Comment Decathlon a développé une IA de pricing pour les produits d'occasion
L'IA, un levier pour booster les marges ? Présente dans plus de 70 pays avec 1 750 magasins, l'enseigne Decathlon se positionne depuis quelques années sur l'achat et la revente de produits d'occasion. Une activité parallèle, encore minoritaire, que le groupe tente de développer, en magasin comme sur le web. Pour optimiser ses process et améliorer son expérience client, le groupe détenu en partie par la famille Mulliez, peut compter sur l'expertise de l'AI Factory de Decathlon Digital. Composé de data scientists, de machine learning engineers, de data engineers ou de product managers, ce centre d'expertise développe des produits d'IA à l'échelle, conçus en lien avec les équipes métiers.
A l'occasion du salon Big Data & AI Paris, Corentin Vasseur, machine learning engineer et Hugo Hamad, director of artificial intelligence & head of AI Factory, ont présenté un des nombreux projets de l'AI Factory actuellement en production : un moteur de pricing pour les produits de seconde main dopé à l'intelligence artificielle. "Notre objectif est d'optimiser la marge réalisée entre le prix de rachat du produit payé au client et son prix de revente après reconditionnement. Le prix de rachat se doit d'être équitable pour convaincre le consommateur de nous revendre son équipement plutôt que de le vendre sur un autre canal. Quant au prix de revente, il doit nous permettre de couvrir nos coûts de remise en état et de commercialisation, afin de rendre ce produit d'occasion accessible à une large communauté d'utilisateurs", explique Corentin Vasseur.
Un pricing plus fiable
Le nouveau système conçu par les équipes de l'AI Factory vient remplacer une solution technique initialement développée par les équipes métiers. La solution d'intelligence artificielle offre des performances supérieures et permet de gagner en fiabilité, assure l'entreprise. Comme toute solution développée par Decathlon Digital, les équipes ont défini quatre étapes clef : la définition du ML problem, le développement, le déploiement et enfin le run en production, le tout monitoré en temps réel. Selon Corentin Vasseur et Hugo Hamad, ces grands piliers du développement d'un projet de ML assurent une plus grande pérennité du système dans le temps. Pour développer le moteur de pricing, les équipes ont commencé par définir la fonction de gain, l'objectif final de la solution. Dans le cas présent, cette fonction est constituée du prix de revente de l'article d'occasion moins le prix d'achat initial combiné au prix de conditionnement et de stockage de l'article.
Cette fonction de coût, au cœur du moteur de pricing, est axée sur trois modèles de machine learning différents. Le premier est conçu pour estimer la probabilité de rachat du produit par un client tiers. Le deuxième modèle est quant à lui chargé d'estimer le coût de reconditionnement du produit. Enfin le dernier estime le coût de stockage. En combinant les prédictions de ces trois modèles, l'IA peut calculer en temps réel le prix de rachat et le prix de revente, optimisant la marge finale. De manière assez surprenante, la phase la plus complexe n'a pas été le développement logiciel, mais la mise en production de façon industrielle. "Nous parlons de MLP (minimum loveable product), c'est-à-dire d'une version minimum viable d'un produit offrant déjà de la valeur. Le principal défi a été de définir la stack technique qui allait gérer le cycle de vie des modèles d'IA. Il ne s'agissait pas seulement du développement logiciel ou de la surveillance, mais bien de mettre en place cette brique technologique essentielle", nous détaille Corentin Vasseur.
Un dataset interne
Pour entraîner les modèles, les équipes de l'AI Factory peuvent compter sur un dataset complet issu du précédent système en place. Pour assurer la fiabilité des modèles, les équipes ont pu s'appuyer sur l'expertise scientifique du data scientist. Côté technique, la solution développée est hébergée sur le cloud, via Amazon Web Services et Google Cloud Platform. Une fois en production, le moteur de pricing bénéficie d'un monitoring en temps réel ainsi que d'un système d'alerting. Le but est de prévenir la dérive du modèle en production.
Bien que le développement d'un moteur de pricing supportée par trois modèles d'IA représente un coût humain et financier, la performance est au rendez-vous. "Nous générons de la valeur de manière plus rapide, industrielle et performante. Cela nécessite des ajustements constants, d'où l'importance pour nous de définir des guidelines et des processus, et d'automatiser au maximum nos façons de développer les produits. L'objectif est de tendre vers le même niveau de maturité que pour le développement de sites web ou d'applications classiques. Nous souhaitons que la valeur créée profite durablement à nos clients et à nos équipes métier", précise Hugo Hamad.