Demande et pricing
Prévision et pricing, sous incertitude réelle
Prévision, markdown et décisions de prix construits comme un seul système. Probabiliste là où ça compte, contraint par la réalité opérationnelle, déployé au rythme sur lequel la planification tourne déjà.
Prévision probabiliste, une référence
L'historique, puis la prévision en éventail. Le stock se planifie sur l'éventail, pas sur la ligne du milieu : sa largeur, c'est le risque de rupture d'un côté et de surstock de l'autre.
Ce que ça donne en général
- La prévision est un chiffre unique, et personne ne planifie un stock sur un chiffre unique.
- Le markdown tourne sur des règles écrites il y a des années que personne ne veut assumer de changer.
- L'élasticité-prix a été estimée une fois, sur des données qui ne pouvaient pas l'identifier.
- Les planners corrigent le modèle à chaque cycle, et personne n'a mesuré s'ils ont raison.
Ce que vous obtenez
Des prévisions avec leur incertitude
Hiérarchiques quand les données sont rares, probabilistes quand la décision est asymétrique. À la maille et à l'horizon sur lesquels le business planifie vraiment.
Des décisions, pas des prédictions
Profondeur et timing de markdown, quantités d'achat, mouvements de prix. La sortie, c'est quoi faire, avec la prévision en dessous.
Des contraintes modélisées honnêtement
Limites de cycle de vie, positions de stock, réponse monotone au prix, minima contractuels. Une recommandation inexécutable n'est pas une recommandation.
Le transfert
Des backtests que l'équipe relance, des contrôles de drift, et la documentation de chaque hypothèse qui compte.
Cas sélectionnés
Forecasting
Travel retail forecasting system
Multi-SKU demand forecasting pipeline for 30+ products across 50 duty-free stores with automated monthly updates.
Stockouts ↓34%, inventory costs ↓18%; forecast error 38% → 24%
Pricing Strategy
Vitamins product pricing optimization
Data-driven pricing strategy for new vitamin product launch using Bayesian demand modeling and mixed-integer programming to optimize portfolio-wide pricing.
Revenue ↑18%, portfolio margin ↑12% on launch pricing
Pricing Strategy
B2B SaaS pricing optimization
Willingness-to-pay analysis and price sensitivity modeling for a B2B SaaS product, resulting in a new tiered pricing structure.
Revenue per customer ↑31%, enterprise conversion ↑45%
Profondeur
Mar 25, 2025
The predictive demand model: Bridging historical data and markdown optimization
How predictive demand models serve as the critical bridge between historical sales data and prescriptive markdown optimization, providing both demand estimates and uncertainty quantification
May 15, 2025
From lifecycle limits to markdown rules: The product constraints behind retail profit optimization
Why retailers can't escape markdown pricing—a deep dive into the lifecycle, inventory, and pricing constraints that shape modern retail optimization strategies
Jan 23, 2023
Optimizing Vitamin Product Pricing Through Discrete Choice Modeling
Using Bayesian demand modeling and mixed-integer programming to set optimal prices for a new product line — balancing revenue, cannibalization, and market share
Aug 15, 2026
Building a Customer-Brand Affinity Engine for Physical Retail
A technical architecture for customer-brand affinity in physical retail: customer windows, lift and PMI, Item2Vec embeddings, graph construction, constrained layout optimization, and causal validation.
Aug 15, 2026
Your Store Layout Is a Recommendation System
Department stores already have the data to rethink brand adjacency around real customer behaviour. The opportunity is not another dashboard, but a new merchandising decision system.
Jul 25, 2026
Your data lake is not the prerequisite
Why data science and AI platform projects fail on definitions, not on infrastructure, and how to let a real decision pull the data model into existence instead of waiting for the lake.
Comment ça démarre
Diagnostic d'abord, build ensuite.
01 · Decision System Diagnostic · À partir de 12 000 €
Trois mois, une décision critique. On établit quelle décision la prévision sert, on mesure la baseline, on teste ce que les données peuvent porter et on conçoit le rythme opérationnel. Vous repartez avec des preuves, une architecture cible et une feuille de route chiffrée.
02 · Design et build
Modèles, backtests, la couche de décision au-dessus, et le pipeline qui la fait tourner. Cadré depuis la feuille de route, facturé à la mission.
03 · Opérer et transférer
Monitoring, contrôles de drift, documentation, et la formation pour le faire tourner sans moi.