Pricing : en dix ans, la technologie a (tout) changé !

Le filtre de… Emilie Gariel, partner Data Business Consulting et experte Pricing

Forte de plus de dix ans d’expertise en matière de pricing – côté client chez Rexel, conseil chez McKinsey puis logiciel SaaS avec la création de Brennus Analytics – Emilie Gariel est la référence du sujet chez Converteo. Après avoir partagé les convictions qui l’ont conduite à lancer l’offre Pricing Strategy, Operations & Solutions, elle se penche sur les bouleversements vécus en matière de pricing au cours de la dernière décennie.

A retenir 

• Depuis 10 ans, les outils à disposition des équipes pricing se sont considérablement enrichis, pour permettre des stratégies de prix “data-driven”, plus souples, plus réactives et plus efficaces que les règles métier du passé ;
• En parallèle, les équipes métiers ont progressivement gagné en compétence et en maturité, en voyant tout l’intérêt de la data dans leur quotidien et leurs prises de décisions : progressivement, le pricing n’est plus perçu (et géré) comme une activité de « maintenance de donnée », il devient un levier stratégique de défense de la marge et d’appui à la stratégie commerciale. 

• Attention toutefois à ne pas faire de la technologie le seul levier d’une stratégie pricing : celle-ci ne révèle son plein potentiel que dans le cadre d’une démarche mûrement réfléchie, prenant en considération les enjeux commerciaux, humains et organisationnels propres à chaque entreprise.

—

Dans le contexte économique actuel, les questions liées aux stratégies de prix sont nombreuses… Comment anticiper les évolutions des coûts logistiques ou de matières premières et les répercuter au bon moment, à la hausse ou à la baisse ? Comment maintenir ses volumes et ses parts de marché dans un environnement incertain ? Et, surtout, comment défendre ses marges, sans pour autant aller trop loin ?

Voilà autant de questions cruciales, qu’un bon usage des données peut permettre d’éclairer. Pourtant, lorsqu’il s’agit de fixer leurs prix, trop d’organisations se contentent encore d’une rapide veille concurrentielle ou de quelques règles sommaires de gestion analyse sommaire de leur marché… Certes, il y a quelques années, ces approches basées sur une bonne dose d’intuition pouvaient encore suffire. Mais ce n’est plus le cas aujourd’hui !

Le pricing a profondément été enrichi par la data

Dans le monde de 2023, il est presque devenu aberrant de chercher à déployer une stratégie de prix sans prendre en compte un maximum de données à disposition de l’entreprise, aussi bien en interne qu’en externe. Car même si l’environnement économique est plus complexe que par le passé, les équipes commerciales peuvent désormais s’appuyer sur des technologies de plus en plus puissantes pour établir leurs prix et les faire évoluer.

Il y a dix ans, les possibilités d’exploitation de la data étaient encore faibles, pour deux raisons : le volume de données à disposition et les capacités de traitement. Aujourd’hui, les sources de données exploitables sont nombreuses et les outils performants. La technologie permet désormais d’optimiser ses prix en tenant compte de très nombreux paramètres, avec une approche souple et flexible, quasiment en temps réel. 

La fin de l’hyper-simplification du pricing

Même si les données ont été, d’une manière ou d’une autre, intégrées aux stratégies de prix depuis longtemps, leur exploitation a souvent été limitée par les outils à disposition. Des choix s’avéraient rapidement nécessaires pour répondre à deux contraintes : pouvoir réaliser les traitements sur Excel et disposer de processus clairement compréhensibles par les équipes. Conséquence ? Une hyper-simplification du pricing, au détriment de l’optimisation. 

Cette situation a de quoi expliquer une certaine frilosité vis-à-vis de la data, qui peut parfois perdurer encore aujourd’hui. Pour autant, les technologies actuellement sur le marché permettent de travailler plus vite, mieux et plus facilement les données qu’il y a encore quelques années. Les modélisations, balbutiantes dans les années 2010, sont aujourd’hui bien plus performantes, grâce aux algorithmes d’optimisation sous contraintes. A la clé, un pricing beaucoup plus fin et dynamique. 

Dans ce contexte, alors qu’on traite mieux la donnée et qu’on arrive à la “faire parler“ plus efficacement, s’obstiner à rester sur Excel revient souvent à se priver d’un levier d’efficacité opérationnelle. 

Les équipes aussi ont gagné en maturité 

En parallèle, les équipes ont gagné en maturité sur ces sujets, en particulier dans les fonctions commerciales. Les forces de vente sont de plus en plus à l’aise avec les données.   En voyant tout l’intérêt de la data dans leur quotidien et leurs prises de décisions, les collaborateurs sont progressivement montés en compétence en la matière.

La confiance dans la fiabilité des données a également progressé, alors que la qualité des données à disposition s’améliorait. Surtout, les systèmes “black box” – qui étaient la norme sur le marché quand l’IA a commencé à se démocratiser – cèdent progressivement la place à davantage de transparence et de lisibilité. 

Dans les entreprises les plus matures, les data scientists travaillent désormais main dans la main avec les équipes métiers, en prenant en compte ce besoin d’”explicabilité” des algorithmes et les opérationnels peuvent s’appuyer sur des modules d’analyses de la performance, de paramétrage des outils d’optimisation ou d’explication des résultats. 

La plupart des organisations n’en sont malheureusement pas encore là. En fonction de leur stade d’avancement sur le sujet, elles s’appuient sur la technologie avant tout pour comprendre et analyser la performance et identifier les anomalies et les améliorations possibles (c’est l’étape 1), mettre en place des règles de gestion métier (étape 2), créer des scénarios « what if » en commençant à intégrer des modélisations, telles que l’élasticité (étape 3). Les plus avancées vont jusqu’à l’optimisation complète de leur stratégie de pricing (étape 4).

Mais attention, encore une fois, il convient de ne pas tomber dans un écueil trop souvent observé : considérer que la data et les outils font tout, sans prendre en compte les enjeux stratégiques, humains et de gouvernance qui entourent leur déploiement. Ceux-ci sont spécifiques à chaque cas de figure et à chaque organisation.