Les e-commerçant ont pour leviers principal sur la demande le prix. Il est donc très important de connaître à l'avance comment va réagir la demande par rapport au prix. Cet présentation décrit des méthodes de calcul de l'élasticité prix-demande et de prédiction de la fonction de demande. Il a un point de vue assez mathématique et technique sur la question.

1. Prédiction de la demande &
élasticité prix
Paul Puget, Data Scientist à Pricing Assistant
paul[arobase]pricingassistant[point]com
15/10/2014

2. Sommaire
I. Problématique et intérêt
II. Modélisation et utilisation
III. Conclusion

3. Problématique et intérêt

4. Cas pratique
Prix d’achat = 80
Prix de vente = 100

5. Comment prédire la demande ?
● Fonction de demande : D = nombre de vente sur un intervalle de temps
● Prix : P = Prix sur ce même intervalle de temps
D = f(P)

6. Concept de l’élasticité prix demande
Prix
1%
Demande
?%
● Elasticité de -1 = une augmentation de 1% du prix diminue de 1% la demande.

7. Modélisation

8. Comment la calculer ? (cas simple)
● Modèle statique linéaire
● Comment estimer les paramètres en limitant le nombre d’expérimentations / les pertes ?

9. Comment la calculer ? (cas simple)
● Multi-armed bandit problem.
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.

10. Limitations
● Modèle à une variable
● Ne permet pas d’estimer l’élasticité.
● Modèle linéaire.
● Littérature plus précise

11. Vers des modèles plus complexes
● D: Demande
● P: Prix
● C: Concurrence
● M: Dépense marketing
● S: Dépenses en services
● alpha, beta, gamma, delta: elasticités

12. 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.

13. Conclusions
● Littérature assez jeune mais florissante.
● Modèle simple vs modèle plus complet
● Place à l’expérimentation !!

14. Références
● 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).

15. Merci pour votre attention.
Des questions ?