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.
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 100+ duty-free locations with automated monthly updates.
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%
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%
Profondeur
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.
May 8, 2026
Modeling Attributes, Not Products: Feature Engineering for Luxury Demand
What it actually takes to build a production forecasting system for luxury demand at SKU level: decomposing products into shared attributes, designing hierarchical aggregate features without leakage, handling intermittency with Tweedie and hurdle objectives, and forecasting in a way finance can use.
May 1, 2026
Forecasting Luxury Demand at SKU Level
A field perspective on hierarchical forecasting in luxury retail — where ultra-premium SKUs sell fewer than 100 units a year and finance cannot ignore them.
Apr 18, 2026
Designing a Markdown Optimization Engine with States
Markdown planning explodes when weeks, events, discount levels, and phases are modeled as separate dimensions. Collapsing each week into a single state turns it into a clean optimization problem.
Comment ça démarre
Diagnostic d'abord, build ensuite.
01 · Decision System Diagnostic
Trois semaines, périmètre fixe. On établit quelle décision la prévision sert, si les données peuvent la porter, et quel rythme opérationnel est nécessaire. Restitution exécutive et feuille de route.
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.