Chaque projet de suivi des prix commence par la même question : à quelle fréquence devons-nous vérifier ? Vérifier trop rarement et vous manquez les changements que vous payez pour observer. Vérifier trop souvent et vous dépensez de l’argent à enregistrer des prix qui n’ont pas bougé.
La réponse dépend de la vitesse réelle à laquelle les prix changent, et cela a été mesuré avec soin. Des économistes ont passé deux décennies à collecter des prix en ligne à grande échelle pour étudier l’inflation, et leurs articles contiennent les chiffres les plus fiables disponibles sur la fréquence à laquelle les détaillants modifient leurs prix, sur la façon dont cela a évolué, et sur la manière dont la méthode d’échantillonnage déforme ce que l’on observe.
Cette étude rassemble ces chiffres. Chaque nombre ci-dessous provient du texte ou des tableaux des articles originaux ; les sources sont listées à la fin.
Points clés à retenir
- Les prix en ligne changent plus vite qu’avant. Chez les grands détaillants multicanaux américains, la fréquence mensuelle des changements de prix réguliers est passée de 15,4 % en 2008-2010 à 27,4 % en 2014-2017. La durée typique d’un prix régulier est passée d’environ six mois et demi à moins de quatre mois.
- Les marketplaces sont un monde à part. Sur un ensemble de meilleures ventes Amazon suivies pendant six semaines, seulement 13 % des produits ont conservé le même prix de Buy Box, et la moitié ont changé plus de 14 fois.
- La flambée inflationniste de 2022-2023 a plus que doublé la fréquence des changements de prix en ligne dans tous les secteurs et pays, après des années de comportement stable.
- Les vérifications quotidiennes et hebdomadaires observent presque les mêmes changements chez les détaillants. Les vérifications mensuelles en manquent beaucoup, et moyenner les prix sur une semaine invente de petits changements qui n’ont jamais eu lieu.
- Le bon rythme dépend du canal : hebdomadaire à quotidien pour les sites de détaillants, horaire ou plus rapide pour les annonces disputées sur les marketplaces.
Comment les changements de prix sont mesurés
Deux mesures reviennent dans toute la recherche.
- La fréquence est la part des observations dans lesquelles le prix d’un produit diffère de l’observation précédente. Une fréquence mensuelle de 20 % signifie qu’un produit sur cinq change de prix dans un mois typique.
- La durée implicite convertit la fréquence en durée typique de validité d’un prix. La plupart des articles utilisent la formule -1/ln(1 - f), qui suppose une probabilité constante de changement à chaque période ; certains utilisent la formule plus simple 1/f. Les deux donnent des chiffres différents pour une même fréquence, il ne faut donc comparer les durées qu’au sein d’un même article.
La recherche distingue aussi les prix affichés, qui incluent les soldes temporaires, des prix réguliers, qui filtrent les soldes. Un produit qui baisse pour une promotion de week-end et revient à son ancien prix compte pour deux changements dans les prix affichés et aucun dans les prix réguliers.
Ce que font les prix des détaillants
Les preuves les plus détaillées proviennent des travaux d’Alberto Cavallo au MIT et du Billion Prices Project, qui en 2010 collectait déjà cinq millions de prix par jour auprès de plus de 300 détaillants dans 50 pays. Son étude de 2018 sur les grands détaillants multicanaux américains, utilisant des données quotidiennes agrégées en fréquences mensuelles, montre à quel point la tarification s’est accélérée sur une décennie :
| Période | Fréquence mensuelle des changements de prix réguliers | Durée implicite | Hausses de prix | Baisses de prix | Taille moyenne d’un changement |
|---|---|---|---|---|---|
| 2008-2010 | 15,4 % | 6,5 mois | 6,9 % | 8,9 % | 17,5 % |
| 2011-2013 | 22,4 % | 4,5 mois | 10,3 % | 12,1 % | 16,2 % |
| 2014-2017 | 27,4 % | 3,7 mois | 12,5 % | 15,0 % | 15,0 % |
Source : Cavallo (2018), « More Amazon Effects », Tableau 1. Les durées utilisent 1/f.
En incluant les soldes, la fréquence mensuelle est passée de 21 % à plus de 31 % sur la même période. Les changements sont devenus plus fréquents et légèrement plus petits.
L’accélération n’a pas été uniforme selon les catégories. La durée des prix réguliers pour les loisirs et l’électronique est passée de 13,1 à 5,5 mois, et pour l’ameublement et les articles ménagers de 14,2 à 5,9 mois. L’alimentation et les boissons non alcoolisées sont restées stables à 6,4 mois. Les catégories qui ont changé le plus vite sont celles où la concurrence en ligne s’est le plus développée.
La concurrence se manifeste aussi au niveau des produits. Pour environ 50 000 produits Walmart suivis quotidiennement de 2016 à 2018, ceux également vendus sur Amazon avaient des prix qui duraient environ 20 % de temps en moins que les autres. Dans l’habillement et la chaussure, l’écart était beaucoup plus important.
Les prix en ligne et en magasin évoluent ensemble plus souvent qu’on ne le suppose. Dans une étude distincte portant sur 56 grands détaillants multicanaux dans 10 pays, le prix en ligne correspondait au prix en magasin 72 % du temps, et la fréquence hebdomadaire des changements de prix en ligne (7,6 %) n’était pas significativement différente de celle hors ligne (6,8 %). Pour les détaillants qui vendent des deux façons, le site web offre généralement une image fiable du rayon. Notre guide sur la détection des prix géo-personnalisés et dynamiques traite des cas où ce n’est pas le cas.
Ce que font les prix des marketplaces
Les marketplaces sont l’endroit où la tarification est la plus rapide. Une étude de 2016 menée par des chercheurs de l’Université Northeastern a suivi 1 641 meilleures ventes Amazon, en enregistrant les 20 meilleurs vendeurs de chaque produit toutes les 25 minutes. Sur six semaines :
| Mesure | Résultat |
|---|---|
| Produits dont le prix du Buy Box n’a jamais changé | 13 % |
| Produits avec plus de 14 changements de prix du Buy Box | 50 % |
| Produits dont le gagnant du Buy Box n’a jamais changé | 31 % |
| Vendeurs détectés utilisant une tarification algorithmique | 543, soit 2,4 % de tous les vendeurs |
| Part des vendeurs avec 20+ changements de prix sur un produit qui étaient algorithmiques | 38 % |
Source : Chen, Mislove et Wilson (2016).
Certains produits ont connu des centaines de changements de Buy Box en six semaines, bien plus d’un par jour, tandis que la plupart des vendeurs individuels n’ont jamais changé leur prix du tout. Un petit groupe de vendeurs algorithmiques est à l’origine de la majeure partie des mouvements. Les produits avec des vendeurs algorithmiques ont presque jamais conservé un prix de Buy Box statique (2 %), contre 20 % des produits sans eux.
Les outils de repricing sont désormais courants bien au-delà d’Amazon. Dans l’enquête sectorielle de 2017 de la Commission européenne sur le commerce électronique, 53 % des détaillants ont déclaré suivre les prix en ligne de leurs concurrents. Les deux tiers d’entre eux utilisaient un logiciel pour le faire, et 78 % des détaillants utilisant un logiciel ajustaient ensuite leurs propres prix en réponse. Pour voir comment cela se traduit en pratique, consultez notre guide sur la création d’un flux de prix concurrentiel en temps réel.
Ce qui s’est passé pendant la flambée inflationniste
La fixation des prix n’est pas figée. En utilisant des prix collectés quotidiennement aux États-Unis et dans plusieurs pays européens, Cavallo, Lippi et Miyahara ont constaté que la fréquence des changements de prix en ligne était globalement stable jusqu’en 2021, puis « a augmenté significativement en 2022 et 2023, plus que doublant dans tous les secteurs et pays ».
Le point de départ était lent. Avant la flambée, en 2019-2021, les détaillants alimentaires et de boissons changeaient leurs prix réguliers environ 1,9 fois par an en moyenne, allant de 0,8 fois au Royaume-Uni à 2,3 fois aux Pays-Bas.
Le même schéma apparaît dans les données officielles de prix à la consommation, qui couvrent principalement les magasins physiques :
- États-Unis : la fréquence mensuelle des changements de prix hors soldes est passée d’environ 10 % avant la pandémie à un pic légèrement supérieur à 20 % début 2022, puis est revenue à environ 13 % en 2024 (Federal Reserve Board, 2025).
- Zone euro : la fréquence mensuelle est passée d’une moyenne de 8 % en 2010-2019 à 12 % en 2022, puis a reculé en 2023 et 2024 (Banca d’Italia, 2026). La même étude a constaté que les prix en ligne dans les données allemandes ont tendance à changer plus souvent que les prix hors ligne.
Un rythme de surveillance suffisant en 2019 ne l’était plus en 2022. Le rythme doit être revu lorsque le marché change, et non fixé une fois pour toutes.
En ligne face au point de référence hors ligne
À titre de comparaison, les études classiques sur les données de prix à la consommation américaines situent la durée médiane d’un prix à 4,3 mois en incluant les soldes et 5,5 mois en les excluant (Bils et Klenow, 2004). Pour les prix réguliers uniquement, la médiane était de 8 à 11 mois sur la période 1988-2005 (Nakamura et Steinsson, 2008).
Par rapport à ce point de référence, la durée du prix régulier de 3,7 mois chez les grands détaillants en ligne américains en 2014-2017 est environ deux à trois fois plus rapide. Les deux utilisent des données et des méthodes différentes, la comparaison est donc approximative, mais la tendance est claire.
Ce que cela implique pour le rythme de surveillance
La conclusion la plus utile pour les équipes de surveillance provient de l’étude de 2018 de Cavallo comparant les mêmes données collectées à différents intervalles :
| Échantillonnage | Durée implicite aux États-Unis | Ce qui se passe |
|---|---|---|
| Quotidien | 2,68 mois | Référence |
| Hebdomadaire | 2,91 mois | Presque identique : « peu de produits ont plus d’un changement de prix par semaine » |
| Mensuel | 4,7 mois | « De nombreux changements de prix au cours du mois ne sont pas observés » |
| Moyennes hebdomadaires | Environ la moitié de la durée des prix hebdomadaires | Moyenner crée de petits changements factices |
Source : Cavallo (2018), « Scraped Data and Sticky Prices », version publiée.
Quatre règles pratiques en découlent.
- Pour les sites de détaillants, un relevé hebdomadaire capture la plupart des changements et un relevé quotidien les capture presque tous. Passer de l’hebdomadaire au quotidien change peu ce que vous mesurez. Passer de l’hebdomadaire au mensuel change beaucoup.
- Ne jamais moyenner les prix avant de mesurer les changements. Les moyennes hebdomadaires divisent par deux à la fois la durée mesurée et la taille mesurée des changements, car une seule baisse de prix survenue en milieu de semaine devient deux étapes plus petites. Conservez chaque prix observé.
- Pour les marketplaces, les minutes et les heures comptent. Les prix de Buy Box disputés peuvent changer plusieurs fois par jour. L’équipe de Northeastern a opté pour 25 minutes après avoir constaté qu’un balayage à la minute captait surtout de brefs scintillements des propres systèmes de la marketplace plutôt que de vrais changements de prix.
- Enregistrez la disponibilité en même temps que le prix. Dans les données quotidiennes de Cavallo, 22 % à 37 % des observations quotidiennes étaient manquantes parce qu’un produit était en rupture de stock ou que la page n’avait pas pu être collectée, et les ruptures de stock se sont elles-mêmes révélées un signal utile : elles ont bondi pendant la pandémie, passant d’environ 14 % à plus de 35 % aux États-Unis. Un trou dans vos données est une information, pas seulement du bruit.
| Canal | Rythme de départ suggéré |
|---|---|
| Sites de détaillants, catégories stables (épicerie, ménager) | Hebdomadaire, quotidien autour des promotions |
| Sites de détaillants, catégories rapides (électronique, articles ménagers) | Quotidien |
| Annonces de marketplace avec plusieurs vendeurs | Horaire, plus rapide pour les meilleures ventes |
| Tarifs de voyage et prix d’hôtel | Quotidien par date de départ ou de séjour, plus fréquent à l’approche de la date |
Mesurer cela sur vos propres données
Si vous collectez déjà des prix, vous pouvez mesurer la volatilité de votre propre marché plutôt que de vous fier à des moyennes tirées des échantillons d’autres personnes. La fonction ci-dessous calcule la fréquence, la durée implicite, la part des hausses et la taille médiane d’un changement à partir d’observations quotidiennes :
import math
from collections import defaultdict
def change_stats(observations, min_change=0.0):
"""observations: (product_id, day, price) tuples from a daily scrape.
Compares each price with the product's previous observed price on the day
before. Gaps are skipped, not filled: a price carried across a missing day
would hide changes, and an interpolated one would invent small ones.
"""
by_product = defaultdict(dict)
for product, day, price in observations:
by_product[product][day] = price
pairs = changes = increases = 0
sizes = []
for prices in by_product.values():
for day in sorted(prices):
previous = prices.get(day - 1)
if previous is None:
continue
pairs += 1
change = (prices[day] - previous) / previous
if abs(change) > min_change:
changes += 1
increases += change > 0
sizes.append(abs(change))
frequency = changes / pairs if pairs else 0.0
sizes.sort()
return {
"daily_pairs": pairs,
"frequency": round(frequency, 4),
# Mean days between changes if each day were an independent draw.
"implied_duration_days": round(-1 / math.log(1 - frequency), 1) if 0 < frequency < 1 else None,
"share_increases": round(increases / changes, 3) if changes else None,
"median_abs_change": round(sizes[len(sizes) // 2], 4) if sizes else None,
}Elle compare chaque prix uniquement avec le prix du jour précédent. Un trou est ignoré plutôt que comblé, car reporter le dernier prix connu masque les changements et combler le trou par une estimation en invente de petits. C’est la même distorsion que la recherche a trouvée dans les données moyennées.
Un petit exemple :
from price_changes import change_stats
observations = [
("sku-1", 1, 19.99), ("sku-1", 2, 19.99), ("sku-1", 3, 17.99), ("sku-1", 4, 17.99),
("sku-2", 1, 5.49), ("sku-2", 2, 5.49), ("sku-2", 4, 5.79), ("sku-2", 5, 5.79),
("sku-3", 1, 249.00), ("sku-3", 2, 239.00), ("sku-3", 3, 249.00), ("sku-3", 4, 249.00),
]
print(change_stats(observations)){'daily_pairs': 8, 'frequency': 0.375, 'implied_duration_days': 2.1, 'share_increases': 0.333, 'median_abs_change': 0.0418}Le prix du deuxième produit est passé de 5,49 à 5,79 à travers un jour manquant, ce changement n’est donc pas comptabilisé. Avec des données réelles, les jours manquants sont les jours de rupture de stock et d’échec de collecte, et vous devriez indiquer leur nombre en même temps que le résultat. Bien collecter dès le départ aide : une observation manquante causée par un blocage ressemble à une observation manquante causée par une rupture de stock. Notre guide sur le coût par enregistrement propre explique comment les taux d’échec influencent les budgets de surveillance.
Exécutez la fonction par catégorie et par concurrent. Une catégorie dont la durée implicite est de quelques jours nécessite une collecte quotidienne ou plus rapide. Une catégorie mesurée en mois peut être vérifiée chaque semaine sans rien perdre.
FAQ
À quelle fréquence les prix en ligne changent-ils ?
Chez les grands détaillants multicanaux américains, environ 27 % des produits ont changé leur prix régulier dans un mois typique en 2014-2017, de sorte qu’un prix régulier durait environ quatre mois. Les prix des marketplaces changent beaucoup plus vite : la moitié des meilleures ventes Amazon dans une étude ont changé leur prix de Buy Box plus de 14 fois en six semaines.
La surveillance quotidienne des prix est-elle nécessaire ?
Pour la plupart des sites de détaillants, une surveillance hebdomadaire capture la majorité des changements, et une recherche comparant l’échantillonnage quotidien et hebdomadaire a trouvé des résultats presque identiques. La surveillance quotidienne importe pour les catégories rapides, les promotions et les marketplaces. La surveillance mensuelle manque de nombreux changements.
Les prix en ligne changent-ils plus souvent que les prix en magasin ?
Chez les détaillants qui vendent à la fois en ligne et en magasin, les prix sont identiques environ 72 % du temps et changent à des rythmes similaires. C’est la concurrence exclusivement en ligne, en particulier sur les marketplaces, qui connaît les changements de prix les plus fréquents.
L’inflation a-t-elle changé la fréquence des changements de prix ?
Oui. La fréquence des changements de prix en ligne a plus que doublé en 2022 et 2023, et les données officielles de prix aux États-Unis et dans la zone euro montrent des hausses similaires, suivies d’un retour partiel vers les niveaux antérieurs.
En conclusion
Les prix en ligne changent plus vite qu’il y a dix ans, beaucoup plus vite sur les marketplaces que sur les sites de détaillants, et encore plus vite lorsque l’inflation augmente. La recherche donne une règle claire pour la surveillance : sur les sites de détaillants, une collecte hebdomadaire capture l’essentiel de ce que capture une collecte quotidienne, une collecte mensuelle en manque beaucoup, et les données moyennées déforment l’image. Mesurez vos propres catégories, fixez le rythme en fonction de leur vitesse réelle de mouvement, et révisez-le lorsque le marché change.
Sources et références
- Cavallo, A. (2018). More Amazon Effects: Online Competition and Pricing Behaviors. NBER Working Paper 25138.
- Cavallo, A. (2018). Scraped Data and Sticky Prices. Review of Economics and Statistics 100(1).
- Cavallo, A. (2017). Are Online and Offline Prices Similar? Evidence from Large Multi-Channel Retailers. American Economic Review 107(1).
- Cavallo, A. et Rigobon, R. (2016). The Billion Prices Project: Using Online Prices for Measurement and Research. NBER Working Paper 22111, publié dans Journal of Economic Perspectives 30(2).
- Cavallo, A., Lippi, F. et Miyahara, K. (2023). Large Shocks Travel Fast. NBER Working Paper 31659.
- Cavallo, A. et Kryvtsov, O. (2023). What Can Stockouts Tell Us About Inflation? Evidence from Online Micro Data. NBER Working Paper 29209.
- Chen, L., Mislove, A. et Wilson, C. (2016). An Empirical Analysis of Algorithmic Pricing on Amazon Marketplace. WWW 2016.
- Commission européenne (2017). Final report on the E-commerce Sector Inquiry et staff working document.
- Montag, H. et Villar, D. (2025). Post-Pandemic Price Flexibility in the U.S. Federal Reserve Board, FEDS 2025-024.
- Gautier, E. et al. (2026). Consumer price stickiness in the euro area during an inflation surge. Banca d’Italia, Temi di discussione 1524.
- Bils, M. et Klenow, P. (2004). Some Evidence on the Importance of Sticky Prices. Journal of Political Economy 112(5).
- Nakamura, E. et Steinsson, J. (2008). Five Facts About Prices: A Reevaluation of Menu Cost Models. Quarterly Journal of Economics 123(4).
Plusieurs des études de Cavallo utilisent des données de PriceStats, qu’il a cofondé ; les articles le mentionnent.