Prédiction de la demande & élasticité prix

Paul Puget, Data Scientist à Pricing Assistantpaul[arobase]pricingassistant[point]com

15/10/2014

I. Problématique et intérêtII. Modélisation et utilisation

III. Conclusion

Sommaire

Problématique et intérêt

Cas pratique

Prix de vente = 100

Prix d’achat = 80

● Fonction de demande : D = nombre de vente sur un intervalle de temps● Prix : P = Prix sur ce même intervalle de temps

Comment prédire la demande ?

D = f(P)

Concept de l’élasticité prix demande

1%

Prix

?% Demande

● Elasticité de -1 = une augmentation de 1% du prix diminue de 1% la demande.

Modélisation

● Modèle statique linéaire

Comment la calculer ? (cas simple)

● Comment estimer les paramètres en limitant le nombre d’expérimentations / les pertes ?

● Multi-armed bandit problem.

Comment la calculer ? (cas simple)

Définition d’un résultat à optimiser.

Estimation des paramètres

Utilisation des résultats

Profit, ventes, ...Algorithme de résolution guidant expérimentation et estimation.

Prise de décision, dynamic pricing.

● Modèle à une variable

● Ne permet pas d’estimer l’élasticité.

● Modèle linéaire.

● Littérature plus précise

Limitations

● D: Demande● P: Prix● C: Concurrence● M: Dépense marketing● S: Dépenses en services● alpha, beta, gamma, delta: elasticités

Vers des modèles plus complexes

Méthodologie d’estimation

Collection des données.

Application du modèle.

Estimation des élasticités (machine learning)

Directement dans vos base de données client. + logiciels externes (Pricing Assistant)

Predictives APIs (prediction.io, …), SAAS ( Dataiku, …), conseil en statistiques/data science

Data visualisation et aide à la décision.

● Littérature assez jeune mais florissante.

● Modèle simple vs modèle plus complet

● Place à l’expérimentation !!

Conclusions

● Élasticité et expérimentation○ Simchi-Levi, D., Wang, H., & Weinstein, A. M. (2013). Dynamic pricing and demand learning with limited price experimentation

(Doctoral dissertation, Working paper, MIT, Cambridge, MA).

● Articles proposant des modèles○ Bayati, M. F., Shishebori, D., & Shahanaghi, K. (2013). E–products pricing problem under uncertainty: a geometric

programming approach. International Journal of Operational Research, 16(1), 68-80.

○ Dinerstein, M., Einav, L., Levin, J., & Sundaresan, N. (2013). Consumer Price Search and Platform Design in Internet Commerce.

○ Ellison, G., & Ellison, S. F. (2009). Search, obfuscation, and price elasticities on the internet. Econometrica, 77(2), 427-452.

● Multi-armed bandit problem○ http://en.wikipedia.org/wiki/Multi-armed_bandit

○ Kleinberg, R. D. (2004). Nearly tight bounds for the continuum-armed bandit problem. In Advances in Neural Information Processing Systems (pp. 697-704).

Références

Merci pour votre attention. Des questions ?