I- Introduction L'optimisation des ressources et la maximisation des revenus constituent des enjeux centraux dans de nombreux secteurs, notamment l'industrie, l'aviation, l'hôtellerie et la restauration. Dans ces contextes, la gestion des revenus et la tarification dynamique sont devenues indispensables pour garantir la rentabilité et répondre aux variations de la demande. Ces concepts, largement étudiés et déployés, permettent aux entreprises d'ajuster leurs prix en fonction des disponibilités et des comportements des consommateurs, afin de maximiser les profits. L'industrie de la beauté et du bien-être (salons de coiffure, instituts de beauté, SPA, etc.) présente plusieurs similitudes avec ces secteurs, en particulier en ce qui concerne la variabilité de la demande, la gestion de ressources fixes, le caractère périssable des créneaux horaires et la tarification par service. Toutefois, contrairement à d'autres domaines, elle n'a pas encore pleinement tiré parti du revenue management. De plus, ce secteur possède des spécificités, telles que la diversité de la clientèle ou encore le chevauchement des créneaux de prestations (deux services pouvant mobiliser la même ressource, rendant la réservation de l'un incompatible avec l'autre), qui compliquent l'application directe des principes classiques de tarification dynamique. À ce jour, peu de travaux scientifiques ont exploré l'adaptation de ces principes à ce domaine. Dans ce projet, nous traitons un cas concret de revenue management rencontré par l'entreprise Kalendes qui propose une solution SaaS et des outils de gestion des ressources (planification des ressources, prise de rendez-vous, facturation, etc.) destinés aux professionnels de la beauté. Actuellement, ce secteur est confronté au problème de taux d'occupation où l'offre dépasse largement la demande, entraînant un taux d'occupation moyen d'environ 50% en France. Ce déséquilibre est aggravé par la situation économique, conduisant à la fermeture d'environ un salon de beauté sur dix chaque année. Pour répondre à ce défi, Kalendes a développé une solution innovante de tarification, intégrée à l'application "Diplago". Dans ce cadre, nous proposons le premier algorithme de tarification dynamique dédié aux offres de dernière minute dans le secteur de la beauté. II- Description du problème Comme précisé précédemment, le secteur de la beauté souffre d'un taux d'occupation critique : plus de 50 % des créneaux horaires demeurent non réservés, générant des pertes de revenus significatives pour les salons. Cette sous-utilisation résulte d'une inadéquation entre l'offre de créneaux disponibles et la demande spontanée. Il s'agit alors d'identifier ces créneaux à l'avance et de proposer une stratégie tarifaire dynamique capable de stimuler la demande de dernière minute en attirant les consommateurs en quête d'économies. L'objectif ici est de développer un modèle d'aide à la décision qui analyse les données historiques des réservations pour identifier les tendances et les comportements des clients, dans le but de proposer des tarifs ciblés en optimisant les règles de réduction dans l'application "Diplago". III- Approche proposée Nous formulons ce problème de tarification dynamique comme un problème d'optimisation combinatoire, résolu à l'aide d'un modèle inspiré des bandits manchots, en supposant les probabilités connues. Ce modèle vise à maximiser le revenu espéré en identifiant la décision optimale selon trois dimensions : (i) le taux de réduction, (ii) le délai d'application avant le créneau et (iii) la prestation concernée. Le modèle exploite les données historiques de réservations pour estimer, à l'aide de deux réseaux de neurones, les probabilités de conversion, qui alimentent une stratégie d'exploration optimisant les recommandations tarifaires. Le choix de deux réseaux de neurones est imposé par la nature des données disponibles. Le premier réseau de neurones estime la probabilité qu'un créneau horaire donné soit réservé. Le second estime la probabilité qu'une prestation d'une catégorie donnée soit réservée, conditionnellement au fait que le créneau soit réservé. L'approche intègre plusieurs variables contextuelles : la catégorie de prestation, le jour de la semaine, la tranche horaire, la saison, etc. Concrètement, le modèle détermine le délai optimal ($H$ heures à l'avance) pour appliquer un taux de réduction spécifique ($d\%$) à une catégorie de prestation donnée, en fonction du contexte opérationnel. Cette approche s'inspire partiellement des méthodes de yield management utilisées dans le secteur hôtelier et aérien [1]. IV- Résultats L'évaluation du modèle s'est effectuée en deux étapes. Premièrement, nous avons simulé la méthode sur différents créneaux et prestations. En l'absence de solutions comparables, l'équipe technique de Diplago a validé les recommandations générées, confirmant leur cohérence avec les spécificités opérationnelles.
%Deuxièmement, faute d'autorisation pour des tests en conditions réelles,
Deuxièmement, ne pouvant disposer librement des tarifs de nos clients, il ne nous est pas possible de tester les recommandations de notre modèle en conditions réelles. Par conséquent, nous avons développé un simulateur basé sur les mêmes données historiques utilisées pour l'estimation des probabilités. Celui-ci reproduit les scénarios de réservation et compare notre approche à la méthode manuelle actuelle (paliers de réduction arbitraires fixés par l'équipe technique et/ou le client). Les résultats montrent la supériorité de notre modèle en termes de revenu total, taux de conversion et nombre de réservations. V- Conclusion et perspectives Durant cette étude, nous avons proposé le premier modèle de tarification dynamique dans le secteur de la beauté. L'équipe technique a validé les résultats après vérification. Ainsi, les résultats, encourageants et prometteurs, nous ont conduits à poursuivre ces recherches. Les travaux envisagés consistent à mettre en place un pilote utilisant un modèle d'apprentissage par renforcement qui ajustera en temps réel les niveaux de réduction de manière automatique. En parallèle, nous envisageons d'affiner la prévision de la demande en utilisant un modèle approfondi de l'étude des séries temporelles. Références [1] Anthony W. Donovan. Yield Management in the Airline Industry, Journal ofAviation/Aerospace Education & Research, 14(3).ISSN : 1065-1136, DOI :https ://doi.org/10.58940/2329-258X.1522, (2005)
|
