Auteur
L'optimisation de l'assortiment est un processus essentiel dans la vente au détail qui consiste à constituer le mélange idéal de produits pour répondre à la demande des consommateurs tout en tenant compte des nombreuses contraintes logistiques. Les détaillants doivent s'assurer qu'ils proposent les bons produits, dans les bonnes quantités et au bon moment. En exploitant les data et les connaissances des consommateurs, les détaillants peuvent prendre des décisions éclairées sur les articles à stocker, sur la manière de gérer les stocks et sur les produits à privilégier en fonction des préférences des clients, des tendances saisonnières et des modèles de vente.
Pour les commerces de détail, l'optimisation de l'assortiment est essentielle pour trouver un équilibre entre variété et efficacité. Offrir trop peu de choix peut faire fuir les clients, tandis qu'en offrir trop peut entraîner une certaine confusion, des stocks excédentaires et une baisse des marges bénéficiaires. L'optimisation de l'assortiment des produits aide les entreprises à améliorer la satisfaction des clients en veillant à ce que les articles les plus populaires soient disponibles tout en éliminant les produits peu performants qui occupent un espace précieux dans les rayons.
La modélisation des choix est un moyen efficace d'aborder l'optimisation de l'assortiment, car elle fournit un cadre data permettant de comprendre les préférences des clients et de prédire la manière dont ils choisiront entre différents produits. En analysant divers facteurs tels que la sensibilité au prix, les caractéristiques du produit et la fidélité à la marque, la modélisation des choix aide les détaillants à identifier les produits les plus susceptibles de répondre à la demande des clients.
En fin de compte, la modélisation des choix permet aux détaillants d'offrir la bonne combinaison de produits, d'adapter les assortiments à des segments de clientèle spécifiques et d'optimiser l'espace en rayon pour accroître la rentabilité ou même la tarification des articles.
Si vous n'avez jamais entendu parler de la modélisation des choix, vous pouvez lire notre article qui présente les concepts clés à l'aide d'exemples. Dans cet article, nous nous concentrerons principalement sur la façon dont les modèles de choix discrets peuvent être utilisés pour optimiser un assortiment de produits. Nous fournissons des exemples de code basés sur la bibliothèque choice-learn, qui est conçue pour aider les scientifiques des data dans de tels cas d'utilisation.
Le code fourni utilise le paquetage Python choice-learn et peut être trouvé dans un notebook ici.
Mise en place : Installation de Python et Choice-Learn
Dans cet article, nous fournissons des extraits de code pour accompagner les explications. Le code utilise la bibliothèque Choice-Learn, qui fournit des outils efficaces pour la modélisation des choix et plusieurs applications - telles que l'optimisation des assortiments ou des prix. Choice-Learn est disponible via PyPI, vous pouvez l'obtenir simplement avec
L'ensemble de données : recettes des ventes
Nous utiliserons le jeu de données TaFeng grocery. Vous pouvez le télécharger sur Kaggle et l'ouvrir dans votre environnement Python avec choice-learn :
print(tafeng_df.head())
L'ensemble de données comprend plus de 800 000 achats individuels dans une épicerie chinoise. Pour chaque achat, divers détails sont fournis, notamment l'article acheté (PRODUCT_ID), le prix auquel il a été vendu (SALES_PRICE) et le groupe d'âge du client (AGE_GROUP).
Vous pouvez observer que de nombreux articles différents sont proposés et que certains d'entre eux sont rarement vendus. Afin de rationaliser la logistique, le détaillant peut choisir de réduire le nombre de produits qu'il propose. Dans ce cas, l'objectif est d'identifier le sous-ensemble optimal d'articles à vendre.
Pour ce faire, nous nous concentrons sur les articles les plus vendus, car ils sont plus susceptibles d'être achetés à nouveau et joueront un rôle crucial dans l'élaboration d'un assortiment plus efficace et plus rentable. Il est à noter que nous procédons ainsi principalement pour simplifier l'exemple et que tous les articles peuvent être conservés.
tafeng_df = tafeng_df.loc[
tafeng_df.PRODUCT_ID.isin(tafeng_df.PRODUCT_ID.value_counts().index[:20])
].reset_index(drop=True)
tafeng_df = tafeng_df.loc[
tafeng_df.AGE_GROUP.isin(["25-29", "40-44", "45-49", ">65", "30-34", "35-39", "50-54", "55-59", "60-64"] )
].reset_index(drop=True)
Codons également les catégories d'âge avec une valeur chaude tous les dix ans :
tafeng_df["twenties"]= tafeng_dfPostuler(lambda row : 1 if row["AGE_GROUP"]== "25-29" else 0, axis=1)
tafeng_df["thirties"]= tafeng_dfPostuler(
lambda row : 1 if row["AGE_GROUP"] in (["30-34", "35-39"]) else 0, axis=1
)
tafeng_df["quarantaine"]= tafeng_dfPostuler(
lambda row : 1 if row["AGE_GROUP"] in (["40-44", "45-49"]) else 0, axis=1
)
tafeng_df["fifties"]= tafeng_dfPostuler(
lambda row : 1 if row["AGE_GROUP"] in (["50-54", "55-59"]) else 0, axis=1
)
tafeng_df["sixties_and_above"]= tafeng_dfPostuler(
lambda row : 1 if row["AGE_GROUP"] in (["60-64", ">65"]) else 0, axis=1
)
Maintenant que nos data sont prêtes, nous devons créer un ChoiceDataset, l'objet de traitement des data dans choice-learn. Il s'agit de spécifier les caractéristiques qui décrivent le contexte dans lequel un achat est effectué :
- Caractéristiques des clients (caractéristiques communes) : la catégorie d'âge
- Caractéristiques du produit (caractéristiques de l'article) : le prix de l'article
Un aspect essentiel de la modélisation des choix est que nous avons besoin des caractéristiques de tous les articles disponibles au moment de l'achat, et pas seulement de l'article choisi. Cela nous permet d'analyser comment les prix des différents produits influencent la décision du client. Comme cette information n'est pas directement disponible dans l'ensemble des données, nous faisons l'hypothèse que pour chaque achat, les prix des autres articles restent les mêmes que lors de la vente précédente.
id_to_index =
for i, product_id in enumerate(np.sort(tafeng_df.PRODUCT_ID.unique())) :
id_to_index[product_id] = i
# Initialiser le prix des articles
prix = [[0] for _ inrange(len(id_to_index))] pour k, v dans id_to_index.items() :
prix[v][0] = tafeng_df.loc[tafeng_df.PRODUCT_ID == k].SALES_PRICE.to_numpy()[0] # Créer les tableaux qui constitueront le jeu de données ChoiceDataset
caractéristiques_partagées = [] items_features = [] choices = [] # Pour chaque article acheté, nous enregistrons
# - la représentation de l'âge (one-hot) du client
# - le prix de tous les articles vendus
for i, row in tafeng_df.iterrows() :
item_index = id_to_index[row.PRODUCT_ID] prices[item_index][0] = row.SALES_PRICE
caractéristiques_partagées.append(
row[["twenties", "thirties", "forties", "fifties", "sixties_and_above"]].to_numpy()
)
items_features.append(prix)
choices.append(item_index)
Maintenant que nous disposons de toutes nos informations, nous pouvons créer le jeu de données ChoiceDataset:
dataset = ChoiceDataset(
caractéristiques_partagées_par_choix=caractéristiques_partagées,
shared_features_by_choice_names=['twenties', 'thirties', 'forties', 'fifties', 'sixties_and_above'],
items_features_by_choice=items_features,
items_features_by_choice_names=["SALES_PRICE"],
choix=choix
)
Définition et estimation du modèle de choix
Nous développerons et estimerons un modèle de choix qui prédit la probabilité qu'un client choisisse un article spécifique parmi un assortiment complet de produits similaires. Sur la base de l'ensemble des données disponibles, nous définissons la fonction d'utilité suivante pour un article i considéré par un client j :
Cette fonction représente l'utilité (ou la satisfaction) qu'un client retire du choix d'un article particulier, influencée à la fois par l'âge du client et par le prix de l'article.
Pour plus de détails sur la manière dont nous formulons une fonction d'utilité, reportez-vous à notre premier article. Notez qu'un autre modèle logique - mais non présenté pour rester simple - pourrait consister à estimer une sensibilité au prix par catégorie d'âge.
Voici le code permettant d'estimer un tel modèle avec l'apprentissage par choix :
model.add_coefficients(
nom_du_coefficient=catégorie_d'âge, nom_de_la_caractéristique=catégorie_d'âge, items_indexes=list(range(20))
)
coefficient_name="price", feature_name="SALES_PRICE",items_indexes=list(range(20))
)
Vous pouvez vérifier que le modèle s'adapte bien à l'ensemble des données :
plt.plot(hist["train_loss"])
plt.xlabel("Epoque")
plt.ylabel("Vraisemblance logarithmique négative")
plt.show(
Trouver l'assortiment optimal
Avec les probabilités d'achat en main, nous pouvons maintenant estimer la recette moyenne par client d'un assortiment A à l'aide de la formule :
Pour trouver l'assortiment qui maximise les recettes, nous pourrions évaluer toutes les combinaisons possibles et sélectionner celle dont les recettes moyennes sont les plus élevées. Cependant, une approche plus efficace consiste à utiliser la la programmation linéaire (LP). Nous nous concentrerons ici sur la manière d'utiliser l'implémentation de l'apprentissage par choix de l'optimiseur d'assortiment.
Il est important de faire la distinction entre la maximisation des recettes et la maximisation des marges bénéficiaires. Si les recettes sont importantes, les marges bénéficiaires tiennent compte des coûts associés à chaque produit. En fonction de votre objectif, vous souhaiterez peut-être optimiser les bénéfices plutôt que le chiffre d'affaires.
Pour optimiser l'assortiment, nous devons fournir plusieurs données clés :
- Le poids que nous voulons donner à chaque catégorie d'âge, allons-y avec leur part de clientèle
- L'utilité de chaque article (calculée par notre modèle de choix) pour chaque catégorie d'âge
- La valeur à optimiser pour chaque élément (dans ce cas, le revenu)
- La taille de l'assortiment (par exemple, 12 articles)
Voici comment cela fonctionne en utilisant l'apprentissage par choix :
from choice_learn.toolbox.assortment_optimizer import LatentClassAssortmentOptimizer
# Prix de chaque article
future_prices = np.stack([items_features[-1]]*5, axis=0)
age_category = np.eye(5).astype("float32")
# Calculer l'utilité de chaque article en fonction de son prix et de chaque catégorie d'âge
predicted_utilities = model.compute_batch_utility(shared_features_by_choice=age_category,
articles_caractéristiques_par_choix=prix_futurs,
articles_disponibles_par_choix=np.ones((5, 20)),
choix=None
)
age_category_weights = np.sum(shared_features, axis=0) / len(shared_features)
opt = LatentClassAssortmentOptimizer(
solver="or-tools", # Solveur à utiliser, soit "or-tools" soit "gurobi" (si vous avez une licence)
class_weights=age_category_weights, # Poids de chaque classe
class_utilities=np.exp(predicted_utilities), # utilités dans la forme (n_classes, n_items)
itemwise_values=future_prices[0][ :, 0], # Valeurs à optimiser pour chaque article, ici le prix utilisé pour calculer le chiffre d'affaires
assortment_size=12) # Taille de l'assortiment que nous voulons
assortiment, opt_obj = opt.solve()
En exécutant le code, vous devriez obtenir quelque chose comme :
L'assortiment optimal pour maximiser le revenu est indiqué par les indices des valeurs 1 dans le vecteur. Cet assortiment permet théoriquement d'obtenir une recette moyenne par client de 134 yuans. Vous pouvez explorer d'autres combinaisons, mais elles se traduiront toutes par une recette moyenne inférieure.
Un autre objectif pourrait être de maximiser le nombre de ventes. Dans ce scénario, la valeur de l'optimisation par article est fixée à 1 pour tous les articles, ce qui conduit à un assortiment optimal différent.
L'efficacité de cette méthode devient évidente lorsque des contraintes supplémentaires sont introduites. Par exemple, il se peut que vous deviez tenir compte des limites de l'espace en rayon dans votre magasin. Dans ce cas, vous pouvez optimiser un assortiment dont la taille totale des articles n'excède pas l'espace disponible en rayon. Cette contrainte supplémentaire, ainsi que d'autres telles que les stratégies de prix, sont démontrées ici.
Conclusion
Si vous travaillez sur l'optimisation de l'assortiment ou la tarification, la modélisation des choix est un outil formidable, ne manquez pas de vous y intéresser. Choice-Learn fournit de nombreux exemples sur son GitHub. Allez y jeter un coup d'œil et laissez une étoile si vous l'avez trouvé utile !
