Pricing et optimisation des markdowns par l'IA

# Pricing et optimisation des markdowns par l'IA

Un retailer mode entre dans le mois de février avec 40 000 manteaux d'hiver encore en rayon. Chaque semaine qu'ils passent en stock, ils perdent de la valeur : les manteaux se démodent, l'espace d'entrepôt coûte de l'argent, et les collections de printemps arrivent déjà. La question n'est pas *s'il faut* remiser. C'est *quand*, *à quelle profondeur*, et *sur quels articles*, pour que le retailer écoule son stock sans céder une marge qu'il n'était pas obligé de céder.

C'est le problème du markdown. Il hante le retail depuis des décennies. L'IA s'y attaque aujourd'hui avec des calculs qu'aucun acheteur humain ne pourrait mener à la main.

Pourquoi le pricing est si difficile dans le retail

Le pricing retail paraît simple : on choisit un chiffre, on vend l'article. Il ne l'est pas.

Un seul retailer mode peut gérer des dizaines de milliers de SKU (stock keeping units, c'est-à-dire chaque variante unique de produit, par exemple un manteau rouge en taille M). Chaque SKU a sa propre courbe de demande, ses propres concurrents, sa propre durée de vie en rayon. Un manteau en laine ne se comporte pas du tout comme un t-shirt blanc basique.

Trois forces s'affrontent :

• Marge : le profit qui reste après le coût. Remisez trop tôt et vous la brbrLe pourcentage de visiteurs qui repartent après avoir vu une seule page, souvent le signe d'une pertinence insuffisante, d'un décalage d'intention ou d'une expérience utilisateur faible.Voir la définition complète →ûlez.
• Sell-through : le pourcentage du stock vendu en fin de saison. Remisez trop tard et vous restez avec du stock sans valeur.
• Perception de marque : des remises profondes et constantes apprennent aux clients à attendre les soldes.

Les acheteurs humains se sont traditionnellement appuyés sur l'intuition et des règles simples (« -20 % après la semaine 6 »). L'IA remplace la règle empirique par un modèle calibré sur chaque produit.

L'élasticité prix : la base

L'élasticité prix de la demande mesure de combien le volume des ventes change quand vous changez le prix. Si une baisse de prix de 10 % augmente les unités vendues de 30 %, la demande est *élastique* : les acheteurs sont sensibles au prix. Si la même baisse n'augmente les ventes que de 3 %, la demande est *inélastique* : le prix ne les fait presque pas bouger.

C'est l'input central de tout modèle de pricing.

Un exemple concret :

• Un sweat imprimé tendance est très élastique. Les acheteurs comparent, donc une petite remise écoule beaucoup d'unités.
• Un basique de garde-robe comme des chaussettes noires est inélastique. Les gens achètent ce dont ils ont besoin, indépendamment d'une petite variation de prix.

L'IA estime l'élasticité par produit (ou par cluster de produits) à partir de l'historique de ventes, des promotions, de la météo, des prix concurrents et du trafic web. Quand un produit est nouveau et sans historique, le modèle emprunte à des articles similaires, une technique appelée gestion du *cold start*.

Voici une régression log-log simplifiée, le point de départ classique que les équipes élasticité utilisent encore :

import numpy as np
import statsmodels.api as sm

# Données hebdomadaires historiques pour un produit
log_price = np.log(price)      # ex. prix hebdomadaire
log_units = np.log(units_sold) # ex. unités hebdomadaires

X = sm.add_constant(log_price)
model = sm.OLS(log_units, X).fit()

elasticity = model.params[1]   # la pente EST l'élasticité
print(f"Elasticity: {elasticity:.2f}")
# -1.8 signifie qu'une hausse de prix de 1 % fait baisser les unités d'environ 1,8 % : élastique

La pente du prix contre le volume, en échelle logarithmique, *est* l'élasticité. Une valeur inférieure à moins un signifie élastique ; entre zéro et moins un, inélastique. Les systèmes réels ajoutent la saisonnalité, les données concurrents et des modèles de machine learning qui battent la régression simple, mais l'intuition reste valable.

Si vous voulez creuser l'économie, le chapitre sur l'élasticité de OpenStax Principles of Economics est une introduction gratuite et solide.

Fixer le prix de base

Avant les markdowns, l'IA fixe le *prix de base* : le prix plein au lancement.

Le modèle pèse :

• Coût et marge cible : le plancher sous lequel vous ne vendrez pas.
• Prix concurrents : souvent scrapés quotidiennement sur les sites rivaux.
• Willingness to pay : dérivée de l'élasticité.
• PositionnementPositionnementL'espace mental que vous voulez occuper dans l'esprit de votre client cible, par rapport aux alternatives.Voir la définition complète → : une marque premium peut délibérément se placer au-dessus du marché pour signaler la qualité.

Le résultat est un prix qui maximise le profit espéré compte tenu de la courbe de demande, et non un simple coût plus markup fixe. C'est pourquoi la même veste peut porter des prix différents dans une chaîne discount et dans un grand magasin : leurs modèles, et l'élasticité de leurs clients, diffèrent.

Le problème du markdown, et pourquoi le timing fait tout

Revenons à ces 40 000 manteaux.

Un markdown est une baisse de prix permanente pour écouler, à distinguer d'une promotion temporaire. L'objectif : vendre les unités restantes avant que leur valeur ne tombe à zéro en fin de saison.

Le piège, c'est que les markdowns se cumulent. Coupez de 20 % maintenant et vous n'aurez peut-être pas besoin de couper de 50 % plus tard. Mais coupez trop tôt sur un produit qui se serait vendu à prix plein, et vous avez fait cadeau de marge à des clients qui auraient payé davantage.

C'est un problème de *décision séquentielle*. Le choix de chaque semaine modifie ce qui reste et ce que vous pourrez faire ensuite. C'est exactement la structure pour laquelle le reinforcement learning a été conçu.

Le reinforcement learning appliqué aux markdowns

Le reinforcement learning (RL) est un type d'IA dans lequel un « agent » apprend par essais et erreurs à maximiser une récompense de long terme. Voyez-le comme l'apprentissage d'un jeu : l'agent agit, observe les résultats, et ajuste.

Appliqué aux markdowns :

• État : stock actuel, semaines restantes dans la saison, prix actuel, sell-through récent, prix concurrents.
• Action : maintenir le prix, ou le baisser d'un certain montant.
• Récompense : profit réalisé, avec une pénalité pour le stock restant en fin de saison.

L'agent apprend une *policy* : une règle indiquant quel markdown appliquer dans chaque état. Point clé, il optimise sur *toute* la saison, pas seulement sur la semaine en cours. Il peut maintenir le prix maintenant parce que le modèle prévoit un pic de demande (une fête, un coup de froid) qui rendrait une remise précoce inutile.

Pourquoi le RL bat les règles fixes :

• Il réagit aux conditions réelles. Un hiver doux qui bloque les ventes de manteaux déclenche des baisses plus précoces et plus profondes.
• Il arbitre automatiquement entre chiffre d'affaires à court terme et risque de fin de saison.
• Il apprend les interactions entre produits : remiser les manteaux peut cannibaliser les ventes d'écharpes, ou les tirer vers le haut.

Les retailers laissent rarement un modèle tourner en pleine autonomie dès le premier jour. La plupart travaillent en *human in the loop* : l'IA recommande, un pricing manager valide, et les overrides alimentent le modèle. Comme les essais et erreurs sur des prix réels sont risqués et lents, les équipes entraînent d'abord les agents RL en *simulation*, avec un modèle de demande construit sur les données historiques comme bac à sable synthétique.

Garde-fous et contraintes

Un modèle sans contraintes fera des bêtises : brader un produit phare jusqu'à zéro, ou fixer des prix différents pour des articles identiques d'une manière qui agace les clients. Les systèmes réels y ajoutent des règles métier :

• Prix planchers : jamais sous le coût plus une marge minimale.
• Règles de terminaison : les prix finissent en ,99 ou ,95 pour la perception.
• Limites de fréquence de changement : éviter un pricing en coup de fouet qui érode la confiance.
• Cohérence de famille : la même chemise en cinq couleurs devrait normalement partager le même prix.

Il y a aussi des lignes juridiques. Un pricing fondé sur des caractéristiques protégées, ou une coordination des prix avec des concurrents, peut être illégal sur de nombreux marchés. Et le *dynamic pricingdynamic pricingAjustement automatique des prix en temps réel selon la demande, la concurrence ou le comportement des utilisateurs, pour optimiser le revenu, la marge ou la conversion.Voir la définition complète →* (des prix qui bougent selon la demande ou l'heure) attire l'attention des autorités de protection des consommateurs quand il ressemble à de l'abus de type surge. Gardez les équipes juridique et compliance près de vous. Cette leçon n'est pas un conseil juridique.

Mise en pratique : l'exemple des manteaux

Revenons aux 40 000 manteaux, à dix semaines de la fin de saison.

Semaine 1 : le modèle d'élasticité classe les manteaux comme modérément élastiques. L'agent RL constate un stock sain et des prévisions de froid. Il recommande de *maintenir* le prix plein. Le manager humain valide.

Semaine 4 : une période douce ralentit les ventes. Le stock est en retard sur le plan. L'agent recommande un markdown de 15 % sur les coloris les plus lents uniquement, en gardant les bestsellers à prix plein. C'est un markdown *ciblé*, pas généralisé.

Semaine 7 : il reste encore 12 000 unités. L'agent, tenant compte de la valeur de récupération quasi nulle des manteaux invendus, passe à 35 %. Il cale la baisse sur un week-end et sur les soldes d'un concurrent, moment où l'élasticité est la plus forte.

Semaine 10 : liquidation finale à 60 % pour atteindre un objectif de sell-through et libérer la surface pour le printemps.

Le résultat que le retailer recherche : une marge totale supérieure à celle d'une règle fixe « -20 % après la semaine 6 », parce que les remises ont été plus faibles, plus tardives, et ciblées uniquement là où elles faisaient bouger les volumes.

Ce qu'il faut pour que ça marche

Les maths sont la partie facile. Les parties difficiles :

• Données propres : des flux de ventes, de stock et de coûts justes. Garbage in, garbage priced.
• Données concurrents : un scraping de prix légal et fiable, ou un fournisseur de données.
• Confiance de l'organisation : les acheteurs doivent croire au modèle. Commencez par des recommandations, prouvez le lift, puis élargissez l'autonomie.
• Mesure : menez des tests A/B ou gardez des magasins témoins pour prouver que l'IA bat les anciennes règles, au lieu de le supposer.

Points clés

• L'élasticité est le moteur. Toute décision de pricing part de la sensibilité de la demande de chaque produit au prix, estimée par SKU à partir de l'historique et du contexte.
• Les markdowns sont un jeu séquentiel, pas un choix unique. Le reinforcement learning optimise sur toute la saison, maintenir puis couper, pour protéger la marge tout en écoulant le stock.
• Ciblez, ne généralisez pas. Remisez les articles lents et maintenez les bestsellers ; calez les baisses sur les moments de plus forte élasticité, comme les soldes concurrentes ou le trafic du week-end.
• Les garde-fous sont obligatoires. Prix planchers, règles de cohérence et limites légales au dynamic pricingdynamic pricingAjustement automatique des prix en temps réel selon la demande, la concurrence ou le comportement des utilisateurs, pour optimiser le revenu, la marge ou la conversion.Voir la définition complète → empêchent le modèle de détruire la marge ou d'enfreindre la loi.
• Prouvez avant de faire confiance. Utilisez la validation human-in-the-loop et des tests avec groupe témoin pour montrer que l'IA surperforme les règles simples avant d'accorder plus d'autonomie.