Packitoo

Optimisation des prix et des revenus par l'IA

Industrie – Optimisation tarifaire

Scoring de propension et simulateur tarifaire what-if utilisant XGBoost avec explicabilité SHAP/LIME, permettant aux équipes commerciales d'optimiser les marges avec des corridors de prix actionnables.

±100%
Simulation de fourchette de prix
SHAP
Explicabilité complète
E2E
Pipeline de production
TS-CV
Validation robuste

Impact tarifaire

Optimisation tarifaire pilotée par les données pour l'industrie

Détails du projet

Client

Packitoo

Secteur

Industrie – Optimisation tarifaire

Année

2024–2025

Technologies clés
PythonXGBoostOptunaSHAPLIMEscikit-learn

Mission

Lead Senior Data Scientist – Optimisation des prix et des revenus

Optimisation tarifaire & scoring de propension

Mission en cours

Modélisation de la probabilité d'acceptation des devis (accepté/non accepté) et recommandation du prix optimal pour maximiser la marge. Classification & scoring via XGBoost (logistique) pour l'estimation de propension par devis. Moteur de simulation what-if variant le prix de -99 % à +100 % pour explorer les arbitrages acceptation-marge.

Contexte et environnement

Packitoo devait optimiser la tarification de ses devis en analysant de multiples critères explicatifs (produit, client, contexte commercial) pour arbitrer entre prix et probabilité d'acceptation. L'objectif était de fournir aux équipes commerciales et financières un simulateur de prix et des recommandations actionnables pour augmenter les marges sans dégrader la conversion.

Équipe

Lead Senior Data Scientist faisant le lien entre les parties prenantes Sales, Revenue, Finance, Data et IT

Environnement

Pipeline ML Python avec scoring batch et/ou API, tableaux de bord de performance

Objectifs clés

1Scoring de propension XGBoost avec validation croisée temporelle pour une généralisation robuste
2Moteur de simulation what-if : variation de prix de -99 % à +100 % avec marges projetées par segment
3SHAP & LIME pour des rapports d'explicabilité locale et globale favorisant l'adoption métier
4Pipeline de production de bout en bout : données → modèle → API/batch → tableau de bord
5Métriques de généralisation TS-CV standardisées avec RMSE, LogLoss, AUC/PR et surveillance du drift

Technologies et infrastructure

PythonPandasNumPyscikit-learnXGBoostOptunaHyperoptSHAPLIME

Prêt à obtenir des résultats similaires ?

Discutons de comment nous pouvons générer un impact mesurable pour votre organisation.