Comment l'IA peut-elle fixer le bon prix initial d'un produit de mode ?

L'IA fixe un prix initial en estimant comment la demande d'un produit réagira à différents niveaux de prix, à partir de produits passés comparables, des attributs produit et, si possible, de tests de prix contrôlés. Le modèle recommande le prix qui répond le mieux à un objectif, comme la marge à plein prix ou l'écoulement, dans le cadre de l'architecture de prix de la marque. Un bon prix initial réduit les démarques nécessaires par la suite.

Pourquoi le prix initial est-il si important dans la mode ?

Dans une activité saisonnière, le prix initial fixe le plafond de tout ce qui suit. Un prix trop élevé et le produit stagne en attendant sa première démarque ; un prix trop bas et la marque cède de la marge sur des articles qui se seraient vendus de toute façon. L'essentiel de l'attention portée à la tarification par IA va aux démarques, mais les propres travaux de Zara sur les prix de liquidation montrent que même des démarques optimisées ne récupèrent qu'une partie de la valeur : lors de l'expérience de terrain de Caro et Gallien en 2008, le processus optimisé a augmenté le chiffre d'affaires de liquidation d'environ 6 %. Bien fixer le premier prix, c'est avoir moins à récupérer.

Qu'est-ce que l'élasticité-prix et comment l'IA l'estime-t-elle ?

L'élasticité-prix mesure la variation en pourcentage de la demande pour une variation en pourcentage du prix. Un produit à forte élasticité perd beaucoup de ventes lorsque son prix augmente ; un produit à faible élasticité réagit à peine. L'analyse traditionnelle estime l'élasticité à partir de l'historique de prix de l'article lui-même, mais les nouveaux produits de mode n'en ont pas. Les modèles d'IA l'estiment donc à partir de schémas observés sur de nombreux produits passés : la manière dont des produits aux attributs, tranches de prix et canaux similaires ont réagi aux écarts et aux changements de prix.

MIT News décrit l'approche développée par David Simchi-Levi et ses collègues : rapprocher les nouveaux produits d'articles similaires, utiliser l'apprentissage automatique pour prédire la relation entre prix et demande, tester les prix sur des ventes réelles et ajuster la courbe, puis optimiser les prix sur de nombreux produits. Un résultat clé chez Rue La La, rapporté par la Harvard Business School, est que la demande d'un article dépendait des prix des autres articles de sa catégorie. Fixer le prix d'un produit isolément ignore que les clients comparent.

Lire aussi

IA et prix : l'optimisation des démarques expliquée

De quelles données un modèle de prix initial a-t-il besoin ?

Deux corrections sont essentielles. Les ventes des articles épuisés sous-estiment la demande : les chercheurs travaillant avec Rue La La ont donc utilisé l'apprentissage automatique pour estimer les ventes perdues avant la modélisation. Et les périodes promotionnelles doivent être signalées, faute de quoi le modèle apprend que chaque produit se vend à son prix remisé.

Comment fixer un prix initial avec l'IA, étape par étape ?

1. Définir l'objectif. Décider si le prix doit maximiser la marge à plein prix, l'écoulement ou le chiffre d'affaires, et comment les pondérer.
2. Fixer l'architecture de prix. Fournir au modèle les niveaux de prix autorisés et l'échelle entre les lignes d'entrée, de cœur et haut de gamme.
3. Préparer l'historique. Corriger au moins deux saisons de ventes des ruptures de stock, des promotions et de l'étendue de la distribution.
4. Estimer l'élasticité par segment. Regrouper les produits par catégorie, attribut et canal, et estimer la réaction au prix de chaque groupe.
5. Simuler des scénarios. Pour chaque nouveau produit, comparer les unités, le chiffre d'affaires et la marge prévus à plusieurs prix candidats, y compris l'effet sur les produits voisins.
6. Décider avec les merchandisers. Traiter le résultat comme une recommandation et consigner quand et pourquoi elle est écartée.
7. Apprendre des premières ventes. Comparer la réaction réelle des premières semaines avec la prévision et mettre à jour les estimations d'élasticité pour le prochain drop ou la prochaine saison.

Peut-on tester des prix sans nuire à la marque ?

Le test de prix est le moyen le plus direct d'apprendre l'élasticité, mais dans la mode il comporte des risques. Afficher des prix différents à différents clients pour le même article peut susciter des plaintes pour iniquité et, dans l'UE, les professionnels doivent indiquer lorsqu'un prix a été personnalisé par une prise de décision automatisée, en vertu du droit de la consommation modifié par la directive (UE) 2019/2161. Les protocoles de test plus sûrs font varier le prix entre produits comparables, marchés ou périodes plutôt qu'entre clients individuels, et maintiennent la fourchette testée dans l'architecture de prix de la marque.

Quels résultats une marque peut-elle raisonnablement attendre ?

Les preuves publiées sont encourageantes mais spécifiques. La Harvard Business School rapporte que l'expérience de terrain menée par Rue La La en janvier 2014 a augmenté le chiffre d'affaires des produits testés d'environ 9,7 %, avec un impact minime sur les unités vendues. MIT News a également fait état d'un test chez Groupon, où le chiffre d'affaires des offres a progressé d'environ 21 % au total. Il s'agit dans les deux cas d'entreprises en ligne pilotées par le prix, avec de nombreux articles à durée de vie courte, ce qui facilite l'expérimentation. Une marque de mode à plein prix doit s'attendre à des gains plus faibles et plus lents, et les mesurer sur ses propres données par rapport à sa méthode de tarification actuelle.

Lire aussi

Utiliser l'IA dans la planification de l'assortiment sans perdre la marque

Quelles sont les limites de la fixation du prix initial par IA ?

• L'élasticité apprise sur des produits passés peut ne pas se vérifier pour des catégories réellement nouvelles ou des collaborations.
• Les modèles saisissent ce que les clients ont payé, pas ce que la marque veut incarner ; le positionnement prix reste un choix stratégique.
• Le prix interagit avec la profondeur d'achat : un prix bas sur un achat peu profond conduit simplement à une rupture plus rapide, si bien que les décisions de prix et de quantité doivent être prises ensemble.
• Les clients wholesale et les marketplaces peuvent réagir à des niveaux de prix qui s'écartent des prix de vente conseillés : la cohérence entre canaux nécessite donc une vérification humaine.

Utilisé en tenant compte de ces limites, un modèle d'élasticité donne aux merchandisers une vision structurée de l'arbitrage entre marge et volume à chaque niveau de prix, ce qui constitue une base plus solide pour un prix initial que le prix de l'équivalent le plus proche de la saison précédente.