🤖 machine learning

Optimizing ARDL Models for Retail Sales Forecasting and Fair Pricing

Cet article propose un cadre de tarification de détail respectueux de l'équité qui utilise des modèles ARDL log-log avec des contraintes ancrées sur l'IPC et l'optimisation par recuit simulé afin de prévenir l'exploitation des consommateurs en traitant les élasticités-prix positives induites par l'inflation tout en équilibrant les objectifs de vente avec le bien-être des consommateurs.

Auteurs originaux : Sujay Uday Rittikar

Publié 2026-07-14✓ Author reviewed ⓘ

📖 7 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Sujay Uday Rittikar

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez que vous êtes le capitaine d'un gigantesque navire de l'épicerie naviguant à travers les eaux brumeuses du marché canadien. Votre tâche est de vendre de la nourriture — des pommes, des œufs, du lait, du pain et du café — à des millions de personnes. Vous voulez vous assurer que votre navire est bien rempli (maximiser les ventes), mais vous voulez aussi éviter de dépouiller vos passagers.

Pendant longtemps, certains capitaines ont utilisé la « tarification dynamique », qui est comme un surfeur chevauchant les vagues de la demande : si tout le monde veut une planche de surf, vous faites grimper le prix jusqu'aux étoiles. Mais ce document pose une question difficile : est-ce équitable ? Si vous augmentez trop les prix, vous risquez d'exploiter les gens, surtout lorsque le coût de la vie est déjà en hausse.

La boule de cristal magique (le modèle ARDL)

Pour résoudre cela, l'auteur, Sujay, a construit une boule de cristal spéciale appelée modèle ARDL. Considérez ce modèle comme une calculatrice voyageuse dans le temps qui regarde le passé pour deviner l'avenir. Il ne se contente pas de regarder combien de pommes ont été vendues le mois dernier ; il regarde comment le prix des pommes à l'époque a affecté les ventes maintenant, et comment le prix avant cela a affecté les ventes ensuite.

L'auteur a nourri cette boule de cristal avec des données allant de janvier 2017 à août 2024, couvrant l'ensemble du Canada. L'objectif était simple : prédire comment fixer les prix pour vendre le plus de nourriture possible, mais avec une règle stricte : vous ne pouvez pas charger plus que ce que l'Indice des Prix à la Consommation (IPC) juge équitable. L'IPC est comme un thermomètre gouvernemental qui mesure l'augmentation des prix à travers le pays en raison de l'inflation.

La surprise : le bug de la « pente ascendante »

C'est ici que l'histoire devient étrange. Lorsque l'auteur a analysé les chiffres sur les prix « nominaux » (les montants réels en dollars sur l'étiquette, non ajustés pour l'inflation), la boule de cristal a raconté une histoire bizarre.

Elle suggérait que des prix plus élevés entraînent en réalité des ventes plus élevées.

Oui, vous avez bien lu. Dans cette simulation spécifique, le modèle pensait que si vous augmentiez le prix du lait ou des œufs, les gens en achèteraient plus. C'est comme un bug dans un jeu vidéo où acheter une épée rend votre personnage plus fort, même si, dans la vraie vie, des épées coûteuses vous incitent généralement à en acheter moins.

Le document explique que ce n'est pas parce que les gens adorent payer plus cher, mais parce que tout augmente en même temps. Les prix augmentent et les ventes totales augmentent, tout cela à cause de l'inflation générale. Le modèle s'est trompé en pensant que la hausse des prix était la cause de la hausse des ventes.

Les deux navigateurs : le Robot contre l'Humain

Pour déterminer le meilleur prix, l'auteur a utilisé deux différents « navigateurs » pour diriger le navire :

Le Robot (Programmation Linéaire) : Ce navigateur est une machine de logique stricte. Il voit la règle buggée du « prix plus élevé = plus de ventes » et se dit : « D'accord, pour vendre le plus possible, je dois charger le prix maximum autorisé ! » Ainsi, il pousse chaque prix vers le haut, jusqu'à la limite de l'IPC. C'est comme un robot qui dirait : « Si la limite de vitesse est de 100, je roulerai à 100,0001. » Il trouve l'extrême mathématique, mais il n'est pas très amical envers les passagers.
L'Humain (Recuit Simulé) : Ce navigateur est un peu plus prudent. Il utilise une méthode appelée « Recuit Simulé » (Simulated Annealing), qui est semblable au refroidissement d'un métal. Il part d'un prix aléatoire et « refroidit » progressivement ses choix, testant différents prix pour voir ce qui fonctionne. Il ne se précipite pas vers la limite maximale. Au lieu de cela, il trouve un « point d'équilibre » au milieu. Il suggère des prix qui sont inférieurs à la limite maximale, économisant ainsi de l'argent pour les acheteurs, tout en atteignant les objectifs de vente.

Les résultats : Qu'est-ce qui a réellement fonctionné ?

L'auteur a testé ces méthodes sur cinq aliments spécifiques : Pommes, Œufs, Lait, Pain blanc et Café torréfié/moulu.

Le plan du Robot : Il voulait pousser les prix vers le plafond. Par exemple, pour les pommes, il suggérait une hausse de prix de +25 %.
Le plan de l'Humain : La méthode du Recuit Simulé suggérait des prix beaucoup plus conservateurs. Pour les pommes, elle suggérait un changement de prix de -6,57 % (ce qui signifie moins cher que le maximum autorisé).

Lorsque l'auteur a vérifié comment bien ces méthodes prédisaient les ventes futures, la méthode « Humaine » (Recuit Simulé) a mieux réussi à équilibrer les comptes. Elle a trouvé des prix qui étaient plus équitables pour les consommateurs tout en atteignant les objectifs de vente.

Le test de réalité : l'« artefact d'inflation »

Le document est très honnête sur une limitation majeure. L'auteur admet que la découverte « prix plus élevé = plus de ventes » est probablement un bug causé par l'inflation.

Pour le prouver, l'auteur a refait l'expérience, mais cette fois, ils ont « déflaté » les chiffres. Imaginez prendre une photo d'une marée montante et soustraire le niveau de l'eau pour voir les rochers en dessous. Lorsqu'ils ont ajusté les chiffres pour l'inflation (en regardant les prix « réels » plutôt que les simples montants en dollars), le bug étrange a disparu.

Pour le Pain blanc et le Café, la relation s'est inversée pour redevenir normale : des prix réels plus élevés signifiaient des ventes plus faibles.
Pour les autres articles, l'effet est devenu minime ou nul.

Cela signifie que le « Robot » réagissait à un faux signal (l'inflation), tandis que la méthode « Humaine », en restant au milieu, a accidentellement évité le pire de ce piège.

L'essentiel

Ce document ne prétend pas avoir résolu le mystère de la tarification pour toujours. En fait, l'auteur admet que si vous voulez simplement prédire combien d'articles seront vendus le mois prochain, une simple supposition (comme « ce sera la même chose que le mois dernier ») est en fait plus précise que ce modèle sophistiqué.

Cependant, la véritable victoire du document est la justice.
Il montre que si vous utilisez un programme informatique standard pour maximiser les ventes, il essaiera de vous facturer le prix le plus élevé autorisé par la loi. Mais en utilisant une méthode de recherche plus intelligente et « humaine » (le Recuit Simulé) et en ancrant les prix à l'IPC, les détaillants peuvent trouver un juste milieu. Ils peuvent toujours vendre leurs marchandises sans pousser les prix à la limite absolue, excluant ainsi l'« exploitation » de l'équation.

Le document suggère que, bien que les mathématiques puissent être complexes et parfois confondues par l'inflation, il existe un moyen d'utiliser ces outils pour rendre les prix alimentaires justes, transparents et ancrés dans le coût réel de la vie, plutôt que de simplement courir après le profit maximal.

Résumé technique : Optimisation des modèles ARDL pour la prévision des ventes au détail et l'équité des prix

Énoncé du problème
Les détaillants sont confrontés à un double défi : maximiser les revenus grâce à la tarification dynamique tout en évitant l'exploitation des consommateurs et le sentiment d'injustice. Bien que la tarification dynamique soit efficace pour la maximisation des profits, elle repose souvent sur des biais comportementaux ou des stratégies opaques qui peuvent mener à des résultats contraires à l'éthique, particulièrement lorsque les prix sont déconnectés des évaluations réelles des consommateurs. L'article traite du risque spécifique d'exploitation des consommateurs dans le secteur de la vente de détail alimentaire au Canada. Le problème central est de développer un cadre de prévision et de tarification qui maximise les ventes au détail tout en respectant strictement des contraintes d'équité, garantissant que les prix ne dépassent pas les niveaux justifiés par les tendances de l'inflation.

Méthodologie
La méthodologie proposée intègre la modélisation économétrique à l'optimisation sous contraintes pour créer un système de tarification sensible à l'équité.

Données et variables : L'étude utilise des données mensuelles de Statistique Canada (janvier 2017 – août 2024), incluant l'indice des prix à la consommation (IPC) pour l'alimentation, les prix de détail de cinq articles alimentaires spécifiques (pommes, œufs, lait, pain blanc, café torréfié/moulu) et le total des ventes de commerce de détail.
Spécification du modèle : Les auteurs emploient un modèle de retards échelonnés autorégressifs (ARDL) log-log. Cette spécification est choisie car :
- Elle permet de traiter des séries chronologiques non stationnaires (confirmées par les tests de Dickey-Fuller augmentés montrant une intégration I(1)).
- Elle permet l'inclusion de variables exogènes (prix) et de variables dépendantes décalées (ventes).
- Le coefficient sur le logarithme du prix ( $\gamma$ ) représente directement l'élasticité-prix des ventes.
- Le modèle est testé selon deux configurations : produit unique (un prix comme variable exogène) et multi-produits (les cinq prix comme variables exogènes).
Cadre d'optimisation : Le problème de tarification est formulé comme la maximisation des ventes prévues ( $\ln \hat{y}$ $ln \overset{y}{^}$ ) sous l'effet de deux ensembles de contraintes :
- Contraintes d'équité : Les prix sont plafonnés par un plafond ajusté à l'IPC ( $p_{max}$ ) et un seuil inférieur ( $p_{min} = 0,65 \times p_{max}$ ). Cela ancre les prix à l'inflation, empêchant des hausses démesurées.
- Contraintes de plausibilité : Les ventes prévues sont limitées à une plage réaliste dérivée de la volatilité historique.
Algorithmes de résolution :
- Programmation Linéaire (PL) : Utilisée pour résoudre le problème d'optimisation de manière exacte. Étant donné la linéarité de la fonction objectif et les contraintes de boîte, la solution de PL produit des « points de coin », poussant les prix vers leurs limites supérieures ou inférieures selon le signe de l'élasticité.
- Recuit Simulé (RS) : Une approche métaheuristique utilisée pour explorer l'espace de solution de manière stochastique. Contrairement à la PL, le RS ne s'engage pas sur un sommet. Il est employé pour trouver des prix « intérieurs » inférieurs au plafond de l'IPC tout en atteignant les objectifs de vente, opérant ainsi un arbitrage entre une réduction marginale des ventes prédites et une réduction significative des coûts pour le consommateur.

Résultats clés

Élasticités nominales positives : Un résultat diagnostique critique est que les élasticités-prix nominales ajustées ( $\gamma$ ) dans les modèles à produit unique sont positives. Cela implique que, dans les données brutes, des prix plus élevés sont corrélés à des ventes globales plus élevées. Par conséquent, un maximisateur de ventes non contraint (la solution de PL) pousserait chaque prix vers sa limite maximale autorisée (le plafond de l'IPC).
Artéfact d'inflation : L'article démontre que ces élasticités positives sont largement un artéfact de l'inflation générale. Lorsque les ventes et les prix sont déflatés par l'IPC (spécification en termes réels), les élasticités pour le pain et le café deviennent négatives (économiquement cohérentes), et les autres tendent vers zéro. Cela confirme que le modèle nominal capture les tendances inflationnistes plutôt qu'une réponse de la demande causale.
Performance algorithmique :
- PL vs RS : Les modèles de PL produisent des recommandations de prix extrêmes (souvent de +10 % à +25 % au-dessus de la référence) pour maximiser les ventes. En revanche, les modèles de RS se stabilisent sur des prix intérieurs conservateurs, ce qui entraîne des coûts plus faibles pour le consommateur (changements en pourcentage négatifs par rapport au plafond de l'IPC) tout en atteignant les objectifs de vente.
- Précision de la prévision : Les modèles ARDL ne surpassent pas les bases univariées simples (Naïve, Saisonnière Naïve, ARIMA, SARIMA) en termes de précision brute des prévisions (RMSE/MAPE). En fait, les bases simples ont obtenu des taux d'erreur plus faibles.
- Multi-produits vs Produit unique : Le modèle ARDL-RS multi-produits présente généralement de meilleurs scores de pourcentage de changement et de MAPE pour des produits spécifiques par rapport aux configurations à produit unique.

Signification et revendications
L'article cadre explicitement sa contribution sur l'interprétabilité et l'équité plutôt que sur la puissance prédictive brute.

Transparence : La valeur primaire du modèle ARDL n'est pas sa capacité à prédire les ventes plus précisément qu'une prévision naïve, mais sa capacité à fournir une relation interprétable, basée sur l'élasticité, entre le prix et les ventes. Cette transparence est essentielle pour intégrer des contraintes d'équité dans le processus d'optimisation.
Mécanisme d'équité : L'étude prouve que sans contraintes externes (comme le plafond de l'IPC), un maximisateur de ventes fondé sur les données exploiterait systématiquement les consommateurs en augmentant les prix jusqu'à la limite autorable en raison de la corrélation induite par l'inflation dans les données.
Utilité pratique : L'approche par Recuit Simulé offre un mécanisme pratique permettant aux détaillants de remplir leurs objectifs de vente tout en adoptant volontairement des stratégies de tarification « intérieures » plus favorables aux consommateurs, équilibrant ainsi les objectifs commerciaux et le bien-être des consommateurs.

Limites
Les auteurs reconnaissent modestement plusieurs limites :

L'analyse repose sur des données agrégées à l'échelle nationale avec un ensemble de test limité (18 mois), ce qui restreint la puissance statistique.
Le modèle est descriptif, non causal ; il ne réalise pas de test de cointégration formel et ne traite pas l'endogénéité des prix.
Les élasticités nominales positives sont reconnues comme un facteur de confusion induit par l'inflation plutôt qu'un véritable phénomène de demande.
L'objectif d'optimisation est linéaire, rendant la solution de PL dégénérée en un point de coin ; ainsi, la métaheuristique (RS) est utilisée non pas pour échapper aux optima locaux, mais pour générer des solutions intérieures réalisables.