Le problème métier
Les retailers fixent leurs prix de trois façons :
- Prix de vente conseillé fournisseur + marge cible mécanique (modèle classique mode/équipement)
- Alignement concurrentiel systématique (modèle mass market)
- Promotions et soldes pilotés au feeling par le merchandising en fin de saison
Aucune de ces approches ne répond à la vraie question : quel prix maximise réellement la marge totale du produit, compte tenu de son élasticité, de son stock restant, et du temps qu'il reste avant la fin de la saison ?
Conséquences opérationnelles :
- Marge perdue quand on a baissé trop tôt un produit qui se serait vendu au prix plein
- Stock invendu quand on a baissé trop tard un produit en fin de cycle
- Repositionnements concurrentiels mécaniques qui détruisent la marge sans gagner de parts de marché
- Soldes et démarques pilotés par tableur Excel mis à jour le vendredi soir
Sur des retailers à fort volume, ces inefficiences se mesurent en millions d'euros de marge laissés sur la table chaque année.
La solution
Un algorithme qui propose — pas qui décide — un prix optimal pour chaque produit, en fonction de :
- L'élasticité-prix estimée par catégorie ou produit (à partir de l'historique de ventes croisé avec les variations de prix passées)
- Le stock restant et le rythme d'écoulement
- La saisonnalité et la fin de saison anticipée
- Le positionnement concurrentiel (si vous voulez l'intégrer comme contrainte)
- L'objectif business : maximiser la marge totale, ou maximiser le CA sous contrainte de marge minimale
Deux usages distincts à différencier :
Usage 1 — Pricing courant
Optimisation des paliers de prix saisonniers (rentrée, été, hiver) ou repositionnements sélectifs. Gain typique : +0.5 à +1.5 % sur le panier moyen. Mature mais à effet diffus.
Usage 2 — Markdown optimization (le plus rentable)
Pilotage scientifique des soldes et démarques en fin de saison. L'algorithme calcule, pour chaque produit en surstock, la trajectoire de baisses successives qui maximise la marge totale écoulée avant la fin de saison. Gain typique : +2 à +5 % de marge brute sur le périmètre concerné. C'est le cas d'usage le plus rentable du pricing dans le retail mode et textile.
Comment estimer votre ROI
Le ROI dépend du cas d'usage prioritaire.
Pour le markdown optimization
Gain annuel =
(marge brute sur le périmètre concerné)
× (% gain de marge typique : 2-5 %)
Exemple pour un retailer mode avec 100 M€ de marge brute, dont 40 % du catalogue passe en démarque chaque saison :
- Périmètre concerné : 100 M€ × 40 % = 40 M€ de marge sur produits soldés
- Gain typique (+3 % médian) : 1.2 M€/an de marge récupérée
Pour le pricing courant
Gain annuel =
(CA total)
× (% gain panier moyen : 0.5-1.5 %)
Exemple pour un retailer 300 M€ de CA, gain médian +1 % :
- Gain : ~3 M€/an de CA additionnel (moins selon le mix marge/volume)
À calibrer sur votre marge brute, votre cycle saisonnier et votre proportion de catalogue passant en démarque.
Phases de déploiement
| Phase | Durée | Livrable décisionnel |
|---|---|---|
| Cadrage | 2 sem | Sélection de la catégorie pilote, audit donnée historique de prix, périmètre |
| V1 — Modèle d'élasticité | 4-6 sem | Élasticité estimée par catégorie, validation rétrospective sur historique récent |
| V2 — Optimisation markdown | 3-4 sem | Recommandations de trajectoires de prix sur fin de saison + interface pour merchandising |
| V3 — Pilote sur cycle réel | 4-8 sem | Test contrôlé sur les soldes ou la démarque, mesure du gain vs périmètre témoin |
| Roll-out | Continu | Extension à toutes les catégories, intégration ERP/PIM, ajustement saisonnier |
Quelles entreprises sont concernées
- Retailers avec >50 M€ de CA et un catalogue >1 000 références actives
- Catégories à élasticité-prix significative : mode, textile, équipement de la maison, beauté, sport
- Au moins 18 mois d'historique de ventes croisé avec les variations de prix (soldes, promos, repositionnements)
- Présence d'un cycle saisonnier marqué avec markdown récurrent (modes, collections) — c'est là que le ROI explose
Moins pertinent pour : alimentaire (élasticité faible, prix plafonnés par la concurrence), produits régulés (pharmacie, livre), retailers à très petit catalogue (<500 réf actives), pure-players à fluctuation tarifaire libre déjà en place.
Pièges à éviter
1. Confondre élasticité historique et élasticité actuelle. Si vous avez peu varié vos prix dans le passé (modèle marge cible mécanique), l'historique ne contient pas le signal nécessaire pour estimer l'élasticité. Le modèle apprend du bruit et donne des recommandations farfelues. La parade : commencer par des tests géo contrôlés sur 3-5 magasins pour calibrer les coefficients d'élasticité avant de généraliser. Beaucoup de projets pricing échouent parce qu'ils sautent cette phase de calibration.
2. Optimiser le pricing courant avant le markdown. Le markdown est plus rentable et plus facile (le client s'attend à des baisses, l'effet de halo est moindre, le stock est une contrainte forte qui structure le problème). Commencer par le markdown donne des résultats mesurables en 3-6 mois, qui financent ensuite l'extension au pricing courant. Beaucoup d'équipes commencent par le pricing courant — sujet plus ambitieux mais plus risqué — et abandonnent au bout de 9 mois sans résultat tangible.
3. Sous-estimer le change management côté merchandising. Les acheteurs et merchandisers ont construit leur expertise sur des décennies d'intuition pricing. Un algorithme qui propose des prix « contre-intuitifs » (« cette polaire mérite 49 € pas 39 € en démarque ») va générer de la résistance. La parade : positionner l'outil comme aide à la décision (pas comme automate), expliquer les recommandations, garder l'humain dans la boucle. Sans cet accompagnement, l'outil est ignoré dès la première saison.
4. Vouloir intégrer la concurrence en temps réel. Tentation classique : scraper les prix concurrents et ajuster les nôtres en automatique. Trois problèmes. (1) Le scraping de concurrents est juridiquement gris en France. (2) Aligner mécaniquement détruit la marge sans gagner de parts. (3) On entre dans des spirales de baisses concurrentielles dont personne ne sort gagnant. Le bon usage : la concurrence comme contrainte (« ne pas être plus cher que +X % du marché ») et non comme variable d'optimisation directe.
5. Ignorer la stabilité des prix entre canaux. Si votre algorithme produit un prix différent en e-commerce, en magasin et sur les marketplaces, vous créez de la confusion client et des arbitrages inattendus (achat en ligne d'un produit moins cher pour le retirer en magasin où il est plus cher). La cohérence multi-canal n'est pas un détail — elle se cadre dès le périmètre du projet, pas après. Sinon, vous gagnez 2 % de marge sur l'algorithme et vous en perdez 3 % en retours / litiges / saturation du SAV.