. Son argumentaire passe de « gardez notre espace, s'il vous plaît » à une affirmation étayée par les données : « Votre marque de distributeur et la nôtre servent des shoppers différents. L'élasticité croisée est faible. Si vous réduisez nos facings, l'essentiel de notre volume perdu sort de la catégorie au lieu de basculer vers votre marque. Voici la simulation de profit catégorie. »

Si les chiffres tiennent, le distributeur conserve les facings parce que le rayon entier gagne plus. Si les chiffres montrent que la marque est réellement remplaçable, la réponse honnête est de renégocier sur le prix ou la promotion commerciale. Dans les deux cas, la décision est fondée.

Précautions pratiques

Corrélation n'est pas causalité. Si les prix et les ventes baissent tous les deux pendant une récession, un modèle naïf peut « apprendre » que des prix bas causent des ventes faibles. Utilisez des tests sur échantillon de contrôle, des expériences géographiques (changer le prix dans certains magasins, pas dans d'autres) et des méthodes causales quand c'est possible.

L'élasticité dérive. Après l'inflation, beaucoup de shoppers sont devenus plus sensibles au prix sur les produits de base. Les modèles entraînés sur d'anciennes données sous-estiment l'élasticité. Réentraînez régulièrement.

Endogénéité. Les prix sont souvent fixés en réaction à la demande, ce qui biaise les estimations naïves. C'est un piège économétrique connu. Les analystes utilisent des variables instrumentales ou une variation expérimentale des prix pour le corriger. Si votre prestataire ne sait pas expliquer comment il le traite, soyez sceptique.

Par distributeur, pas un modèle unique. Un modèle calibré sur une moyenne nationale se trompera de prix sur n'importe quelle enseigne. La valeur réside dans le conditionnement au distributeur, à la région et au format.

Vers quoi cela va en 2026

Trois évolutions sont déjà en cours :

• Les données de retail media (les données shopper et publicitaires que les distributeurs vendent aux marques) alimentent des estimations d'élasticité plus riches et plus rapides.
• Des cycles de repricing plus rapides. Certains distributeurs équipés d'étiquettes électroniques de gondole actualisent plus souvent leurs prix permanents, donc les modèles doivent tourner plus fréquemment.
• Optimisation conjointe. Assortiment, prix et promotion sont de plus en plus résolus ensemble plutôt qu'en silos.

À retenir

• L'élasticité est conditionnelle, pas un chiffre unique. L'IA justifie son coût en estimant comment la sensibilité au prix varie selon le distributeur, la région, la saison et l'état du concurrent.
• La cannibalisation est l'input décisif pour l'assortiment. La matrice d'élasticité croisée sépare la vraie perte concurrentielle du simple déplacement interne, et c'est cela qui justifie réellement l'espace en rayon.
• La modélisation n'est que la moitié du travail. Associez les estimations de demande à une optimisation sous contraintes réelles de rayon et de marge pour obtenir des planogrammes et des prix actionnables.
• Protégez-vous des biais. Endogénéité, pièges de corrélation et dérive d'élasticité ruinent silencieusement les modèles naïfs. Validez par des expériences et réentraînez souvent.
• Construisez l'argumentaire autour du profit catégorie. Que vous soyez la marque ou le distributeur, l'argument gagnant est la performance totale du rayon, pas les ventes d'un seul SKU.