Pricing anti-Amazon : exemple concret d’usage de la data

Il n’a échappé à personne qu’Amazon s’est accaparé d’importantes parts de marché en un temps record dans quasiment tous les secteurs du retail en France. En additionnant largeur d’offre, monitoring des prix ultra-automatisé et excellence opérationnelle, le géant de Seattle a séduit 43% des foyers français en 2018. Évidemment, disposer d’autres sources de profit que celle de son activité de distribution grand public (Amazon Web Services réalise deux tiers des profits d’Amazon pour seulement 12% de son CA !) lui permet d’afficher des prix plancher sur les bons produits.



Alors que beaucoup de gros retailers français sont à la peine, comment des acteurs de plus petite taille font-ils pour mieux que résister à Amazon, malgré leur structure de coût et leurs faibles moyens ? Une des explications réside dans la bonne alliance de l’humain et de la technologie (voir le post Retail Project 2019), dont un exemple concret est la façon dont Diametrix, la filiale data de Diamart Group, a accompagné King Jouet dans l’optimisation de son pricing sur le web et en magasins, en développant un outil à la fois performant et très simple pour les équipes. Une aide précieuse pour piloter les prix en période de Noël (60% du CA annuel), quand Amazon monte à 30% de part de marchés sur le jouet en fin d’année.

La démarche de Diametrix s’est appuyée sur 5 principes :

1. Raisonner web first, parce qu’être 20% plus cher qu’Amazon sur les Lego n’estt plus tenable, il faut désormais piloter d’abord l’écart de prix par rapport à Amazon, avant l’alignement face aux autres spécialistes. L’adaptation locale du pricing devient secondaire, sacré changement culturel en interne.

2. Démoyenniser les prix selon leur sensibilité : car on ne peut s’aligner sur Amazon sur tous les produits. Il a fallu travailler finement pour caler les bons critères de clusterisation des références, entre comparabilité, fréquence d’achat, prévision des ventes, valeur faciale, stock, pub tv, etc..

3. Raisonner au-delà des 20/80 : car sinon comment compenser les marges ? L’approche s’étend donc à beaucoup plus de produits, ce qui nécessite une part d’automatisation à base d’algorithmique, développée par Diametrix. L’enjeu ici est surtout de fiabiliser la data en entrée du modèle, dans une entreprise qui n’en avait pas besoin jusque-là.

4. Conserver un pilotage par l’humain : pour favoriser l’appropriation en interne tout en évitant l’effet boîte noire des logiciels du marché. Les équipes gardent ainsi la maîtrise du pricing et peuvent adapter les recommandations du modèle en fonction de considérations ponctuelles (niveau de stock, opération de dernière minute de la concurrence, etc.)

5. Assumer un écart de prix entre le web et les magasins : pour des produits très concurrencés en ligne, afin de préserver la rentabilité globale. Un alignement des magasins au niveau des prix du web est impossible, mais l’écart est limité et piloté par les équipes au moins à la semaine.

La mise en œuvre s’est faite en deux temps : d’abord chez Diametrix pendant la période de fin d’année avec une adaptation progressive de l’outil aux besoins de King Jouet, puis avec une prise en main par l’enseigne de la solution logicielle, très user friendly. On est loin de la guerre des étoiles et des outils du marché, à la fois chers, compliqués, peu transparents et qui nécessitent des données déjà très organisées en input. 

Résultat : une compétitivité accrue sur les références les plus concurrencées, des marges sauvegardées, et des équipes centrées sur une nouvelle dynamique de pilotage du pricing. Avec, on aime à le penser, une part de contribution à la bonne performance de King Jouet en 2018 (+4% sur un marché en chute de 5%).

Ce projet illustre l’ADN de Diametrix : nous croyons en la data utile, pragmatique, robuste et facilement appropriée par les équipes. Bref, à une data qui améliore pour de vrai la performance.