Pour une image-prix cohérente et maîtrisée
IA pour le pricing : quels exemples d’application ? Ce document s’appuie sur l’expérience de notre équipe d’experts Big Data et Pricing en contact avec les leaders européens de la distribution. Notre mission est de développer des solutions technologiques de pointe se basant sur les dernières avancées d’IA et de machine learning, pour résoudre des problématiques data complexes endommageant directement la rentabilité et l’image-prix des enseignes.
À travers cet article, nous avons souhaité partager une préoccupation majeure des responsables pricing et marketing du secteur cosmétique et parapharmaceutique vis-à-vis de la segmentation de leur catalogue : comment travailler à la vitesse du marché et maintenir une segmentation – et donc un pricing – cohérents avec l’évolution du catalogue et des tendances ?
La classification ou segmentation des produits en fonction de caractéristiques communes (type de produit, contenance…) ou d’attributs de valeur (perception de la marque, innovation, tendance du moment…) est une étape préliminaire indispensable à l’industrialisation d’un pricing performant et centré sur la perception consommateur. Utilisées à des fins marketing, les équipes en charge du prix travaillent de plus en plus sur les classifications mais rencontrent toutefois de nombreux obstacles.
Des complexités de pricing liées la volatilité du marché
Au-delà de la complexité liée au nombre de références du catalogue, l’obstacle spécifique au secteur soin & beauté est la volatilité du marché. Ce secteur d’activité est extrêmement dépendant :
- des tendances des magazines de mode & beauté
- d’un fort taux de marques ou de sites e-commerce entrants
- des publications et avis partagés par les influenceurs spécialisés soin & beauté
Un produit banal depuis des années peut devenir du jour au lendemain un produit tendance. Un seul article de presse ou de blogueur ayant une forte visibilité peut lancer une nouvelle tendance cosmétique / soin. Le magazine en ligne Glossy explique dans cet article : “On peut voir sur TikTok une armée d’influenceurs spécialisés sur le soin de la peau, qui ont construit une communauté de “followers” si dévouée qu’ils peuvent booster ou détruire les ventes d’une marque en une publication.” (traduit de l’anglais). CeraVe est la marque emblématique de la puissance virale de TikTok, dont l’algorithme met en avant des contenus indépendamment des personnes que vous suivez et uniquement en fonction de vos réactions aux contenus précédents. L’algorithme ayant constaté que le contenu de l’influenceur @skincarebyhyram performait bien, celui-ci a poussé ses contenus à un large public et ainsi fait bondir la visibilité de sa marque fétiche : CeraVe.
Cet environnement imprévisible amène ainsi les équipes marketing et pricing des enseignes de soin et beauté à redéfinir constamment les classifications établies. Pourtant, les retailers de ce secteur indiquent que ces classifications sont encore faites manuellement et souvent “au bon sens”. La conséquence : des classifications vite dépassées et une fiabilité douteuse pouvant endommager les efforts réalisés sur le positionnement prix des produits reposant sur ces classifications.
Pourquoi ces problématiques sur la cohérence de l’offre ?
De manière générale, les outils classiques (Excel, BI…) imposent de choisir entre exhaustivité et vitesse de travail.
Ils ne permettent pas de travailler simultanément des classifications sur la totalité du catalogue lorsque ce dernier atteint des dizaines ou centaines de milliers de références. Les équipes doivent donc découper le catalogue produit, ce qui représente à la fois une perte de temps et une perte de cohérence générale. Une autre solution serait d’exclure certains groupes de produits, la stratégie perdrait donc en précision. Or se limiter à certaines catégories par manque de moyens technologiques, c’est prendre le risque de passer à côté de potentiels de marge inexploités ou d’être, là aussi, incohérents aux yeux du consommateur par rapport au positionnement global de l’enseigne.
Entre la taille du catalogue et les informations des classifications, l’utilisateur n’est pas en mesure de travailler à la vitesse du marché. Travailler en temps réel sous-entend d’avoir des classifications automatiques d’une part, et de pouvoir intégrer et modifier à la volée les classifications existantes d’autre part. Enfin, pour être pertinentes, ces modifications doivent pouvoir être intégrées sans délai dans la stratégie.
Pour un juste milieu entre exhaustivité et vitesse de travail, les outils les plus utilisés par les retailers aujourd’hui se concentrent finalement sur les 3 critères principaux définissant un produit et systématiquement disponibles dans le référentiel : le type de produit, la marque et la taille (ou contenance dans le cas des produits de soin et beauté). Intégrer des critères supplémentaires, spécifiques à chaque famille de produit et à partir d’un référentiel pas toujours complet, représente un défi technologique dans la gestion de grandes quantités de données. Du point de vue stratégique, aller au-delà permettrait pourtant aux personnes en charge du prix de classer les produits avec davantage de précision, et ce en intégrant des attributs de valeur et non uniquement des caractéristiques produits. Cette approche est en effet très importante en cosmétique où le consommateur ne se limite pas dans son choix à des critères “basiques”. Par exemple : “shampoing, Garnier, 250 ml, cheveux déshydratés, grand public” sont des caractéristiques déjà bien plus fines que “shampoing, Garnier, 250 ml”. On peut également aller plus loin avec des attributs de valeur pour le client en ajoutant par exemple à la classification précédente “nouveauté, self-cocooning, formule sans sulfate, ingrédients naturels, fabriqué en France, popularité instagram”.
Quelle est la pertinence de l’IA pour le pricing, pour les enseignes de cosmétiques en particulier ?
L’IA est partout mais on ne sait pas toujours comment l’utiliser et en tirer toute la valeur. Nous souhaitons donc présenter un use case d’application concret de l’IA pour le pricing : elle va permettre aux équipes d’automatiser les classifications produit existantes. En effet, en s’appuyant sur la base de données produits existants, il est possible d’entraîner une IA à reconnaître différents types de produits et à leur associer des attributs. L’algorithme pourra ainsi instantanément classer un produit tel que “Rouge à lèvre, Dior, rouge, mat, à raisin, édition de Noël” à partir d’une simple photo ou descriptif produit qui lui sont soumis et ce produit sera directement concerné par une stratégie prix “forte sensibilité” en période de Noël.
Cependant, comme vu précédemment, il y a dans l’industrie cosmétique une très grosse part d’imprévisibilité. Les pricing managers, chefs de produits ou category managers ont besoin d’outils pour travailler plus efficacement, mais surtout leur permettant de réagir très vite. C’est cette agilité que Mercio s’engage à offrir. Le choix de la couleur est un élément clé en cosmétiques, qu’il soit en rouge à lèvre, blush, fond de teint… Ainsi, si en reprenant l’exemple ci-dessus, le nude devient soudainement la tendance du moment, le pricer pourra mettre à jour instantanément la classification “couleur du moment”, et conserver un pricing cohérent.
Un outil de classification doit ainsi pouvoir proposer un savant mélange entre l’automatisation grâce à l’IA et une partie manuelle “corrective”, c’est-à-dire permettant à la personne en charge de garder le contrôle sur l’IA en rectifiant ou envoyant une nouvelle information par rapport à une évolution sur le marché, un produit entrant, une nouvelle tendance…
Comment procéder pour monter en performance sur les classifications et le pricing ?
La data science est un excellent point de départ pour créer des insights de valeur pour une enseigne qui n’a pas de classification existante. Dans le cas où elle possède déjà des classifications, la data science lui permettra de gagner en précision, en vérifiant la validité des classifications en place et en les enrichissant.
Les tickets de caisse représentent pour les distributeurs un volume de données à la fois colossal, et ces données sont continuellement renouvelées. Pour une IA, ce n’est pas un obstacle : au contraire, c’est une formidable opportunité d’apprendre. En analysant les tickets de caisse, un algorithme de machine learning peut ainsi identifier des comportements d’achat et liens entre produits très difficiles à percevoir « à l’œil nu ». Par exemple, des cas où la hausse du prix d’un shampoing entraînerait une baisse des ventes du gel douche de la même marque. Une fois la classification identifiée et l’automatisation en place, les équipes pourront “nourrir” l’algorithme d’IA de nouvelles informations. Cet article présente un premier exemple de classification. Toutes les données à disposition du retailer lui permettront de gagner en finesse : tickets magasin croisés aux paniers d’achat web, visites web et insights du programme de fidélité par exemple. Ainsi, de nouvelles classifications pourront être identifiées : produit “de routine”, produit d’impulsion…
En conclusion
L’IA pour le pricing a des bénéfices opérationnels pour les équipes tout en assurant l’atteinte des objectifs stratégiques grâce à une politique prix toujours à jour et pertinente. L’IA et les experts métier forment une équipe, elles se nourrissent mutuellement : l’IA permet de prendre en charge et maintenir les classifications avec rapidité. L’utilisateur surveille le bon fonctionnement et envoie de nouvelles informations à l’IA pour s’adapter au contexte (nouveaux produits entrants), à l’environnement concurrentiel et aux nouvelles tendances.
L’IA élimine les tâches chronophage de gestion des classifications dans le temps et les équipes peuvent ainsi se concentrer sur l’optimisation des stratégies de prix en fonction des différentes classifications, des indicateurs de performance et la stratégie commerciale de l’enseigne (ex : optimiser les marques propres, favoriser le web, cibler une nouvelle clientèle…). Un outil de pricing suffisamment puissant et flexible pour intégrer ces classifications en temps réel permettra de tester l’efficacité d’une classification, comparer différentes classifications et changer très vite de stratégie si nécessaire.
DE 
FR 
EN