L'Histoire des techniques de pricing

Les origines et évolutions

Avant toute chose, afin de mieux comprendre les techniques de pricing d’aujourd’hui, nous vous proposons de faire un bond en arrière pour connaître leur histoire.

Tout d’abord, qu’est que le pricing ?

Le terme anglais « pricing » désigne une discipline à part entière qui consiste à définir les prix de vente. « Tarification »  est le terme français au sens le plus proche. Le pricing dynamique, ou tarification dynamique, est une stratégie de fixation du « meilleur » prix, capable de générer la meilleure espérance de gain en fonction de l'offre, de la demande, de la durée de vie du produit et bien d’autres variables encore.

La tarification différenciée, un mécanisme ancien

Le premier moyen de paiement était le troc. Depuis toujours l’Homme marchande des biens, et pour acquérir un bien, on l'échangeait contre un autre bien d’utilité à peu près égale. Déjà à ce moment-là, deux personnes ne payaient pas la même chose pour l’acquisition d’un même bien. Chacun payait en fonction de ce qu’il avait à disposition et ce dont il avait besoin.

Les premières monnaies étaient d’abord des coquillages, des cailloux, des graines de cacao ou même des peaux de bêtes. En réalité, on pouvait “payer” avec à peu près tout, du moment qu’à cet instant, son utilité était plus ou moins égale au bien que l’on voulait obtenir en se fondant sur la comparaison de la valeur des produits échangés avec des "valeurs-étalons" connues de tous (quantité donnée de céréales, d'or, ou d'argent). La monnaie d’échange telle qu’on la connaît aujourd’hui, c’est-à-dire des pièces en métal frappé (or, argent, bronze), est apparu  VIIe siècle av. J.-C par les Grecs d’Asie Mineure.

A savoir également que jusqu’au milieu du XIXe siècle, le commerçant fixait ses prix littéralement “à la tête du client”. Si le commerçant estimait que l’acheteur en face de lui avait la capacité de payer plus, il allait lui demander une somme d’argent plus importante que son voisin qui lui aura payé moins cher pour la même chose.

Un prix unique seulement depuis 150 ans

C’est seulement avec l’arrivée des Grands Magasins pendant la deuxième partie du XIXe siècle que les prix sont fixés et affichés clairement pour tous. Aristide Boucicaut fut le pionnier de ce commerce moderne et le fondateur à Paris du 1er Grand Magasin : Le Bon Marché. Il décide que dans son magasin, tous les prix de ses produits sont fixes et déterminés par étiquetage sur ou à côté du produit, ce qui élimine le besoin de marchander les prix comme cela se faisait avant.

L’émergence de la tarification dynamique

La tarification dynamique consiste à adapter son prix en fonction des conditions de marché.

La technique de Yield Management est née vers 1958 avec la compagnie American Airlines, qui utilisait les statistiques de réservation de ses vols pour pour optimiser le taux de remplissage de ses avions. Le but était de vendre plus de tickets que de places disponible à bord, tout en évitant que des passagers ne soient refusés à l’embarquement par manque de place réelle disponible. Mais c’est en 1984, à la suite de la dérégulation du secteur aérien aux États-Unis, que Robert Cross de la société Delta Air Lines inventa la technique de Yield Management telle que nous la connaissons aujourd'hui. Avec un budget inférieur à 3M$ et environ 50 personnes qui travaillaient déjà pour la société, il réalisa en moins d'un an plus de 300M$ de rentrées supplémentaires, en segmentant l'offre, la demande, la quantité, le prix, et le moment.

Pour pratiquer la tarification dynamique, il faut segmenter sa clientèle et être capable de prédire le comportement des consommateurs.

La segmentation, un passage obligé

Elle consiste à caractériser un ensemble (clients, produits,…) en groupes ayant des caractéristiques similaires.

Avant, les entreprises changeaient simplement leurs prix en fonction de l’intensité de la demande par rapport à l’offre disponible.
Aujourd’hui, avec une connaissance accrue des différents profils de consommateurs, les entreprises peuvent changer de stratégie et modifier les prix d’un profil à un autre avec une granularité bien plus fine. Pour se faire, le savoir faire métier est couplé avec des méthodes de Machine Learning non supervisé. Ce dernier consiste à regrouper des individualités étant statistiquement proches. Les acheteurs vont donc être segmentés suivant une multitude de critères tels que la sensibilité au prix, le comportement d’achat, les types de produits favoris, la géographie etc. Ces segments sont cohérents et complémentaires et permettent donc de créer un tarif pertinent pour chacun d’entre eux.

La prédiction de la demande, un élément essentiel

La prédiction de la demande se base sur les données historiques disponibles (lorsque ces dernières sont disponibles). Certaines sont stockées par l’entreprise (données transactionnelles, informations sur les clients,...) et servent à mesurer et caractériser la demande historique. D’autres peuvent être récupérées a posteriori afin de définir le contexte (prévision météo, indicateurs économiques, concurrentiels, etc.) dans lequel a eu lieu cette demande.

Ces données permettent, grâce (entre autre) à des algorithmes de Machine Learning supervisé, la construction de modèles mathématiques complexes qui établissent les relations statistiques entre le contexte et la demande: c’est la phase d'entraînement de l’algorithme.
Une fois cette modélisation faite, ces algorithmes sont capables de d’évaluer la demande future à partir des éléments de contexte actuel et futur connus.
Plus les données fournies sont qualifiées, plus les prédictions seront précises.

De la prédiction au Prix

En connaissant la typologie des clients à venir en terme de propension à payer, ainsi que le nombre de ces clients et leur moment d’arrivée (tout ça grâce aux deux étapes précédentes), on peut choisir à chaque instant le prix qui maximise le revenu espéré. C’est la phase d’optimisation.

Le modèle pourra par la suite être agrémenté de données provenant du terrain et apprendre des stratégies gagnantes pour proposer des prédictions toujours plus précises, grâce à des méthodes dites de Renforcement .

Ici, les prix qui seront prédits grâce au Machine Learning peuvent avoir un impact sur la réaction du consommateur car le prix est un facteur primordial pour le consommateur dans son intention d’achat. Le prix a un effet psychologique sur le consommateur pour apprécier la qualité d’un produit ou d’un service qu’il achète. D'un business à l'autre, les typologies de clients peuvent être extrêmement différentes, une connaissance du marché est donc indispensable pour servir au mieux ces typologies différentes. Le machine learning ne remplace pas la connaissance du terrain mais la complète.

Certaines personnes prennent plus en compte le prix que d’autres dans leur décision d'achat. Cette sensibilité diffère entre les consommateurs en fonction du bien ou service acheté et des caractéristiques de chacun.

Au cours de ces dernières années, l’augmentation des données disponibles et l’émergence des techniques d’IA ont permis d’augmenter en précision

• Chaque minutes, 1700 TB de données sont créées dans le monde. Dans les 10 prochaines années, le volume total de données à analyser devrait être multiplié par plus de huit selon le cabinet d'analystes IDC, pour atteindre 163 Zettaoctets •

La croissance du volume de données a commencé à prendre de l’ampleur quelques années après l’introduction d’Internet à un niveau mondial avec la démocratisation et la baisse des prix du matériel de stockage de données. L’importance que prend ces données croît tout aussi vite que leur volume, qu’elles soient internes aux entreprises (web traffic et historiques des achats par exemple) ou externes (connaissance des prix des concurrents, données issues des réseaux sociaux, de recherches Google, etc.)

Cette augmentation globale du volume et de la qualité des données permet de rendre la segmentation et la prédiction d’autant plus fines.

En plus de l’augmentation des volumes de données disponibles, la diminution des coûts du matériel informatique entre autre a également permis de rendre les techniques d’Intelligence Artificielle accessibles et efficaces.
Ces dernières ont fortement évolué et ont gagné en finesse, en rapidité et en efficacité.
Les techniques de pricing ont pu évoluer en profitant de ces progrès.

Ainsi la démocratisation des données permet de mieux connaître sa clientèle et donc de lui proposer des produits en accord avec ses attentes, de la fidéliser, mais égalements de détecter les cas pathologiques (churn par exemple).
Cette connaissance accrue du marché au niveau le plus granulaire permet de personnaliser les offres et donc de proposer le bon prix au bon moment pour chaque consommateur.

 

L’objectif d’un outil de pricing est de tirer profit au maximum de la demande d’améliorer le taux d’occupation en période creuse, d’améliorer le prix moyen sur les périodes de pointe et d’orienter les ventes tout en automatisant les processus et permettre aux équipes de prendre des actions immédiates.

pattern

Interested in getting information about revenue management in rental sector? We share our expertise!