Post on 21-Jun-2015
description
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 ?