Élasticité croisée, cannibalisation, effet halo

Le signe du coefficient d'élasticité croisée tranche directement: positif, les deux produits sont des substituts, avec un risque de cannibalisation; négatif, ce sont des complémentaires, avec un potentiel d'effet halo. Nous détaillons cette méthode de calcul dans notre article sur comment calculer l’élasticité prix avec la data.

L'ampleur du coefficient affine ensuite la lecture: un coefficient positif et élevé signale une forte substitution, à traiter comme un arbitrage plutôt qu'un gain net, tandis qu'un coefficient positif mais faible indique une coexistence largement possible entre les deux références.

En pratique, les paires à tester en priorité sont celles qui partagent un rayon, un usage ou un besoin client (deux yaourts du même segment, ou une machine et son consommable) avant même de calculer quoi que ce soit sur les chiffres de vente.

Un coefficient proche de zéro, lui, indique deux produits qui vivent des vies quasi indépendantes: un cas rare en réalité, sauf entre catégories très éloignées du catalogue, comme le souligne cet article.

Non, pas nécessairement. Cannibaliser une référence à faible marge au profit d'une référence à forte marge peut être exactement le résultat recherché par une opération commerciale, ce n'est un problème que lorsqu'elle n'est pas identifiée et fausse la lecture du succès d'une promotion.

Le vrai risque est l'aveuglement statistique: selon une étude publiée dans une revue académique (ScienceDirect) sur les promotions en grande distribution, environ 22 % de la hausse de ventes générée par un format promu provient en moyenne d'autres formats du même produit, un déplacement de volume, pas une création de valeur, qui n'apparaît jamais dans un rapport de vente classique. Nous détaillons des mécaniques qui limitent ce risque dans notre article sur les 7 stratégies de promotional pricing.

Dans les catégories à forte substitution (yaourts, lessives, eaux minérales), un taux de cannibalisation de 15 à 35 % est courant selon les praticiens du revenue growth management; au-delà de 50 %, la promotion ne fait plus que déplacer du volume entre ses propres références, à perte.

Le bon réflexe n'est donc pas d'éviter toute cannibalisation, mais de la mesurer systématiquement pour distinguer un arbitrage de marge assumé d'une promotion qui se déguise en succès alors qu'elle ne capte aucune demande nouvelle.

L'effet halo s'exploite en identifiant les paires produit d'appel / produit complémentaire, une imprimante et ses cartouches, un barbecue et le charbon, une machine à capsules et les capsules elles-mêmes, puis en calibrant le prix du produit d'appel non pas pour maximiser sa propre marge, mais la marge combinée des deux références. Ce type de pilotage rejoint les approches que nous décrivons dans notre article sur les 5 stratégies de pricing dans le retail pilotées par la data.

Concrètement, baisser le prix de la machine ou de l'imprimante peut générer sur le produit complémentaire plus de marge que ce que la baisse elle-même a coûté: c'est l'un des rares cas où un prix d'appel agressif se justifie par des chiffres, et pas seulement par une intuition marketing.

Cette logique suppose de sortir d'un pilotage référence par référence: le prix d'appel n'est jamais évalué seul, il est évalué avec l'ensemble des ventes complémentaires qu'il génère sur la période considérée.

Pour un retailer, formaliser ces paires produit d'appel / complémentaire dans son dispositif de pricing permet de transformer une intuition marketing ponctuelle en une politique de prix d'appel reproductible et mesurable.

Non. Calculer l'élasticité croisée sur l'intégralité d'un catalogue est rarement le bon investissement: mieux vaut se concentrer d'abord sur les paires à fort enjeu, celles qui combinent fort volume et forte proximité d'usage ou de rayon. Nous détaillons cette granularité dans notre article sur l’élasticité prix par produit, magasin et cluster.

La méthode recommandée dans cet article suit quatre étapes: cartographier les paires à risque avant même de regarder les chiffres, analyser les historiques de promotion croisés sur les références voisines, isoler l'effet propre du bruit (saisonnalité, ruptures de stock, météo), puis documenter le résultat plutôt que de le calculer une seule fois.

Ce dernier point est souvent négligé: les relations entre produits évoluent avec l'assortiment, et un coefficient mesuré il y a un an peut ne plus refléter la réalité actuelle du catalogue, d'où l'intérêt de recalculer régulièrement plutôt que de laisser un chiffre dormir dans un tableau.

Cette approche ciblée donne l'essentiel de la valeur pour un effort raisonnable, sans immobiliser une équipe pricing sur un calcul exhaustif dont la majorité des paires de produits n'a de toute façon aucun impact croisé significatif.

Les outils de pricing analytics avancés peuvent effectivement modéliser élasticités simples et croisées à partir de l'historique de ventes, mais la qualité du résultat dépend directement de la qualité et de la profondeur des données disponibles en amont. Nous listons ce type de fonctionnalités dans notre article sur les fonctionnalités indispensables d’un logiciel de pricing.

C'est exactement ce type de dispositif que l'un de nos clients du secteur alimentaire a mis en place: une plateforme qui combine prévisions de ventes, élasticités simples et croisées, et détection de cannibalisation dans un même moteur de recommandation tarifaire, plutôt que de traiter chaque référence isolément.

L'objectif de ce dispositif n'est pas seulement de bien fixer un prix référence par référence, mais de sécuriser simultanément trois résultats: marge, compétitivité et image-prix. Un prix qui gagne en marge mais cannibalise deux références voisines à perte n'atteint pas cet objectif, même s'il en a l'air sur un rapport isolé.

Pour un retailer qui envisage ce type d'outil, le point de vigilance est donc moins la sophistication du modèle que la qualité de la donnée qui l'alimente: sans historique de ventes propre et suffisamment profond, même le meilleur algorithme produit des coefficients peu fiables.