Le Blog Data by Lizeo

Comment analyser les prix sell-out du marché du pneu ? Une méthode en 5 étapes.

Comment analyser les prix sell-out du marché du pneu ? Une méthode en 5 étapes.

Analyser et suivre les évolutions de prix consommateur sur un marché quel qu’il soit, nécessite de bien identifier et définir les questions business auxquelles cette étude doit répondre :
  • Quelle est la dynamique des prix sell-out de mon marché ?
  • Quel est mon positionnement prix par rapport à mes concurrents ?
  • Sur quel panel de produits ? Dans quel segment ?
  • Dans quelle zone géographique ? Sur quel canal ?
  • Ma marge est-elle préservée ? etc.
 
Bien poser ces questions permettra de délimiter un périmètre et ainsi sélectionner et orienter le choix des données nécessaires à ces analyses, qu’elles soient internes ou externes.
 
Pour les données externes, il s’agit bien souvent de données de prix concurrents, relevées en ligne ou sur le terrain. Pour les données internes, il peut s’agir de volumes de vente, de prix sell-in, de taux de marge, etc. Dans la majorité des cas, ces deux types de données sont nécessaires pour effectuer une analyse prix pertinente.

Prenons le cas du marché du pneu :

 Définir le périmètre de la collecte des prix en ligne

Pour définir correctement un périmètre de collecte de données prix en ligne, plusieurs questions :

Qu’est-ce qu’une donnée prix consommateur de qualité ?

La définition d’une donnée prix de qualité réside dans sa capacité à répondre à plusieurs critères : 
 
  1. Le premier critère est de répondre précisément aux questions business que vous aurez défini au préalable. Ainsi lors des analyses de ces données, l’extraction des enseignements sera directement reliée aux problématiques évoqués en amont.
  2. Le second est la notion de confiance : traçabilité de la provenance de la donnée, répétabilité dans le process de collecte et indépendance du fournisseur par rapport au marché. Il ne peut en effet pas être vendeur de produits sur le marché visé et produire lui-même cette donnée.


Quel niveau de précision est nécessaire pour permettre des analyses de prix fines et cohérentes ?

Le niveau de précision de la donnée a un impact non négligeable sur les résultats d’une analyse. En effet, l’écart de prix moyen entre un pneu, avec ou sans marquage constructeur (ex : marquage AO pour Audi) pour une même dimension, peut varier de plusieurs pourcents. Ne pas être en capacité de les distinguer faussera une analyse de prix moyen sur une dimension précise.

Quand collecter la donnée ?

  • La donnée prix a intrinsèquement une durée de vie très limitée. Sa fraîcheur est donc un critère de première importance.
  • En effet, dans le e-commerce, la fréquence de repricing est très élevée, souvent au jour le jour dans l’industrie du pneu, parfois en intraday dans d’autres industries.
  • La fréquence de collecte est donc primordiale pour avoir des analyses les plus précises possible : un prix moyen par semaine sera d’autant plus précis si les prix sont collectés chaque jour.

Quels paramètres interviennent dans la collecte de la donnée prix en ligne ?

Le périmètre

  • Géographique : quels pays, régions, états ?
  • Sites marchands : nombre, localisation, etc.
  • Produits : quelles marques, quelles gammes de produits ?
  • Quel segment : Tourisme, Camion, Moto, etc.
  • Dimensions : 16, 17 ou 18 pouce

 La profondeur

  • Dimensions complètes : 205-55-R16-91V
  • Marquages techniques : Runflat, Marquage Constructeur (OE), Protection de jantes, etc.

La fraîcheur

  • Fréquence de collecte : journalier, hebdomadaire, etc.

Les paramètres qui interviennent dans la collecte de la donnée prix en ligne sont le périmètre, la profondeur et la fraîcheur

Comment collecter la donnée de manière automatisée, industrialisée et contrôlée ?

La collecte de données prix consommateur en ligne requiert l’usage d’outils qui viennent “parcourir » les sites marchands viser pour collecter l’information recherchée, sans les perturber (collecte éthique).

Ces outils doivent être performants et intelligents car un site e-commerce est amené à changer régulièrement: nouvelle conception, nouvelle mise en page, nouvelle URL, etc.

Ces changements ont un impact direct sur les outils de collecte de la donnée : changement du site = perte de la collecte.

Afin de maintenir ces outils à jour, vous avez besoin d’une équipe qui surveille quotidiennement chacun des sites et s’assure de la bonne opérationnalité du système, 24h/24, 7j/7.

 Nettoyer, matcher et unifier la donnée

C’est maintenant que la compétence métier « Data » entre en scène.

La description d’un pneu vendu en ligne est un des éléments pouvant varier sensiblement d’un site de vente en ligne à un autre.

La liste des attributs qui constitue la description d’un pneu et qui peut varier sont les suivants :

  • La marque
  • Le nom du produit
  • Les marquages techniques (runflat, OE Marking)
  • Le code manufacturier

 

Afin de pouvoir attacher les prix collectés au bon pneu, il est nécessaire de « comprendre » et décrypter les éléments clés affichés qui permettent d’identifier ce produit afin de pouvoir les comparer à un référentiel ‘propre’ de pneus existants (actuellement ou dans le passé) et validés (avec une source officielle l’attestant). C’est l’étape d’unification de la donnée.

Cette base de données « référentes » est la clé de voûte d’un système performant de matching afin de délivrer une donnée d’un niveau de qualité sans équivalent.

La comparaison des données collectées avec cette base référente permet de vérifier que les informations vues en ligne pour ce pneu existent bel et bien : est-ce que ce pneu est bien de cette marque ? avec ses attributs techniques ? etc.

Cela permet de catégoriser automatiquement et de manière systématique les données collectées en ligne :

  • Produit inconnu : est-il nouveau ?
  • Produit connu : rattachement du prix collecté, de sa source et de la date de collecte
  • Produit « faux » : la combinaison des informations est impossible – le produit n’existe pas

 

Enfin, les prix aberrants les plus grossiers sont également filtrés (ex : un pneu tourisme vendu moins de 20€ a peu de chance d’être réel)

La combinaison d’une base de données de pneu ultra qualitative, de technologies de matching, d’algorithmes de Machine Learning et d’expertise marketing produit permet de fournir une donnée avec un niveau de qualité et d’exhaustivité de haut niveau.

Cela vous permet de vous concentrer sur votre métier (l’analyse) et de gagner en efficacité. En effet, les analyses et les Data Scientists passent entre 50 et 80% de leur temps à nettoyer la donnée avant de commencer à pouvoir la manipuler !

Les Data Scientists passent entre 50 et 80% de leur temps à nettoyer la donnée avant de commencer à pouvoir la manipuler !

 Enrichir la donnée grâce à la connaissance du marché pneu

Toutefois, pratiquer des analyses sur ce niveau de données ne permet pas encore d’être suffisamment précis.
En effet, la segmentation du manufacturier de pneu, le segment de véhicule, la saison, le marquage constructeur ou l’EAN (European Article Numbering) ou GTIN (Global Trade Item Number) sont des exemples d’éléments de filtrage et d’analyse qui ont une importance capitale dans le suivi de prix de marché.
Malheureusement, ces données ne sont pas disponibles en ligne ou que très rarement avec un niveau de qualité très faible.
Il est donc nécessaire d’enrichir les données collectées en ligne avec des données « offline » issues de catalogue, barèmes de facturations, PriCat, le tout dans une vision unifiée, globale et multi-marques.
 

Données d’enrichissement : 

  • Manufacturer Segment (Tiers) : Premium (1), Medium (2), Budget (3)
  • Vehicle segment : Car, AllTerrain, Van, etc.
  • Season : Summer, Winter, AS, Nordic
  • OE Marking : Audi, Mercedes, BMW, Tesla
  • Technologies : Runflat, Seal, Extra Load, etc.

 Préparation et génération du cube de données final

L’étape de préparation transforme les données unifiées et enrichies en un ensemble de données (cube) qui intègre vos règles business, vos données internes mais également votre vision du marché et votre segmentation. En effet, les données sur les prix des concurrents sont un élément important de compréhension du marché mais les données internes le sont tout autant.

Exemples de règles business :

  • Segmentation des fabricants de pneu
  • Agrégation des données par chanel
  • Agrégation de produits par usage
  • Calculs avec sur un périmètre identique de dimensions
  • Clusterisation de produits

 

Exemples Données internes :

  • Volumes de vente
  • Données prix sell-in
  • Taux de marge
  • Montage OE (Pneu en 1ère monte sur marques et modèles de véhicules)

 

C’est à cette étape que la précision et l’homogénéité dans la collecte de données en ligne à toute son importance. En effet, la granularité des données online et des données interne doit être au même niveau afin de pouvoir faire parler ces 2 sets de données. On « matchera » ainsi ces deux sources de données à un même niveau afin de comparer les mêmes éléments.

 Analyse des données et extraction des enseignements

C’est la dernière étape. 
 
C’est le moment de venir injecter les données dans un ou plusieurs outils pour les travailler sous divers angles : analyse, simulation, modélisation, surveillance, extraction d’enseignements, prise de décisions, etc.
Toutefois, avant de les injecter, il est crucial de choisir le ou les bons outils afin de maximiser l’usage des données et l’adoption mais surtout de répondre précisément aux questions business établies à la première étape.
 
Comment ?
En dressant le portrait des utilisateurs de la donnée ainsi que des usages souhaités : c’est l’user persona. Son portrait se construit au travers de quelques questions simples :

  • Quel est son background ? Technique, Non technique.
  • Quel est son niveau de maturité / connaissance par rapport à la donnée ? Néophyte, expert, etc.
  • Quel est son métier ? Price Analyst, Data Scientist, Statisticien, etc.
  • Quels sont ses objectifs ? Étudier, suivre, décider, etc.
  • Quels sont les destinataires des études réalisées ? Management, Ventes, Marketing, etc.
  • Quelle est sa fréquence d’usage ? Quotidienne, hebdomadaire, mensuelle.

 

En fonction des users personae, on privilégiera :
  • Un outil de Data Science permettant de manipuler, de créer des vues et des cubes de données, de créer des scénarios et de le simuler, de comparer les scénarios, etc.
  • Un outil de Business Intelligence qui permet d’effectuer de la ‘data discovery’ et extraire des enseignements : filtrages poussés, data mining, construction d’indicateurs, etc.
  • Un outil de Data Visualisation ou dashboarding permettant de partager les enseignements, prendre rapidement des décisions ou de piloter quotidiennement une activité.

Pourquoi nous faire confiance dans cette méthodologie d’analyse des prix sell-out du marché du pneu ?
Lizeo Group soutient ses clients dans leur transformation digitale pilotée par les données et collecte quotidiennement de la donnée de prix de pneus en ligne depuis plus de 10 ans sur plus de 1000 sites e-commerce à travers le monde.

Cela représente environ 11,5 millions lignes de prix par jour, dans toutes les monnaies, qui sont nettoyées, matchées, enrichies et prêtes à l’emploi.

Dans cet article