Comment les entreprises en ligne peuvent-elles exploiter de vastes données historiques, puissance de calcul, et des techniques sophistiquées d'apprentissage automatique pour analyser et prévoir rapidement la demande, et optimiser les prix et augmenter les revenus ?

Un article phare de la recherche dans le numéro d'automne 2017 du MIT Sloan Management Review par le professeur du MIT David Simchi-Levi décrit de nouvelles perspectives sur la prévision de la demande et l'optimisation des prix.

L'algorithme augmente le chiffre d'affaires de 10 % en six mois

Simchi-Levi a développé un algorithme d'apprentissage automatique, qui a remporté le prix INFORMS Revenue Management and Pricing Section Practice Award, et l'a d'abord mis en œuvre chez le détaillant en ligne Rue La La.

L'objectif initial de la recherche était de réduire les stocks, mais ce que l'entreprise a fini par être « un avant-gardiste, une application qui façonne la demande qui a un impact considérable sur les résultats du détaillant, " dit Simchi-Levi.

Le grand défi de Rue La La était de fixer le prix d'articles qui n'avaient jamais été vendus auparavant et nécessitait donc un algorithme de tarification qui pourrait fixer des prix plus élevés pour certains articles pour la première fois et des prix plus bas pour d'autres.

Dans les six mois suivant la mise en œuvre de l'algorithme, il a augmenté le chiffre d'affaires de Rue La La de 10 pour cent.

Prévision, apprendre, optimiser

Le processus de Simchi-Levi implique trois étapes pour générer de meilleures prévisions de prix :

La première étape consiste à faire correspondre les produits aux caractéristiques similaires aux produits à optimiser. Une relation entre la demande et le prix est ensuite prédite à l'aide d'un algorithme d'apprentissage automatique.

La deuxième étape consiste à tester un prix par rapport aux ventes réelles, et en ajustant la courbe de prix du produit pour correspondre aux résultats réels.

Dans la troisième et dernière étape, une nouvelle courbe est appliquée pour aider à optimiser les prix sur de nombreux produits et périodes.

Prédire la demande des consommateurs chez Groupon

Groupon dispose d'un vaste portefeuille de produits et lance des milliers de nouvelles offres chaque jour, en ne les offrant que pour une courte période. Puisque Groupon a une période de vente si courte, la prévision de la demande était un gros problème et la prévision presque impossible.

L'application de l'approche de Simchi-Levi à ce cas d'utilisation a commencé par générer plusieurs fonctions de demande. En appliquant ensuite un prix test et en observant les décisions des clients, des informations ont été glanées sur la quantité vendue - des informations qui pourraient identifier la fonction de demande la plus proche du niveau de vente au prix d'apprentissage. C'était la fonction finale demande-prix utilisée, et il a été utilisé comme base pour l'optimisation des prix pendant la période d'optimisation.

L'analyse des résultats de l'expérience sur le terrain a montré que cette nouvelle approche augmentait les revenus de Groupon d'environ 21 %, mais avait un impact beaucoup plus important sur les transactions à faible volume. Pour les offres avec moins de réservations par jour que la médiane, l'augmentation moyenne du chiffre d'affaires était de 116 pour cent, tandis que les revenus n'ont augmenté que de 14% pour les transactions avec plus de réservations par jour que la médiane.

Potentiel de perturbation de la banque et de l'assurance grand public

La possibilité d'automatiser la tarification permet aux entreprises d'optimiser la tarification d'un plus grand nombre de produits que la plupart des organisations ne trouvent actuellement possible. Cette méthode a également été utilisée pour une application physique en appliquant la méthode à la promotion et à la tarification d'une entreprise, dans divers canaux de vente au détail, avec des résultats similaires.

"Je suis très heureux que notre algorithme de tarification puisse obtenir des résultats aussi positifs dans un court laps de temps, " dit Simchi-Levi. "Nous pensons que cette méthode sera bientôt utilisée non seulement dans le commerce de détail mais aussi dans le secteur bancaire grand public. En effet, mon équipe au MIT a développé des méthodes connexes qui ont récemment été appliquées dans les secteurs du transport aérien et de l'assurance."

Cette histoire est republiée avec l'aimable autorisation de MIT News (web.mit.edu/newsoffice/), un site populaire qui couvre l'actualité de la recherche du MIT, innovation et enseignement.