Optimisation pricing dynamique

Contexte

E-commerce de luxe (mode et accessoires, CA 500M€) avec un pricing statique : les prix sont fixés en début de saison et ne changent qu'aux périodes de soldes. La concurrence multi-marques ajuste ses prix en temps réel. Les marges sont sous-optimisées : certains produits à forte demande sont sous-pricés tandis que d'autres pourraient bénéficier de promotions ciblées.

Problème & Défi

Pricing statique saisonnier : aucune réactivité aux variations de demande ou de concurrence. Marges non optimisées : sous-pricing estimé à 5-8% sur les produits à forte demande. Promotions génériques en fin de saison : destruction de valeur de marque. Aucune prise en compte de l'élasticité-prix par segment client. Manque à gagner estimé à 15-20M€/an par rapport à un pricing optimisé.

Solution & Livrables

Modèle ML de pricing dynamique calibré sur l'élasticité-prix par produit, segment et canal. Optimisation bayésienne des prix intégrant la demande prédite, les stocks et les objectifs de marge. A/B testing continu : chaque ajustement de prix est testé sur un échantillon avant déploiement général. Guardrails métier : respect du positionnement luxe (pas de guerre des prix), cohérence omnicanale. Dashboard pricing : marges par catégorie, impact des ajustements, benchmark concurrentiel.

Technologies