L’apprentissage automatique est une branche de l’intelligence artificielle dans laquelle un logiciel apprend des schémas à partir de données pour faire des prédictions ou prendre des décisions, au lieu de suivre des règles écrites à la main. En e-commerce et en tarification, il sert à prévoir la demande, à estimer la réaction des acheteurs au prix et à reconnaître quand deux fiches correspondent au même produit.
Apprendre à partir d’exemples plutôt que de règles
Une règle de prix traditionnelle pourrait dire : si un concurrent passe sous notre prix, alignez-vous, mais ne descendez jamais sous le coût plus 15 pour cent. Chaque condition est écrite par une personne. Un modèle d’apprentissage automatique reçoit au contraire de nombreux exemples passés, comme les prix, les dates, les niveaux de stock et les ventes qui ont suivi, et il ajuste ses paramètres internes jusqu’à ce que ses prédictions collent bien à ces exemples.
On obtient un modèle capable de faire une prédiction pour une situation nouvelle qu’il n’a pas vue exactement auparavant. Sa qualité dépend de la ressemblance entre cette nouvelle situation et les données dont il a appris.
L’entraînement est généralement suivi d’un test sur des données que le modèle n’a pas vues. Une approche courante met de côté les mois les plus récents, entraîne le modèle sur tout ce qui précède et vérifie s’il prédit bien la période mise de côté. Si la précision chute fortement sur ces données inédites, le modèle a appris le passé de trop près et ne saura pas généraliser.
Types d’apprentissage
- L’apprentissage supervisé apprend à partir d’exemples étiquetés, comme des prix passés associés aux unités vendues, et prédit l’étiquette de nouveaux cas.
- L’apprentissage non supervisé trouve une structure dans des données non étiquetées, par exemple en regroupant des clients ou des produits au comportement similaire.
- L’apprentissage par renforcement essaie des actions, observe la récompense et privilégie peu à peu les actions payantes ; cette approche est étudiée pour les décisions de prix successives.
La plupart des usages concrets dans le commerce de détail sont supervisés. Les familles de modèles vont de la simple régression linéaire aux ensembles d’arbres de décision et aux réseaux de neurones. Un modèle plus simple que l’équipe comprend est souvent plus utile qu’un modèle complexe que personne ne sait expliquer.
Usages courants dans la tarification et l’e-commerce
- Prévision de la demande, pour planifier stocks et promotions
- Estimation de l’élasticité-prix pour les produits ayant un historique de ventes suffisant
- Rapprochement de produits, pour déterminer si deux fiches aux titres différents désignent le même article
- Recommandations et classement des résultats de recherche sur les pages de la boutique
- Détection de la fraude au paiement
- Planification des démarques pour les stocks saisonniers
Le rapprochement de produits montre comment la technique s’articule avec les données concurrentielles. Titres, marques, références de modèle, images et attributs sont comparés, et un modèle évalue la probabilité que deux fiches désignent le même produit. Un mauvais rapprochement entraîne une mauvaise comparaison de prix : les correspondances peu sûres sont donc généralement vérifiées par une personne.
La prévision est souvent le point de départ le plus simple. Un modèle qui prédit les ventes du mois prochain pour chaque produit ne modifie aucun prix par lui-même, mais il aide les acheteurs à commander le stock, à planifier les promotions et à repérer les produits dont les ventes s’écartent des prévisions. Comme la prévision peut être confrontée à la réalité chaque semaine, la confiance se construit pas à pas.
Un exemple : prédire la réaction au prix
Imaginons, à titre d’exemple, une animalerie disposant de deux ans de données quotidiennes pour un sac de croquettes : son propre prix, le prix concurrent le plus bas relevé, le jour de la semaine, la saison et les unités vendues. Un modèle entraîné sur ces données pourrait estimer qu’à 52 dollars, avec des concurrents à 50, la boutique vend environ 30 sacs par jour, et à 49 dollars environ 38 sacs. Combinées au coût unitaire, ces estimations permettent à l’équipe de comparer le bénéfice attendu à chaque prix.
Ces estimations ne valent qu’à l’intérieur de la plage que le modèle a observée. Si la boutique n’a jamais pratiqué de prix au-dessus de 55 dollars, une prédiction à 65 dollars n’est qu’une supposition déguisée en chiffre. La bonne pratique consiste à tester prudemment de nouveaux niveaux de prix et à réintégrer les résultats dans les données.
Les données d’abord
Un modèle ne vaut que ce que valent ses données d’entrée. Jours manquants, prix enregistrés dans la mauvaise devise, ruptures de stock qui ressemblent à une faible demande et promotions non signalées enseignent tous au modèle la mauvaise leçon. Nettoyer et étiqueter les données demande généralement plus d’efforts que l’entraînement du modèle lui-même.
Les prix concurrents sont une donnée d’entrée courante, et ils exigent le même soin. Un relevé long et cohérent des prix et de la disponibilité des concurrents, comme celui que conserve l’historique des prix, donne à toute analyse, tableur ou modèle, une base plus fiable.
Risques et limites
- Le surapprentissage, quand un modèle mémorise le bruit passé et prédit mal sur de nouvelles données
- Les boucles de rétroaction, quand plusieurs systèmes automatisés réagissent les uns aux autres et que les prix dérivent
- Les décisions opaques que le personnel ne peut pas expliquer aux clients ou aux autorités
- Les biais, si les données ou les variables conduisent à des résultats injustes pour certains groupes de clients
- La dérive conceptuelle, quand le comportement du marché change et qu’un ancien modèle continue d’agir sur des schémas dépassés
Les règles sur les décisions automatisées, les données personnelles et les prix varient selon les pays. Utiliser des données personnelles pour fixer des prix individuels peut soulever des questions juridiques et éthiques : il est utile de demander un avis juridique spécialisé avant de le faire.
Utiliser l’apprentissage automatique de façon responsable
Laissez aux humains la maîtrise des limites. Les prix planchers, les prix plafonds et les variations quotidiennes maximales doivent être fixés par l’entreprise et appliqués quoi que suggère un modèle. Commencez par des prévisions qui éclairent une décision plutôt que par des modèles qui modifient directement les prix, contrôlez la précision par rapport à ce qui se passe réellement, et réentraînez ou retirez les modèles lorsque leur erreur augmente.
Il est aussi utile de comparer chaque modèle à une référence simple, comme les ventes de la même semaine l’an dernier ou une moyenne mobile. Si un modèle sophistiqué ne bat pas nettement cette référence, sa complexité supplémentaire ne se justifie pas. Documentez ce que fait chaque modèle, les données qu’il utilise et qui en est responsable, afin que les décisions restent traçables quand le personnel change.
À retenir
- L’apprentissage automatique apprend des schémas à partir de données au lieu de suivre des règles écrites à la main.
- En e-commerce, il sert à la prévision de la demande, à l’estimation de la réaction au prix et au rapprochement de produits.
- Les prédictions ne sont fiables que dans la plage de situations que le modèle a observées.
- Des données propres et cohérentes, prix concurrents compris, comptent davantage que la complexité du modèle.
- Des planchers et plafonds fixés par l’entreprise et une vérification humaine doivent encadrer toute décision automatisée.
Questions fréquentes
L’apprentissage automatique est-il la même chose que l’intelligence artificielle ?
L’apprentissage automatique est une partie de l’intelligence artificielle. L’IA est le vaste domaine qui consiste à faire accomplir à un logiciel des tâches qui semblent intelligentes, tandis que l’apprentissage automatique est l’approche qui acquiert ces capacités à partir de données.
Faut-il de l’apprentissage automatique pour bien fixer ses prix ?
Non. Des règles claires fondées sur le coût, les objectifs de marge et les prix concurrents fonctionnent bien pour de nombreuses boutiques. L’apprentissage automatique est surtout utile quand il y a beaucoup de produits, un historique abondant et des schémas trop complexes pour des règles simples.
De combien de données un modèle de prix a-t-il besoin ?
Il n’y a pas de chiffre fixe. Le modèle a besoin d’un historique suffisant, avec de vraies variations de prix, pour voir comment la demande réagit. Un produit dont le prix n’a jamais changé n’apprend rien au modèle sur la réaction au prix.
Termes associés
Dans BlackAha, Smart Price vous aide à obtenir un prix de vente conseillé pour chaque produit, à partir des prix des concurrents et du marché.