PriceMoov met de l’IA dans sa tarification dynamique

Une IA qui corrèle données internes et données publiques

Pour calculer le tarif optimal à l'instant t, la plateforme collecte les données transactionnelles de l'entreprise : ses niveaux de stocks, ses ventes ainsi que des données externes telles que la météo ou  les tarifs pratiqués par les concurrents. L'objectif est de calculer des recommandations de prix pertinentes pour tous scénarios de vente possibles. « Nous nous connectons aux ERP, aux systèmes de réservation de nos clients pour y puiser la donnée transactionnelle nécessaire pour déterminer le prix de vente. Nous pouvons fonctionner soit par batch quotidien voire plusieurs fois par jour, soit en temps réel, selon le niveau de maturité technique de notre client », ajoute l'expert. PriceMoov propose une interface utilisateur par rôle, avec une interface pour les commerciaux, une interface pour les agents de comptoir qui font face aux clients, pour les opérationnels de terrain et les Revenue Managers qui vont piloter le chiffre d'affaires dans sa globalité.

L'intégralité de la plateforme Data de la startup est portée par le Cloud public d'Amazon Web Services mais, contrairement à ce qu'on pourrait penser, la donnée collectée est chargée non pas sur une plateforme Hadoop ou NoSQL, mais bien sur une base de données relationnelle, Amazon RDS, en l'occurrence. François Aubert explique ce choix : « Pour l'instant, nous n'avons pas ressenti la nécessité d'évoluer vers un Data Lake Hadoop ou NoSQL, mais c'est une piste pour l'avenir et c'est inscrit dans notre plan de développement futur. Nous sommes actuellement sur Amazon RDS mais nous étudions la possibilité de basculer à terme sur RedShift (l’entrepôt de données d’AWS, NDLR). »

Pour la phase d'intégration de données, PriceMoov fonctionne sur le principe des Data-Request : ses développeurs ont défini un template d'intégration, avec un format et des types de données prédéfinis et auxquels chaque client doit se plier afin de communiquer ses données à la plateforme de pricing. « Cela nous permet de ne pas avoir à passer du temps à comprendre les champs de données que nous envoient nos clients. Un expert Data vient aider le client à se conformer au template et l'accompagne dans la mise en place de cette intégration. »

Dataiku, le "cerveau" du service PriceMoov

Pour développer ses algorithmes, PriceMoov a fait le choix de s'équiper de la solution intégrée Dataiku, préférée aux pourtant nombreux et puissants frameworks d'intelligence artificielle Open Source disponibles gratuitement sur le Web. « J'avais déjà mis en œuvre Dataiku  lorsque j'étais ingénieur Data chez Artefact (agence dédiée au marketing digital et au Big Data, NDLR) », confie François Auber. « Je connaissais donc bien l'outil. En outre, Dataiku est un éditeur français et donc cultive une grande proximité avec ses clients. C'était donc intéressant de nous tourner vers eux sachant que la facilité d'intégration de leur solution est un point fort. » Les autres solutions Open Source ont été écartées au profit de Dataiku car elles offraient moins de support. De  plus, avec une solution réellement "plug-and-play", il n’y a que de délais d'intégration technique.

Autre aspect de cette solution appréciée par François Aubert, le volet collaboratif de la plateforme. Les Data Scientists, Data Engineers, mais aussi les opérationnels peuvent visualiser les tableaux de bord relatifs à chaque client. Un partage d'information de plus en plus apprécié alors que la startup prend de l'ampleur. « Au début, nous étions essentiellement des profils techniques, mais maintenant l'entreprise compte des profils beaucoup plus variés. L'intérêt est de pouvoir tous collaborer ensemble sur une même plateforme, avoir facilement accès aux données sans devoir aller les chercher dans les systèmes de bases de données. Dataiku nous permet d'aller très vite dans le prototypage de nos modèles prédictifs. Cela permet à notre cellule de Data Scientists d'itérer très rapidement sur ces modèles afin de les optimiser puis les rendre disponibles à ceux qui intègrent la solution. » Actuellement, la startup compte 5 utilisateurs sur sa plateforme, des Data Scientists, des Data Engineers et des Ops de manière ponctuelle.

La plateforme est utilisée pour automatiser l'intégration des nouvelles données qui alimentent les modèles de pricing de PriceMoov. « Nous mettons notamment en œuvre la fonctionnalité de partitionnement qui permet de n'actualiser qu'une partie des données à l'arrivée d'un nouveau bloc. Nous utilisons beaucoup les connecteurs SQL, Python pour réaliser des transformations sur ces données lorsqu'elles sont chargées en RAM. Outre SQL et Python, nous utilisons aussi R pour réaliser des analyses statistiques et la visualisation de données. »

Jupyter, l'outil de collaboration privilégié par la startup

Autre outil très apprécié pour le partage d'informations dans l'entreprise, le reporting via notebooks Jupyter. Cet outil permet d'écrire des commentaires en texte libre, mais aussi d'inclure du code qui est exécuté directement dans le notebook. « Cette capacité nous permet d'intégrer des graphes, des tableaux de données très facilement et de partager ces informations pour que tous les utilisateurs puissent les consulter. C'est un outil Open Source très pratique mais qui est réservé au partage d'informations en interne. Nos clients ont pour leur part accès à une interface Web de 'Revenue Management' spécifiquement développée pour eux et pleinement intégrée à notre offre produit. » En parallèle, d'autres outils de visualisation de données comme Tableau Software et QlikView sont mis en œuvre chez PriceMoov  sachant que ces outils ont pu être connectés à la base Amazon RDS de l'entreprise très simplement.