Pricing Retail prédictif

Contexte

Refonte d'un système de pricing en retail, avec des décisions à prendre à grande échelle : chaque rayon, pour chaque magasin. L'objectif est de piloter les prix de façon prédictive, en tenant compte des dynamiques réelles de la demande et des interactions entre produits.

Objectif

Construire un dispositif complet permettant :

• De simuler l'impact d'un changement de prix avant exécution
• D'anticiper la demande en intégrant saisonnalité et tendance
• De modéliser les effets de cannibalisme
• D'optimiser simultanément volume et marge sous contraintes métier, au niveau rayon × magasin

Solution livrée

1. Moteur prédictif prix-demande

• Prévision de la demande conditionnellement au prix, avec prise en compte explicite de la saisonnalité et de la tendance
• Modélisation des interactions produit (cannibalisme) pour éviter les décisions localement "bonnes" mais globalement destructrices

2. Moteur de simulation de prix

• Capacité à tester des scénarios prix et à projeter leurs impacts sur volume et marge
• Analyse comparative de scénarios au niveau du rayon et du magasin

3. Moteur d'optimisation sous contraintes

• Optimisation multi-objectif (volume, marge) avec contraintes paramétrables
• Sorties opérationnelles par rayon et par magasin : recommandations de prix compatibles avec les règles et objectifs

Résultats

• Décisions prix plus cohérentes car basées sur une vision prédictive (pas uniquement descriptive)
• Réduction des effets indésirables liés au cannibalisme via une approche globale
• Arbitrage volume/marge explicite, gouvernable et industrialisable à grande échelle

Technologies

• Python (scikit-learn, optimization libraries)
• Modélisation économétrique de l'élasticité
• Optimisation sous contraintes