Pricing data-driven, markdowns et élasticité en pratique

# Pricing data-drivendata-drivenUne approche où les décisions s'appuient systématiquement sur l'analyse de données plutôt que sur la seule intuition.Voir la définition complète →, markdowns et élasticité en pratique

Un manteau d'hiver coûte 60 $ au distributeur. Il est lancé à 180 $. En février il se vend 89 $, et l'acheteur est content. Pourquoi 89 $ et pas 99 $ ou 79 $ ? Il y a une génération, la réponse venait de l'instinct du commerçant. Aujourd'hui elle vient des données : une estimation mesurée du nombre de manteaux supplémentaires vendus pour chaque dollar de baisse de prix, mise en balance avec le coût de garder un stock dont personne ne veut en mars.

Cette leçon montre comment cette estimation se construit et comment elle pilote deux décisions : le prix d'ouverture et la cadence de markdown (le calendrier des baisses de prix qui écoule le stock avant la fin de saison).

L'idée centrale : l'élasticité-prix

L'élasticité-prix de la demande mesure la sensibilité du volume de ventes au prix. La formule est simple :

> Élasticité = (% de variation des unités vendues) / (% de variation du prix)

Si une baisse de prix de 10 % augmente les ventes en unités de 20 %, l'élasticité est d'environ -2,0. Le chiffre est presque toujours négatif (prix plus élevé, moins d'unités). Les distributeurs laissent en général tomber le signe moins et parlent d'une « élasticité de 2 ».

Deux catégories pratiques :

• Élastique (supérieure à 1) : les clients réagissent fortement. Basiques de mode, accessoires électroniques, tout ce qui a des substituts faciles. Les remises génèrent du volume réel.
• Inélastique (inférieure à 1) : les clients réagissent à peine. Produits de base, articles uniques, besoins urgents. Ici, remiser revient à donner de la marge.

Tout le jeu consiste à savoir quels articles sont dans quelle catégorie, à quels moments, dans quels magasins.

Estimer l'élasticité à partir de votre propre historique

Pas besoin de laboratoire. Votre système de point de vente (POS) a déjà mené des centaines d'expériences naturelles : chaque promotion passée était un changement de prix avec une réponse mesurable des ventes.

Étape 1 : constituer le panel

Construisez une table au niveau SKU-magasin-semaine. SKU signifie Stock Keeping Unit, la déclinaison produit individuelle (ce manteau précis, en bleu marine, taille M). Chaque ligne doit contenir :

• unités vendues
• prix de vente réel (après promo éventuelle)
• présence ou non d'une promo active
• stock disponible
• indicateurs de saisonnalité de base (semaine de l'année, jours fériés)

Étape 2 : isoler l'effet prix

Le piège : les ventes montent en décembre parce que c'est décembre, pas uniquement parce que vous avez baissé les prix. Vous devez séparer le signal prix de la saisonnalité, de la météo et des ruptures. Un modèle de départ courant est la régression log-log, où le coefficient sur le log du prix est directement l'élasticité.

import statsmodels.formula.api as smf

# df contient : units, price, is_promo, week_of_year, store_id
df["log_units"] = np.log(df["units"])
df["log_price"] = np.log(df["price"])

model = smf.ols(
    "log_units ~ log_price + C(week_of_year) + C(store_id) + is_promo",
    data=df
).fit()

# le coefficient sur log_price EST l'estimation d'élasticité
print(model.params["log_price"])

Un coefficient de -1,8 signifie environ 1,8 % d'unités en plus pour chaque baisse de prix de 1 %. Vérifiez toujours l'intervalle de confiance : une fourchette large signifie que vous manquez de variation de prix pour faire confiance au chiffre.

Étape 3 : ajouter le contexte concurrentiel

Votre propre historique vous dit comment les clients réagissent à vos prix. Il ne vous dit pas ce que le concurrent d'à côté facture. C'est là qu'intervient le scraping des prix concurrents : la collecte automatisée des prix concurrents sur les sites publics.

Quelques précautions, car c'est souvent mal compris :

• Scraper des prix publics est une pratique courante, mais respectez les conditions d'utilisation de chaque site et la loi applicable. Les règles varient selon les pays. Traitez cela comme une question opérationnelle et juridique, pas purement technique.
• Les prix se périment vite. Un scrape du lundi peut être faux dès le vendredi.
• Faites correspondre les produits avec soin. Un manteau « similaire » avec une isolation différente n'est pas le même produit.

Les prix concurrents affinent le modèle en expliquant une demande que votre propre historique ne peut pas expliquer. Si vos ventes ont chuté une semaine sans aucun changement de prix de votre part, la promotion d'un rival peut en être la raison.

Pour une introduction solide et en langage clair à l'élasticité elle-même, le chapitre sur l'élasticité de OpenStax Principles of Economics est gratuit et fiable.

Fixer le prix d'ouverture

Avec une estimation d'élasticité par famille de produits, les prix d'ouverture cessent d'être une devinette.

Raisonnez à rebours à partir de vos objectifs. Pour un nouvel article de mode, l'objectif est en général de vendre la plupart des unités au prix plein ou proche pendant les semaines de pic, en laissant un reliquat gérable pour le markdown. Une élasticité élevée plaide pour un prix d'ouverture plus agressif afin de construire du volume tôt. Une faible élasticité vous permet de tenir une position premium.

Deux ancrages maintiennent le modèle honnête :

1. Le plancher de coût. Ne modélisez jamais en dessous du coût de revient rendu plus la marge minimale requise.

2. Le plafond concurrentiel. Les prix concurrents scrapés plafonnent votre marge de manœuvre à la hausse sur les produits comparables.

L'estimation d'élasticité guide ensuite où se positionner entre plancher et plafond pour maximiser la marge brutemarge bruteLa marge brute est la part du chiffre d'affaires qui reste après déduction du coût direct de production des biens ou services, exprimée en pourcentage du chiffre d'affaires.Voir la définition complète → attendue en valeur, pas seulement en pourcentage. Une marge de 55 % sur 100 unités perd face à une marge de 45 % sur 300 unités.

Le problème du markdown

Voici la tension que vit tout distributeur saisonnier. Vous avez acheté une quantité fixe de manteaux. Ils ont une durée de vie : après la saison, le stock restant est du capital mort, souvent liquidé pour des clopinettes. Mais chaque markdown précoce donne de la marge sur des manteaux qui se seraient peut-être vendus au prix plein.

L'optimisation des markdowns est la discipline consistant à planifier les baisses de prix pour écouler le stock avant une échéance tout en protégeant la marge totale.

Les deux coûts que vous arbitrez

• Coût d'attendre trop longtemps : unités invendues en fin de saison, écoulées bien en dessous du coût, plus le stockage et la trésorerie immobilisée.
• Coût de couper trop tôt : marge abandonnée sur des unités qui se seraient vendues plus cher.

Le chemin optimal se faufile entre les deux.

Comment le modèle fonctionne, conceptuellement

Il vous faut trois ingrédients par SKU :

1. Une prévision de demande à chaque prix candidat, pilotée par votre estimation d'élasticité et la saisonnalité.

2. Le stock restant et le nombre de jours restants dans la saison.

3. Une valeur de récupération : ce que vaut une unité restante après l'échéance.

Le moteur simule des calendriers de markdown (par exemple : maintien au prix plein pendant quatre semaines, puis -20 %, puis -40 %) et projette le stock final et la marge totale pour chacun. Il recommande le calendrier qui écoule le stock avant l'échéance avec la marge attendue la plus élevée.

Une intuition chiffrée

Disons que vous avez 500 unités, huit semaines restantes, et un rythme actuel de 30 unités par semaine au prix plein. À ce rythme, vous terminez avec 260 unités invendues. C'est le déclencheur.

Votre élasticité de 2,0 suggère qu'une baisse de 20 % porte le rythme hebdomadaire vers 42 unités environ. Refaites la projection : plus près de l'écoulement, mais peut-être pas suffisant. Le modèle peut recommander -20 % maintenant et une baisse plus profonde de 40 % en semaine cinq si le rythme reste en retard. L'important est la cadence, des baisses échelonnées, pas un unique bradage paniqué.

Le sell-through comme signal quotidien

Les commerçants suivent le sell-through rate : unités vendues divisées par unités reçues, en pourcentage. Si votre cible est 80 % de sell-through en semaine six et que vous êtes à 60 %, le modèle fait remonter l'écart assez tôt pour agir. Les systèmes de markdown modernes relancent ce calcul chaque semaine, parfois chaque jour, en réinjectant des données POS et de scraping fraîches.

Là où ça casse dans la vraie vie

Les modèles induisent en erreur quand les données mentent. Méfiez-vous de ceci :

• Les ruptures se déguisent en faible demande. Si vous avez vendu tout le stock mardi, vos ventes hebdomadaires sous-estiment la demande réelle. Signalez les périodes de rupture et excluez-les ou corrigez-les, sinon votre élasticité paraît artificiellement faible.
• Halo et cannibalisation. Remiser le manteau peut tirer les ventes d'écharpes assorties (halo) ou prendre des ventes à un manteau similaire (cannibalisation). Les modèles au niveau SKU passent à côté. Les vues au niveau catégorie aident.
• Dégâts sur la marque et la perception. Des remises profondes permanentes apprennent aux clients à attendre. Le modèle optimise cette saison ; il ne voit pas l'érosion de la demande au prix plein la saison prochaine. C'est un jugement de dirigeant, pas une formule.
• Variation de prix trop faible. Si un produit n'a jamais été remisé, vous n'avez aucun signal sur son élasticité. Empruntez des estimations à des articles similaires, et signalez l'incertitude.

Gouvernance pratique

Gardez des humains dans la boucle. Les meilleurs dispositifs laissent le système recommander et un commerçant approuver, avec des garde-fous : pas de prix sous le coût, pas de baisse supérieure à X % sans validation, pas plus d'un markdown toutes les deux semaines. L'algorithme gère l'échelle ; les gens gèrent le jugement et les exceptions.

Points clés à retenir

• L'élasticité se mesure, elle n'a rien de mystique. Votre historique POS est une bibliothèque d'expériences de prix passées. Une régression log-log, contrôlée pour la saisonnalité et les ruptures, la transforme en un chiffre exploitable par famille de produits.
• Optimisez la marge en valeur, pas en pourcentage. Une marge plus faible sur un volume plus élevé gagne souvent. L'élasticité vous dit quand.
• Les markdowns sont une cadence, pas un événement. Des baisses échelonnées guidées par le sell-through battent un bradage désespéré de fin de saison.
• Nettoyez d'abord les entrées. Ruptures, cannibalisation et scrapes concurrents périmés faussent toutes les décisions en aval. Corrigez-les avant de faire confiance au résultat.
• Gardez le jugement au-dessus de l'algorithme. Garde-fous et validation humaine protègent la brand equitybrand equityLa valeur commerciale que votre marque ajoute au-delà des attributs fonctionnels du produit : le premium de prix, la préférence et la loyauté qu'elle génère.Voir la définition complète → et la demande au prix plein de la saison suivante, qu'aucun modèle mono-saison ne peut voir.