An Intelligent Fuzzy Inference Approach to Pricing Strategy Classification in Large-Scale Retail Data: A Hybrid Explainable Pricing Strategy Intelligence (HEPSI) Framework Applied to the M5 Retail Dataset
Cet article introduit le cadre de l'intelligence hybride d'explicabilité des stratégies de prix (HEPSI), un système d'inférence floue appliqué au jeu de données de vente au détail M5 qui classifie les stratégies de prix en catégories de pénétration, de prestige ou dynamiques selon les moteurs économiques, offrant ainsi une alternative évolutive et interprétable aux modèles d'optimisation rigides ou aux modèles de type boîte noire.
Article original sous licence CC BY 4.0 (https://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
Dans l'écosystème vaste et bourdonnant de la vente au détail moderne, l'étiquette de prix sur une étagère n'est jamais un simple chiffre ; c'est une décision. C'est le résultat d'une négociation constante et complexe entre ce qu'un client est prêt à payer, ce que prélève un concurrent et ce dont le magasin a besoin pour écouler un produit afin de maintenir son activité. Pendant des décennies, les entreprises ont tenté de résoudre ce casse-tête avec deux outils très différents. D'un côté, des modèles mathématiques rigides qui traitent la tarification comme une équation fixe, calculant un prix unique et parfait qui change rarement. De l'autre, des programmes informatiques sophistiqués qui apprennent des données mais fonctionnent comme des boîtes noires, offrant une recommandation sans en expliquer la raison. Le problème est que le monde réel est désordonné. La demande fluctue, les concurrents réagissent et l'incertitude est la seule constante. Un système incapable d'expliquer son raisonnement est souvent ignoré par les gestionnaires humains qui doivent agir en conséquence, tandis qu'un système trop rigide ne peut s'adapter aux changements soudains d'un marché en pleine effervescence.
C'est le défi que une équipe de chercheurs s'est donné en examinant une collection massive de relevés de ventes d'un grand détaillant américain. Ils n'ont pas cherché à construire une calculatrice plus intelligente ou une machine apprenante plus complexe. Au lieu de cela, ils se sont tournés vers une méthode qui imite la façon dont les experts humains réfléchissent : la logique floue. Contrairement à la logique informatique traditionnelle, qui exige qu'une condition soit strictement vraie ou fausse, la logique floue permet des nuances de gris. Elle peut comprendre que la demande n'est pas seulement « haute » ou « basse », mais peut être « assez haute » ou « très basse ». En traduisant les chiffres bruts en ces descriptions linguistiques, les chercheurs ont créé un système capable de classifier les stratégies de prix d'une manière qui soit à la fois mathématiquement rigoureuse et facile à comprendre pour un humain. Ils ont appliqué cette approche à un ensemble de données contenant plus d'un million d'observations quotidiennes de milliers de produits, dans le but de les répartir en trois catégories stratégiques distinctes : une stratégie pour gagner des parts de marché, une stratégie pour maximiser les marges bénéficiaires et une stratégie pour réagir rapidement au changement.
Les chercheurs ont commencé par injecter dans leur système quatre informations clés concernant chaque produit, chaque jour. Ils ont examiné la force de la demande par rapport au passé, la sensibilité des clients aux changements de prix, l'amplitude des variations des chiffres de vente et le degré de compétitivité de l'environnement pour cet article spécifique. Au lieu de forcer ces chiffres dans une formule rigide, ils les ont convertis en termes descriptifs simples. Un produit pouvait être décrit comme ayant une « forte volatilité » ou une « faible concurrence ». Ces descriptions ont ensuite été injectées dans un ensemble de règles transparentes, semblable à un organigramme qu'un gestionnaire pourrait dessiner sur un tableau blanc. Par exemple, si un produit présentait une forte volatité des ventes et une concurrence élevée, les règles dictaient qu'il devait être traité comme un candidat pour une tarification dynamique, où les prix changent fréquemment pour s'adapter au chaos du marché. Si la demande était forte mais la concurrence faible, le système suggérait une stratégie de pénétration pour capturer davantage de clients. Si le produit était stable et occupait une position forte, il était marqué pour une stratégie de prestige afin de protéger sa marge bénéficiaire.
Le résultat fut une classification de plus d'un million d'observations quotidiennes qui semblait étonnamment intuitive. Le système a décidé que près de la moitié de tous les produits devraient suivre une stratégie de pénétration, et presque autant devraient suivre une stratégie de prestige. Ces deux approches, qui représentent une tarification stable et à long terme, couvraient la grande majorité du paysage de la vente au détail. Seule une petite fraction, environ neuf pour cent, a été assignée à la stratégie dynamique. Cette distribution reflétait la réalité du magasin : la plupart des articles sont vendus dans des conditions prévisibles, tandis que seuls quelques-uns font face à l'environnement turbulent et à enjeux élevés qui nécessite des ajustements de prix constants. Les chercheurs ont découvert que le système ne faisait pas que deviner ; il identifiait correctement des régimes économiques distincts. Les produits étiquetés pour la tarification dynamique étaient effectivement ceux présentant les ventes les plus erratiques et la concurrence la plus féroce, tandis que ceux étiquetés pour la pénétration étaient ceux dotés de la demande la plus forte et de la moindre concurrence.
Pour tester si cette approche fonctionnait réellement mieux que les anciennes méthodes, les chercheurs ont comparé leur système flou à un modèle de tarification standard et rigide qui appliquait les mêmes règles de remise à tout le monde. Le système flexible et explicable s'est avéré plus efficace. Il savait exactement où appliquer des remises plus profondes pour augmenter le volume et où maintenir la barre pour protéger les marges. Parce qu'il pouvait distinguer un produit chaotique d'un produit stable, il évitait l'erreur de baisser les prix sur des articles qui n'en avaient pas besoin ou de manquer des opportunités pour écouler les stocks sur des articles qui en avaient besoin. La découverte la plus significative, cependant, n'était pas seulement les économies, mais la clarté. Chaque recommandation faite par le système pouvait être tracée jusqu'aux conditions spécifiques qui l'avaient déclenchée. Un gestionnaire pouvait regarder un produit et voir qu'il était recommandé pour un prix dynamique parce que ses ventes étaient instables et que sa concurrence était élevée. Cette transparence a transformé l'ordinateur, passant d'un oracle mystérieux à un conseiller de confiance.
L'étude démontre que dans le monde à enjeux élevés de la tarification de détail, le meilleur outil n'est pas nécessairement le plus complexe. En combinant la rigueur de l'analyse de données avec la flexibilité du raisonnement humain, les chercheurs ont montré qu'il est possible de construire un système qui soit à la fois puissant et compréhensible. Ils ont prouvé qu'il n'est pas nécessaire de sacrifier la précision pour la clarté. Le système a navigué avec succès dans l'incertitude d'un environnement de vente au détail massif, triant des millions de points de données en trois stratégies claires et exploitables. Il a confirmé que si la plupart des produits prospèrent sous une tarification stable et prévisible, un sous-ensemble spécifique nécessite une approche agile et réactive. Plus important encore, il a montré que lorsqu'une machine peut expliquer sa logique en langage courant, elle gagne la confiance des personnes qui dirigent l'entreprise, comblant ainsi le fossé entre les données froides et le jugement humain chaleureux.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.