Lizeo Group
Le Blog Data by Lizeo Group
La capacité à élaborer un Indice (ou Index) Prix de Marché dynamique, qui permet de monitorer dans le temps la compétitivité de ses prix par rapport aux concurrents, est clé pour ajuster sa stratégie de pricing de manière proactive. Lizeo et ActiveViam ont associés leurs compétences pour 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 ratio de prix, pour une classe donnée de biens ou de services dans une région donnée, pendant un intervalle de temps donné. 
Appliqué à une base de données de prix concurrent, l’indice prix devient un indice Prix de Marché et permet d’analyser la compétitivité de ses prix à différent niveau de granularité allant du segment de marché au SKU. 
Les méthodes de calcul employées pour agréger l’Indice Prix Marché sont multiples même si 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 (Indice prix Marché construit par un manufacturier pneumatique du top 5 mondial), la base de données de prix concurrent Lizeo.price est constituée des prix collectés quotidiennement sur les principaux sites de vente en ligne pneumatiques dans le monde (800 sites) pour l’ensemble des références présentes sur ces sites depuis 2009 (Soit ~11 millions de prix collectés chaque jour). Cela représente un historique de plusieurs milliards de prix.
A partir de cette base de données, des pré-calculs big data journaliers calculent les prix mensuels par SKU et par site (min, max, moyenne, médian) et stockent le résultat dans des tables sur lesquelles viennent se connecter des outils de Business Intelligence utilisés par les équipes pricing client. 

Le moteur d’agrégation intégré dans ces outils calcule l’indice Prix Marché en effectuant les étapes d’agrégation successives suivantes, à partir des données élémentaires issue des pré calculs et conformément aux spécifications des experts Pricing du manufacturier :

  • Moyenne des prix des période de temps
  • Moyenne des prix des dimensions
  • Moyenne des prix des produits
  • Médiane des prix des websites
  • Association des volumes marché
  • Calcul de la moyenne pondérée des prix par les volumes marché avec application de la Range Parity (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.
Haut