Le 22/12/2023 par ramdanec :

Proposition de stage M2 ou stage de fin d’étude d’école d’ingénieur (avec possibilité de poursuite en thèse cifre)

Titre : Revenue management appliqué au secteur de la beauté

Entreprise: Kalendes

Laboratoire de recherche partenaire: Loria, Equipe Optimist, Nancy

Durée du stage: 6 mois (date de début : à partir de mars 2024)

Candidature: jusqu’à mars 2024

Lieu de stage: Les locaux de l’entreprise Kalendes à Rueil-Malmaison (Région parisienne).

Niveau attendu: fin d’études (Master 2 et/ou 3A de cycle ingénieur). Le souhait de poursuivre sur une thèse l’année prochaine serait un plus.

Compétences :Algorithme et programmation, Data science, Optimisation combinatoire, Mathématiques appliquées, Machine learning.

Candidature :

Pour postuler, veuillez envoyer les documents suivants

• CV
• Lettre de motivation
• Relevé de notes de M1 et de l’année en cours
• Liste de référents
• Tout autre document permettant d’apprécier le dossier

Contact : Wahiba Ramdane Cherif-Khettaf, maître de conférences, Mines Nancy (Univ. Lorraine) (wahiba.ramdane-cherif@mines-nancy.univ-lorraine.fr ou ramdanec@loria.fr)

Modalités de sélection :Une première phase d’entretien sera effectuée par les membres du laboratoire de recherche Loria (équipe Optimist), et la deuxième phase par les dirigeants de Kalendes.

Présentation du contexte :

Kalendes est une start-up fondée en décembre 2019, spécialisée dans la fourniture d'une solution en mode SAAS pour la gestion complète des activités des professionnels de la beauté. À ce jour, l’entreprise compte 3000 clients, a effectué plus de 10 millions de réservations en ligne et est classée N°4 sur le marché français.

À la différence de Doctolib, qui évolue sur un marché d’excès de demande par rapport à l’offre, le marché de la beauté présente un excès d’offre par rapport à la demande. Le taux d’occupation moyen est inférieur à 50%. Il devient alors nécessaire de stimuler la demande par de la modulation tarifaire ou revenue management pour mieux exploiter les créneaux inoccupés.

Les tendances de marché sont par ailleurs favorables :

• Nécessité souvent vitale pour les professionnels de la beauté d’avoir plus de clients : Taux d’occupation inférieur à 50%, baisse du chiffre d’affaires, hausse des charges fixes, remboursement du PGE, augmentation des cessations d’activités.
• Les consommateurs à la recherche de bons plans : Inflation, baisse du pouvoir d’achat, trop de dépenses contraintes, diminuent leurs dépenses accessoires, sont plus flexibles sur les horaires, notamment grâce au télétravail.

Projet du stage :

La recherche dans le domaine du revenue management s'est principalement concentrée sur les industries aériennes et hôtelières, mais beaucoup reste à faire dans d'autres industries. L’objectif de ce stage est d'appliquer les principes de la modulation tarifaire et du revenue management au secteur de la beauté. Le point clé est de stimuler la demande par de la modulation tarifaire ou revenue management et de proposer une méthode d’optimisation permettant de maximiser le chiffre d’affaires du salon en fixant les bons discounts au bon moment, pour les bons créneaux horaires, la bonne prestation et le bon professionnel.

Missions :

1. Analyser les données de l’entreprise (plus de 4 millions de clients finaux et 10 millions de rendez-vous sur 4 ans) pour :
   1. Expliquer et prévoir le taux d’occupation : Existe-t-il des saisonnalités sur la réservation en ligne, par segment client, par activité du salon, par professionnel, par géographie, en fonction de la météo… ?
   2. Expliquer et prévoir le comportement de réservation : Comment se remplissent les agendas des professionnels, combien de temps avant ? Existe-t-il des patterns sur le délai de prise de rendez-vous avant la prestation, activité du pro, jour de la semaine, segment client, de la prestation ?
2. Faire une étude bibliographique sur les techniques de tarification et de revenue managements utilisés dans le secteur des services.
3. Développer une méthode basée sur des techniques d’optimisation et d’intelligence artificielle pour fixer les bons discounts au bon moment, pour les bons créneaux horaires, la bonne prestation, le bon professionnel afin de maximiser le chiffre d’affaires d’un salon.

Références:

Chung Kwan Shin & Sang Chan Park (2000). A machine learning approach to yield management in semiconductor manufacturing, International Journal of Production Research, 38:17, 4261-4271.

Y. Lin, M. B. Alawieh, W. Ye and D. Z. Pan (2018). Machine Learning for Yield Learning and Optimization, 2018 IEEE International Test Conference (ITC), Phoenix, AZ, USA, 2018, pp. 1-10, doi: 10.1109/TEST.2018.8624733.

Peter P. Belobaba (1987). Survey Paper—Airline Yield Management An Overview of Seat Inventory Control. Transportation Science 21(2).

Garrett van Ryzin and Jeff McGill (2000). Revenue Management Without Forecasting or Optimization: An Adaptive Algorithm for Determining Airline Seat Protection Levels, Management Science, Jun., 2000, Vol. 46, No. 6 (Jun., 2000), pp. 760-775.

Serguei Netessine, Robert Shumsky (2002). Introduction to the Theory and Practice of Yield Management. INFORMS Transactions on Education 3(1).