Le Blog Data par Lizeo
Comment simuler un Indice Prix de marché dans l’industrie du Pneu ?
Aujourd’hui, la capacité à élaborer un Indice (ou Index) Prix de Marché dynamique est devenue essentielle. En effet, cet indicateur permet de monitorer dans le temps la compétitivité de ses prix par rapport aux concurrents. Ainsi, il devient possible d’ajuster sa stratégie de pricing de manière proactive. C’est dans cette optique que Lizeo et ActiveViam ont associé leurs compétences. Leur objectif était de construire un Indice de Prix Marché pour l’industrie Pneumatique, grâce notamment à atoti.
Qu’est-ce que l’Indice Prix de Marché ?
Un indice de prix est une moyenne pondérée de ratios de prix. Généralement, il se calcule pour une classe donnée de biens ou de services, dans une région précise et pendant un intervalle de temps défini.
Ensuite, lorsqu’il est appliqué à une base de données de prix concurrents, l’indice prix devient un indice Prix de Marché. Dès lors, il permet d’analyser la compétitivité de ses tarifs. Cette analyse s’effectue à différents niveaux de granularité, allant du segment de marché jusqu’au SKU.
Par ailleurs, les méthodes de calcul employées pour agréger cet Indice sont multiples. Néanmoins, elles intègrent systématiquement des notions de pondération par les volumes de vente et de comparabilité des produits.
Agréger l’Indice pricing Marché : un besoin métier qui pousse les outils de Business Intelligence dans leurs retranchements
Dans le cas étudié, l’Indice Prix Marché a été construit par un manufacturier pneumatique du top 5 mondial. Pour y parvenir, la base de données Lizeo Price est utilisée. Concrètement, celle-ci est constituée des prix collectés quotidiennement sur les 800 principaux sites de vente en ligne mondiaux. De plus, elle couvre l’ensemble des références présentes sur ces plateformes depuis 2009. Cela représente environ 11 millions de prix collectés chaque jour. Au final, on obtient un historique colossal de plusieurs milliards de données.
À partir de cette base, des pré-calculs big data journaliers évaluent les prix mensuels par SKU et par site. Ces calculs incluent le minimum, le maximum, la moyenne et la médiane. Ensuite, le système stocke le résultat dans des tables spécifiques. C’est ici que les outils de Business Intelligence des équipes pricing viennent se connecter.
À lire également : [Cas Client] Une stratégie de pricing optimisée grâce aux données
Les limites des moteurs d’agrégation classiques
Le moteur d’agrégation intégré dans ces outils BI calcule l’indice Prix Marché. Pour cela, il effectue plusieurs étapes successives à partir des données élémentaires. Ces opérations suivent strictement les spécifications des experts du manufacturier :
-
Premièrement, la moyenne des prix par période de temps.
-
Deuxièmement, la moyenne des prix par dimensions.
-
Troisièmement, la moyenne des prix par produits.
-
Quatrièmement, la médiane des prix selon les sites web.
-
Cinquièmement, l’association des volumes de marché.
-
Finalement, le calcul de la moyenne pondérée par les volumes avec application de la Range Parity. Cela implique l’utilisation du mix dimensionnel de la marque de référence.
Qu’elle soit effectuée sur tout l’historique prix ou sur un sous ensemble restreint de périodes et de produits, cette succession d’agrégation met à mal le moteur d’agrégation des outils de BI leaders qui demandent des temps de calcul allant de 1 à 15 min pour afficher la courbe d’évolution de l’indice Pricing Marché sur tout le périmètre produit et tout l’historique.
Impossible dès lors pour les équipes pricing d’analyser dynamiquement l’indicateur, par exemple en ajoutant ou en filtrant certains produits, certains distributeurs, etc. pour observer le résultat en temps réel.
La migration vers un moteur d’agrégation optimisé
Pour permettre de gagner du temps de réponse et de donner la possibilité aux équipes Pricing d’analyser dynamiquement l’indicateur, Lizeo a réalisé un benchmark des moteurs d’agrégation disponibles sur le marché.
Parmi les critères de comparaison observés, la capacité à reproduire à l’identique les calculs attendus tout en ayant la possibilité de customiser les critères de filtrage via un langage de programmation démocratisé, étaient deux éléments fondamentaux.
Dans le cadre de l’étude, Lizeo a d’abord répliqué le calcul avec une autre solution de BI leader et obtenu des résultats similaires à ceux des outils actuellement en place, avant de mettre en œuvre un test approfondi de la solution atoti en condition réelles.
Pour cela, Lizeo, accompagné par ActiveViam tout au long du processus, a déployé une machine de test sur le Cloud Amazon ayant des caractéristiques équivalentes à la machine physique de production utilisée, puis implémenté à l’identique le calcul de l’index en Python sous atoti qui se présente comme une librairie complémentaire à ajouter au notebook Jupyter.
Pour comparer les résultats, Lizeo à établit un plan de test de performances qui consiste à lancer le calcul sur :
- Un cube de données constitué de 6 marques, 41 sites, dans un intervalle de temps allant du 05/2009 au 06/2020.06 (Taille QV disque 352 Mo – 774 Mo de Mémoire au chargement)
- Un cube de données constitué de toutes les marques disponibles dans le référentiel Lizeo, 41 sites, dans un intervalle de temps allant du 05/2009 au 06/2020.06 (Taille QV 914 Mo disque 3103 Mo de Mémoire au chargement)
Puis de jouer avec les critères de sélection en changeant la marque de référence et en dé-sélectionnant une marque concurrente, pour évaluer si les solutions comparées optimisent les temps de calcul si une partie de l’agrégation a déjà été effectuées lors d’une sélection précédente.
Les résultats du test sont présentés dans le tableau ci-dessous :
Au-delà de la compréhension du marché, la simulation de scénarios pour orienter sa stratégie d’offre (pricing et assortiment produits)
Avec la plateforme atoti, Lizeo s’est doté d’un asset technique lui permettant non seulement d’optimiser les performances des Analytics de compréhension marché les plus consommateurs de ressources CPU, mais également de les calculer dynamiquement selon différents scénarios à des fins d’analyse prospective.
Là où les outils de BI leaders traditionnels permettent uniquement de visualiser, puis de cruncher, un cube de donnée chargé en mémoire correspondant à un état historique du marché. Atoti permet soit de charger à la volée plusieurs cubes correspondant à plusieurs scénarios (par exemple : diminution des volumes de vente de X% sur un segment de marché), soit de saisir des données simulées directement depuis l’interface pour visualiser simultanément les résultats des scénarios sur le même KPI.
Un véritable atout pour planifier sa stratégie d’offre, en simulant par exemple l’effet d’un lancement de produit dans une catégorie donnée à un niveau de prix donnée et en observant le résultat sur l’indice pricing Marché, pour évaluer la pertinence du scénario vis à vis de la stratégie de positionnement globale.