Yield management26 avril 2023

L’explosion du volume de données généré au cours de la dernière décennie (1) s’est accompagnée d’une importante multiplication des outils de visualisations des données, ou data vizualisation. Ces outils ont permis d’apporter davantage de clarté et de lisibilité dans la présentation et la traduction de données complexes afin d’améliorer la prise de décision pour l’ensemble des fonctions d’une entreprise. Associé à une stratégie de yield management, la data vizualisation permettrait aux organisations d’affiner leur stratégie commerciale et de pricing ((2) ou (3))

1.  Qu’est-ce que le yield management ?

Le yield management est une stratégie de définition et de gestion dynamique des prix d’un bien. Le but du Yield Management est de maximiser le chiffre d’affaires d’une activité en fonction de sa capacité de production. Cette stratégie repose sur la compréhension et l’anticipation du comportement et de la demande des consommateurs. Elle implique également différents aspects du contrôle de gestion, notamment via la gestion des tarifs, des flux de revenus et des canaux de distribution.

Le yield management doit apporter des éléments de réponse à la question « compte tenu de nos contraintes d’exploitation, quelle est la meilleure combinaison de produits et/ou services à produire et à vendre au cours d’une période, et à quel prix, afin de générer un maximum de revenu ? ». Utilisé dans l’aérien et l’hôtellerie, le yield management permet d’ajuster les prix de vente selon le nombre actuel de réservations, le rythme d’écoulement idéal et l’intensité de la demande. Ainsi, des ajustements sont réalisés tout au long de la phase de commercialisation afin d’optimiser l’écoulement par rapport à un rythme idéal, défini généralement selon la demande (saisonnalité, historique, etc.), la marge ou le BFR.

2.   Comment définir une stratégie de Yield Management

Structurellement, différents paramètres influencent le prix et doivent être intégrés dans la définition d’une stratégie de Yield Management. Parmi ces paramètres, nous pouvons mettre en exergue :
1.   La désirabilité du produit ou du service à un instant précis
2.   Le niveau de stock effectif au moment de la réservation
3.   La pression concurrentielle
4.   La variation des coûts
5.    L’inflation

En prenant compte de ces éléments, et en fonction de l’industrie dans laquelle l’organisation évolue, la stratégie de Yield Management peut alors prendre différentes formes :
1.       Objectif de maximisation des recettes, notamment du fait de coûts fixes importants sur lesquels l’entreprise possède une faible voire aucune marge d’action
2.       Objectif de définition des prix en temps réel selon l’offre disponible et la demande observée afin de maximiser les chances de consommation au meilleur prix
3.       Objectif de tarification selon les périodicités de la consommation du fait que la valeur d’un produit ou d’une prestation peut être perçue différemment dans le temps

Par ailleurs, avant de définir sa propre stratégie de yield management, une entreprise doit s’assurer de posséder suffisamment de données et d’historique valorisables. Elle doit également être capable de réaliser une segmentation précise de ses clients, d’évaluer la propension à payer de chacun des segments identifiés et enfin de définir une plage tarifaire pour ses produits ou ses prestations. Tout ceci peut se faire en apprentissage machine, sur des données passées, en test A/B, et éventuellement en temps réel.

Enfin, l’entreprise doit examiner périodiquement les transactions et dynamiques commerciales pour les biens déjà vendus ou les services déjà rendus tout en intégrant dans cet exercice les informations liées à la concurrence, au calendrier des événements ou tout autres facteurs susceptibles d’affecter les ventes.

3.   Cas d’usage appliqué à la promotion immobilière

Historiquement, le yield management s’appliquait exclusivement à certaines industries dont les produits ou prestations sont dans la plupart des cas périssables. Les cas d’usage les plus connus sont ceux qui s’appliquent à l’hôtellerie, à la vente de billets d’avion ou de train ou encore à la location de voiture. Cependant, la génération et la récolte de plus en plus de données et les technologies permettant leur exploitation (https://eleven-strategy.fr/data-science-ia/data-strategy/ ) ont élargi son champ d’application à un spectre plus large d’industries et d’acteurs. Afin d’obtenir des informations plus riches et plus exploitables à un niveau granulaire, certaines organisations développent des capacités technologiques avancées, notamment avec le machine learning, le deep learning et, plus généralement, l’intelligence artificielle. Eleven saura à ce titre aider une organisation dans le déploiement d’une stratégie de prédiction et d’optimisation automatisée des prix (https://eleven-strategy.fr/business-cases/pricing-du-gazole/ ). Toutefois, l’automatisation du processus d’élaboration des prix n’est pas toujours la meilleure des solutions. Il est parfois préférable, comme nous allons le découvrir avec notre cas d’usage, d’opter pour le développement d’un tableau de bord et de valoriser l’expertise des équipes commerciales dans le processus décisionnel.

C’est en accompagnant un leader français de la promotion immobilière dans la définition de sa stratégie digitale qu’eleven a développé un outil de yield management à destination des équipes commerciales. Toutefois, comme la nature d’un bien immobilier est intrinsèquement différente de celle d’un billet d’avion ou d’une chambre d’hôtel, cet outil à volontairement été pensé comme étant une aide à la décision plutôt qu’un outil de pricing totalement automatisé. L’outil permet de réaliser un ajustement lot par lot tout à long du cycle de vie du programme immobilier pour maximiser la marge en s’adaptant à la demande et un sécurisant un rythme d’écoulement idéal. Dans notre cas, une réelle importance est apportée à l’expertise métier des directeurs commerciaux et des responsables de programme dans le processus d’arbitrage des prix. Ces derniers ont en effet une connaissance de la complexité de l’acte d’achat d’un bien immobilier qui est difficilement traduisible pour un algorithme. Par exemple, l’achat d’un bien de plusieurs centaines de milliers d’euros est souvent fonction de l’obtention d’un crédit auprès d’un organisme de financement. Cependant, une demande de crédit peut être refusée si le prix du bien varie de quelques milliers d’euros. Voici pourquoi il a été nécessaire d’intégrer l’intervention humaine dans chaque processus.

L’outil développé en collaboration avec notre client se présente sous la forme d’un tableau de bord réunissant des indicateurs définis et sélectionnés avec le management et les opérationnels. Il trouve sa matière première dans une classification des lots réalisée en amont de la mise en commercialisation du programme. Chaque lot se voit attribuer une note selon des critères précis à la fois quantitatifs (surface habitable, superficie du balcon, etc…) et qualitatifs (qualité du plan, niveau de nuisance, etc…). Une fois cette classification réalisée, le responsable du programme peut alors challenger la pertinence de ses prix en fonction de la note de chaque lot, et les faire potentiellement évoluer. L’outil intègre également les données issues du CRM ainsi que des informations d’un panel concurrentiel, offrant ainsi une vision du positionnement prix d’un programme par rapport au reste du marché.

Après une phase test sur plusieurs pilotes, l’outil de yield management a été industrialisé et intègre désormais systématiquement chaque nouvelle commercialisation. Depuis le déploiement de cet outil, les différents arbitrages réalisés ont permis une augmentation du CA global de l’ensemble des opérations, et donc d’une forte augmentation de la marge.

Les différents retours d’expérience permettent d’ailleurs une amélioration continue de l’outil, si bien qu’il n’est pas totalement exclu d’intégrer in fine des recommandations automatiques sur des programmes bien particuliers tels que les résidences étudiantes, où la variable d’ajustement serait les loyers mensuels et non le prix de vente final du bien.

Sources:

(1) https://fr.statista.com/infographie/17800/big-data-evolution-quantite-donnees-numeriques-creees-dans-le-monde/
(2) https://solutions.lesechos.fr/tech/c/data-visualisation-quelle-utilite-pour-les-donnees-des-entreprises-21417/
(3) https://www.archimag.com/demat-cloud/2020/11/16/dataviz-supplement-guide-solutions-marche