Tout ce que nous avions faux sur la tarification dynamique des bornes de recharge

Cela fait un peu plus de trois ans que je travaille sur la même question : quel est le juste prix d’un kilowattheure à une borne de recharge ? Pas le prix le plus élevé. Le prix juste. Un prix qui rapporte correctement à l’exploitant, sans que ce soit le conducteur arrivant à sept heures du soir avec 8 % de batterie qui en fasse les frais.

Pendant cette période, j’ai construit des courbes de prix, lancé des backtests sur de vraies sessions de recharge, intégré les prix day-ahead et fini par mettre un modèle tarifaire en production sur des bornes qui gagnent ou perdent de l’argent chaque jour. Ce que j’en retiens est plus inconfortable que prévu. Le modèle le plus souvent vendu sous le nom de « tarification dynamique », où votre prix de vente suit la bourse de l’énergie, ne fait pas ce que les exploitants croient qu’il fait. Il n’est pas mal conçu. Il optimise simplement autre chose que le bénéfice.

Ce modèle est intuitif et facile à expliquer à un client, ce qui explique sans doute sa persistance. Mais sur la plupart des bornes que j’ai calculées, il rapporte moins qu’un ennuyeux tarif fixe. Ci-dessous, je passe en revue tous les modèles tarifaires activables dans Proxilink, avec un graphique pour chacun, et je termine par celui que nous avons construit nous-mêmes.

L’hypothèse que tout le monde reprend

Le raisonnement derrière la tarification pilotée par l’énergie est simple. Votre coût d’achat varie chaque quart d’heure, donc votre prix de vente varie avec lui. Heure chère, prix cher. Heure bon marché, prix bas. Votre marge reste constante et vous êtes transparent.

Ce raisonnement protège votre marge par kilowattheure. Le problème, c’est qu’une borne ne gagne pas une marge par kilowattheure, mais une marge multipliée par un volume. Le volume ne dépend pas de ce que fait la bourse de l’électricité. Il dépend du nombre de voitures présentes sur votre site à cette heure-là, et de la sensibilité de ces conducteurs à votre prix. Tant que ce second facteur ne figure pas dans votre modèle, vous optimisez une partie de l’équation et laissez le reste au hasard.

Pourquoi le prix de l’énergie n’est pas la demande

Prenez une borne sur un site de loisirs. Un bowling, un club sportif, une zone commerciale. L’occupation culmine entre treize et dix-huit heures. Lors d’une journée ensoleillée en Belgique, c’est la fenêtre où le prix day-ahead plonge dans le creux solaire, parfois jusqu’à 20 ou 30 euros par MWh.

Ce qu’un modèle piloté par l’énergie fait alors, c’est placer votre prix le plus bas de la journée sur votre heure la plus chargée. Vous offrez une remise à des gens qui venaient de toute façon. La nuit, quand le prix spot remonte et que personne ne recharge, votre prix augmente, alors qu’une remise sur ces heures-là vous aurait peut-être apporté du volume supplémentaire.

Ce n’est pas un scénario rare. C’est le profil standard de presque toute borne de destination où les gens rechargent en faisant autre chose, et cela explique pourquoi trois des cinq modèles ci-dessous finissent sous un tarif fixe sur une telle borne.

Les quatre modèles sans IA

Proxilink vous laisse choisir entre quatre stratégies classiques. Aucune des quatre n’est mauvaise. Elles résolvent chacune un problème différent, et ce problème n’est pas nécessairement le vôtre.

Tous les graphiques ci-dessous montrent la même journée, la même borne et le même point de départ : un tarif fixe de 0,45 euro par kWh (la ligne pointillée), un achat au spot plus 0,05 euro de supplément, et le profil de demande d’une vraie borne de destination avec un pic d’après-midi (les barres ombrées). Les pourcentages de bénéfice sont des estimations sur ce seul profil. Ils basculent complètement dès que votre profil de demande change, ce qui est précisément le sujet de cet article.

1. Flat + spot

Le modèle le plus simple. Votre prix pour ce quart d’heure est votre prix de base plus l’écart entre le coût d’achat actuel et le coût d’achat moyen du jour. Si le spot est au-dessus de la moyenne journalière, vous l’êtes aussi. En dessous, vous êtes en dessous. Un pour un, sans amplification ni amortissement.

Flat + spot suit le prix spot un pour un. Fourchette de 0,39 à 0,52 euro. Écart de bénéfice estimé face au tarif fixe sur ce profil : environ −4 %.

Cela convient aux exploitants avec un contrat d’énergie variable dont la préoccupation première est de ne jamais vendre sous leur prix de revient un jour cher. Un panneau « notre prix suit la bourse de l’énergie » est un discours que les clients comprennent, et cette lisibilité vaut quelque chose en soi.

Ce que vous y perdez : votre prix de vente bouge à chaque quart d’heure, y compris en pleine session, et il n’oriente aucun comportement. Si votre pic de demande se situe dans le creux solaire, vous bradez systématiquement vos meilleures heures.

2. Forward locked

La même idée, mais avec de l’anticipation. Au lieu du prix spot de l’instant, le modèle prend le coût d’achat attendu sur toute la session. Proxilink connaît la durée moyenne de session par moment de la journée sur votre borne, regarde en avant sur cette fenêtre dans la courbe day-ahead, et applique cette moyenne. Le prix est verrouillé au démarrage de la session : ce que le client voit en scannant est ce qu’il paie.

Forward locked tarifie sur le coût d’achat attendu pendant la session, verrouillé au démarrage. Fourchette de 0,39 à 0,51 euro. Écart de bénéfice estimé : environ −3 %.

Des cinq modèles, c’est celui qui comporte le moins de risque. Votre marge par kWh reste protégée même quand une session traverse un palier de prix, et il ne contient aucun pari sur le comportement du client. Pour les bornes rapides le long des axes de transit, où les conducteurs s’arrêtent par nécessité et non parce que vous êtes bon marché, c’est le modèle que j’activerais sans analyse supplémentaire. Il est purement défensif : il protège ce que vous avez et ne va rien chercher de plus.

3. Spot two-way

Forward locked avec un amplificateur. L’écart à la moyenne du jour est multiplié par (1 + agressivité), de sorte que vous montez davantage aux heures chères et descendez davantage aux heures creuses. L’objectif est d’orienter le comportement, en déplaçant la recharge vers les heures bon marché.

Spot two-way amplifie l’écart spot (agressivité 0,35). Fourchette de 0,37 à 0,53 euro. Écart de bénéfice estimé : environ −4 %.

Cela fonctionne sur les bornes où l’utilisateur peut réellement déplacer son moment de recharge et où ce déplacement vous fait économiser : un parking résidentiel, un immeuble à appartements, une flotte d’entreprise stationnée la nuit. Là, une forte remise nocturne déplace vraiment du volume vers les heures bon marché.

Les passants, eux, ne peuvent rien déplacer, et l’amplification joue alors dans le mauvais sens. Vous descendez plus bas aux heures où vous vendiez de toute façon et vous vous poussez plus haut aux heures où personne ne vient. Des cinq modèles, c’est celui qui fait le plus de dégâts appliqué au mauvais type de borne.

4. Demand seek

Ici, nous abandonnons le prix de l’énergie comme variable de pilotage pour tarifer sur l’occupation : plus cher aux heures chargées, moins cher aux heures creuses. Le prix de l’énergie ne disparaît pas du modèle, mais retombe au rôle de plancher.

Deux garde-fous le sécurisent. Le point neutre est la moyenne pondérée par le volume de votre demande, de sorte qu’à comportement inchangé votre prix moyen retombe sur votre prix de base et non en dessous. En dessous se trouve un plancher day-ahead égal au coût d’achat plus une marge minimale, pour qu’une remise d’heure creuse ne puisse jamais passer sous votre prix de revient, même un jour d’hiver coûteux.

Demand seek tarifie sur l’occupation (barres ombrées), avec plancher day-ahead. Fourchette de 0,39 à 0,49 euro. Écart de bénéfice estimé : environ +3 %.

Pour les bornes avec un schéma d’occupation clair et récurrent, c’est un choix sensé : bornes de destination, horeca, commerce. Dans notre backtest sur une borne à Diest, ce fut le premier modèle à dépasser le tarif fixe alors que les modèles spot restaient en dessous.

Il y a toutefois un piège. Sur une borne dont la demande se situe dans le creux nocturne bon marché, un hôtel ou un parking résidentiel par exemple, ce même modèle chute jusqu’à −8 % dans nos calculs. Il applique un supplément sur les heures de nuit, précisément celles où l’achat est bon marché et où le client est le plus sensible au prix. Tarifer sur la demande sans savoir à quel point cette demande est sensible au prix reste un travail à moitié fait.

Ce que nous avions faux

Ce travail à moitié fait, c’est l’erreur que j’ai portée pendant trois ans. Nous traitons la tarification comme un problème de coût alors qu’il s’agit de comportement.

Le coût d’achat fixe votre plancher et rien d’autre. Votre optimum se situe là où un centime de plus sur votre prix rapporte autant qu’il coûte en volume perdu, et l’emplacement exact de ce point dépend d’une grandeur cotée sur aucune bourse : l’élasticité-prix de vos clients, sur votre borne, à cette heure-là.

À dix-sept heures dans une zone commerciale, avec une batterie à moitié vide et une voiture déjà garée là, cette élasticité est faible. Les gens rechargent aussi à un prix plus élevé. À trois heures du matin, quand un conducteur voit trois alternatives dans une application de navigation, elle est élevée. Même borne, même coût de revient, optimum différent. Un modèle piloté par le spot ne peut pas voir cette différence, car l’information ne se trouve pas dans le prix spot.

Le cinquième modèle : l’optimum de profit par heure

Notre propre modèle, appelé en interne ai_elastic, part donc de l’optimum plutôt que du coût. Pour chaque quart d’heure, il calcule où le bénéfice culmine, étant donné une élasticité estimée e pour cette heure :

p* = prix de base × (1 + e) / (2e) + coût d’achat / 2

C’est l’optimum de profit d’un modèle de demande linéaire ancré sur votre propre prix de base. La logique se lit directement. Si e est inférieur à 1, votre public est peu sensible au prix et l’optimum se situe au-dessus de votre prix de base ; ne pas le prendre revient à laisser de l’argent sur la table. Si e est supérieur à 1, l’optimum se situe en dessous, mais uniquement lorsque la remise se rembourse par du volume supplémentaire. Mathématiquement, cela n’arrive que si votre coût d’achat est inférieur à base × (e−1)/e. Une remise qui ne se rembourse pas n’est donc tout simplement pas accordée.

Trois couches viennent s’y ajouter pour rendre le modèle utilisable.

• L’agressivité comme fraction. Un curseur entre 0,1 et 1,0 détermine jusqu’où vous allez vers l’optimum calculé : p = base + agressivité × (p* − base). À 0,2 vous restez proche de votre tarif habituel, à 1,0 vous y allez à fond.
• Inclinaison par la demande. Au-dessus de l’optimum d’élasticité vient une correction sur l’occupation, avec le même ancrage pondéré par volume que demand seek. Plus cher aux heures les plus chargées, et sous votre prix de base aux heures creuses pour attirer des clients supplémentaires.
• Limites strictes. Un plancher day-ahead égal au coût d’achat plus la marge minimale, ainsi que vos propres prix minimum et maximum, bornent chaque prix calculé. Quels que soient vos réglages, le modèle ne peut ni passer sous votre prix de revient ni dépasser votre plafond.

Optimum de profit IA par heure, borné par un plancher de 0,32 euro et un plafond de 0,62 euro. Moins cher que le tarif fixe la nuit et tôt le matin, plus cher pendant le pic inélastique de l’après-midi. Écart de bénéfice estimé : +10 % à +21 %, selon la sensibilité réelle des clients au prix.

Regardez où passe cette courbe la nuit et le matin. Sur 15 des 24 heures, le prix se situe sous le tarif fixe. Le modèle n’extrait pas simplement davantage ; il place le prix à sa juste hauteur heure par heure, et sur plus de la moitié de la journée cela signifie moins cher.

Pourquoi l’IA est indispensable ici

Tout ce qui précède tient à ce seul paramètre e, et l’élasticité ne se lit nulle part. Elle doit être estimée, par borne et par heure, à partir du comportement. Cela demande quelque chose qui apprend plutôt qui calcule.

• Estimation à trois étages. D’abord une régression propre à la borne, log du volume contre log du prix, par heure, sur tous les jours observés. Trop peu de points ou trop peu de dispersion de prix, et le modèle bascule vers une estimation à l’échelle du réseau, sur toutes les bornes connectées. Si elle manque aussi, des a priori conservateurs par moment de la journée s’appliquent : élastique la nuit (1,8), inélastique au pic du soir (0,5).
• Rétrécissement sur les sessions. L’estimation propre d’une borne est pondérée par le nombre de sessions qui la soutiennent, via w = sessions / (sessions + 80). Une heure avec cinq sessions s’appuie fortement sur le réseau et l’a priori ; une heure avec quatre cents se fait confiance. Une semaine atypique ne peut pas bouleverser vos prix.
• Bornage avant mélange. Les régressions brutes sur de vraies données de recharge donnent parfois n’importe quoi. Nous avons vu des ajustements suggérant qu’un prix plus élevé apporte plus de volume. Chaque estimation brute est donc bornée à l’intervalle 0,2 à 3,0 avant d’être mélangée à l’a priori. Ce détail paraissait mineur jusqu’à ce qu’on le voie en production : sans cet ordre, l’estimation du matin restait collée à sa borne inférieure et la courbe ne suivait plus l’occupation.
• Des données issues du roaming. Les données d’entraînement ne viennent pas seulement de vos propres sessions QR. Sur une de nos bornes, 82 % des kilowattheures délivrés proviennent du roaming, de conducteurs chez une dizaine d’e-MSP différents payant chacun un prix différent. Ces écarts entre fournisseurs fournissent la dispersion de prix dont une estimation d’élasticité a besoin. Sans accès à ces CDR, toute estimation reste collée à son a priori.

L’estimation est recalculée chaque semaine. La courbe de prix est générée chaque jour à quatorze heures, dès que les prix day-ahead sont connus, et le prix payé par un client est fixé dès le démarrage de sa session. Personne ne voit son prix changer pendant qu’il recharge.

Ce que cela rapporte, et ce que nous ne promettons pas

Sur les bornes où cela tourne aujourd’hui, le modèle estime son propre effet sur le bénéfice entre +5 % et +17 % face au tarif fixe qui le précédait. Cette estimation utilise les données d’occupation qu’il a lui-même collectées et calcule des clients à la fois plus et moins sensibles au prix qu’estimé pour aboutir à cette fourchette.

Vient ensuite le point d’où je suis parti il y a trois ans : le rendement ne doit pas venir de l’ignorance du client. C’est pourquoi le plancher et le plafond sont stricts, pourquoi la courbe journalière complète est fixée à l’avance et publiable, pourquoi le prix est figé au démarrage de la session, et pourquoi le modèle passe sous votre prix de base aux heures où le client est sensible au prix. Un conducteur qui recharge chez vous la nuit paie moins qu’avec un tarif fixe. Cette remise n’est pas une concession sur le rendement ; une partie du rendement en provient justement, parce qu’elle apporte du volume que vous n’auriez pas eu autrement.

Empilez vos modèles de revenus sur le tarif dynamique

Un tarif dynamique est un moteur de prix et rien de plus. Le rendement ne se libère que lorsque vous y superposez plusieurs sources de revenus, chacune servant un type de client différent. Dans Proxilink, elles tournent côte à côte sur la même borne.

• Ad hoc via QR. Un passant scanne, paie par carte et recharge, sans application, sans inscription et sans commission e-MSP sur votre marge. Sur ce canal, votre prix dynamique conserve toute sa valeur, parce que personne ne s’interpose.
• Abonnements. Une contribution mensuelle plus une remise par kWh. Cette remise s’ajoute au prix dynamique : vos clients fidèles suivent donc la même courbe, mais bien en dessous. Les abonnements couvrent une partie de vos coûts fixes avant la première session du mois, et fidélisent d’emblée votre groupe le plus sensible au prix.
• Réservations. Aux heures où votre modèle applique un supplément parce que c’est chargé, vous pouvez vendre cette même rareté directement, via une redevance de réservation payée d’avance en plus de la session. Les deux se renforcent, puisque tous deux convertissent la valeur d’une heure chargée en argent.
• Tarifs de stationnement et de temps. Un point de charge occupé par une batterie pleine ne rapporte rien. Un tarif de stationnement à la minute après une période de grâce transforme la rotation en poste de revenus, et ces tarifs sont également poussés vers la plateforme CPO pour s’appliquer aux sessions de roaming.
• Contrats de flotte. Voitures de société et flottes fixes sur un tarif dédié avec facturation mensuelle par badge ou par véhicule. Un volume prévisible qui remplit votre creux d’occupation, c’est-à-dire là où votre modèle accorde une remise.
• Roaming. La visibilité dans les grandes applications de recharge apporte le volume dont tout le reste dépend et, comme indiqué plus haut, ces sessions sont en même temps vos meilleures données d’entraînement.

Chaque flux a sa propre logique tarifaire, mais tous partagent la même courbe comme point de départ. Un moteur de prix, cinq manières d’en tirer des revenus.

Là où ça bloque sans Proxilink

La formule de prix est la partie facile de cette histoire. Qui veut mettre en place des tarifs dynamiques sur ses propres bornes bute sur tout ce qui l’entoure. Voici les obstacles rencontrés en chemin.

D’abord, la plateforme CPO n’autorise qu’un seul modèle. Les modules de tarification dynamique des plateformes courantes calculent le prix spot d’une source choisie plus une marge fixe, borné entre un minimum et un maximum. C’est le modèle 1 de cet article, le plus faible des cinq. Un optimum qui varie d’heure en heure n’entre pas dans un champ intitulé « marge fixe ».

Votre propre courbe n’y entre pas davantage. Les sources de prix sont en lecture seule : vous pouvez sélectionner des flux spot mais pas injecter des prix que vous avez calculés, et aucun endpoint ne permet d’alimenter une source à vous. Reste à traduire votre courbe en éléments tarifaires OCPI avec restrictions horaires, à maintenir un tarif distinct par borne, et à repousser le tout chaque jour dès l’arrivée du day-ahead. Une mécanique quotidienne, donc, qui doit aussi tourner le jour où vous êtes occupé ailleurs.

S’y ajoute un piège qui échoue en silence. La tarification se fait par connecteur, et un tarif au niveau du connecteur écrase celui du point de charge. Accrochez votre tarif dynamique à la mauvaise couche et la borne continue de vendre chaque session à l’ancien tarif fixe, sans erreur et sans que rien ne cloche dans votre tableau de bord. Vous ne le remarquez que dans vos CDR, quand le chiffre d’affaires ne correspond pas aux prix que vous croyiez appliquer.

Les fuseaux horaires sont une deuxième source d’erreurs discrètes. Les prix day-ahead arrivent en UTC alors que votre client raisonne en heure de Bruxelles, avec deux fois par an une journée de 23 ou 25 heures. Les CDR portent plusieurs horodatages dont un seul correspond à l’heure de début locale. Prenez le mauvais champ et tout votre profil horaire se décale, ce qui rend votre estimation d’élasticité inutilisable sans qu’aucune erreur ne soit levée.

Vient enfin l’infrastructure sous-jacente que personne ne voit. Stocker des programmes au quart d’heure sans faire exploser votre historique tarifaire. Figer le prix au démarrage de la session, faute de quoi vous facturez autre chose que ce que le client a vu en scannant. Récupérer les CDR et en extraire des sessions exploitables pour entraîner votre élasticité. Prévoir un repli les jours où le day-ahead n’arrive pas, car il faut malgré tout un prix.

Aucune de ces étapes n’est impossible en soi. Ensemble, elles forment un projet logiciel qui n’a pas grand-chose à voir avec la recharge, et les erreurs qu’il contient sont exactement de celles qu’on ne voit qu’une fois le chiffre d’affaires encaissé.

Dans Proxilink, c’est plug and play

Dans le tableau de bord, cela tient sur un écran. Vous choisissez une stratégie, réglez votre prix de base, votre minimum et votre maximum, déplacez le curseur d’agressivité, et la courbe de demain se dessine immédiatement avec votre propre occupation en arrière-plan et une estimation de bénéfice en dessous. Chaque modification redessine le graphique pendant que vous travaillez, avant même d’enregistrer.

Cochez la case de synchronisation CPO et cette courbe part automatiquement chaque jour vers votre plateforme de bornes, sous forme de tarif complet avec blocs horaires, y compris vos tarifs de stationnement et de temps, pour que les sessions de roaming se règlent elles aussi au bon prix. L’élasticité se réentraîne chaque semaine sur vos propres sessions.

Si après quelques semaines votre borne se porte mieux avec forward locked qu’avec le modèle IA, vous basculez dans le même menu déroulant. Voilà à quoi se résument trois ans de calculs : le bon modèle tarifaire n’existe pas dans l’absolu, seulement pour une borne donnée avec un profil de demande donné, et il vous faut les données pour voir lequel des cinq est le vôtre.

Ce que les cinq modèles donneraient sur votre borne dépend entièrement de votre profil de demande, de votre volume et du tarif que vous appliquez aujourd’hui. Vous pouvez obtenir une réponse chiffrée sans rien installer ni changer. Ou découvrez d’abord comment fonctionne la plateforme.