Comment optimiser l'assortiment en respectant budget et espace disponible ?

Les détaillants font face à un problème de contrainte fondamental : des centaines ou des milliers de produits se disputent un espace en rayon limité, une surface de vente limitée et un fonds de roulement limité. Les outils modernes de planification d'assortiment utilisent la programmation linéaire et les solveurs de contraintes pour trouver la combinaison de produits qui maximise le profit ou le chiffre d'affaires tout en respectant les limites strictes d'espace, de budget, d'exigences de stock minimum et d'étendue de catégorie. Les mathématiques sous-jacentes à ces systèmes ont leurs racines dans la recherche opérationnelle développée il y a des décennies, mais les implémentations logicielles n'ont accéléré dans la distribution de mode que ces trois dernières années, à mesure que la puissance de calcul, la qualité des données et l'intégration se sont améliorées.

Qu'est-ce que l'optimisation sous contraintes dans la planification d'assortiment ?

Au niveau du rayon, où la rentabilité et la stratégie produit convergent, le défi consiste à allouer un espace limité de manière à maximiser les rendements tout en respectant les contraintes au niveau des catégories et de l'organisation. Les détaillants visent à maximiser les ventes sous différentes contraintes, telles qu'un budget d'achat limité, un espace limité pour présenter les produits, et avoir au moins un certain nombre de fournisseurs, en développant un modèle mathématique intégré pour optimiser la planification intégrée de l'assortiment, l'allocation d'espace et le contrôle des stocks.

L'objectif est d'obtenir la liste et la quantité d'articles qui doivent être conservés en magasin pour une phase particulière, de sorte que le chiffre d'affaires global soit maximisé et que les contraintes commerciales soient satisfaites. Ces contraintes incluent généralement le total d'articles distincts par magasin, le budget au niveau de la sous-classe, et le nombre minimum et maximum d'articles distincts au niveau de la sous-classe.

Comment le problème du sac à dos s'applique-t-il à la planification marchandise ?

Le problème d'optimisation des produits proposés à la vente par un détaillant est une généralisation de ce qu'on appelle communément le problème du sac à dos, qui demande quelle est la combinaison la plus précieuse d'articles qui peut être stockée dans un sac à dos sans le casser, étant donné un ensemble d'articles où chaque article a deux valeurs et une contrainte sur l'une des valeurs. Le problème du sac à dos et ses variantes sont apparus comme des abstractions utiles pour modéliser les problèmes d'allocation sous contrainte de ressources, y compris ceux trouvés dans la distribution.

L'optimisation du problème du sac à dos multiple présente des défis importants dans l'allocation des ressources de distribution, en particulier pour les scénarios de regroupement de produits avec des contraintes doubles, et les évaluations comparent sept algorithmes distincts : programmation dynamique de base, programmation dynamique accélérée par Numba, traitement parallèle, traitement parallèle progressif, algorithme génétique, algorithme glouton et séparation et évaluation. Pour les environnements à ressources limitées, la séparation et évaluation offre une utilisation de 90 pour cent avec une surcharge de calcul minimale, et l'analyse statistique confirme la performance supérieure des variantes parallèles par rapport aux implémentations de base.

Quelles techniques mathématiques résolvent les problèmes d'optimisation d'assortiment ?

Des recherches publiées en 2025 et 2026 décrivent plusieurs approches de solution. OPTIMUS, un cadre à échelle d'entreprise pour l'optimisation de l'espace au niveau du rayon, formule la construction d'assortiment comme un problème de sac à dos linéaire binaire et le résout via la programmation dynamique pour produire des assortiments déterministes et reproductibles sous contraintes de capacité, ces résultats alimentant un modèle d'optimisation en nombres entiers mixtes au niveau des rayons qui alloue l'espace entre les planogrammes tout en appliquant des contraintes opérationnelles.

Les travaux académiques sur l'optimisation d'assortiment sous contraintes linéaires générales, où le comportement de choix du client est régi par le modèle logit combinatoire apparié, développent quatre approches de solution exacte pour résoudre le problème avec n'importe quelles contraintes linéaires de manière optimale. Un modèle de programmation linéaire stochastique multi-étapes basé sur des scénarios est proposé pour la planification intégrée des ventes, intégrant l'élasticité de la demande en fonction des promotions et de la taille de l'assortiment.

L'optimisation de l'assortiment est formulée comme une programmation linéaire en nombres entiers avec l'objectif de maximiser le profit sous contraintes. Le solveur GAMS BARON est utilisé pour résoudre le modèle proposé à petite et moyenne échelle, mais parce que le problème est NP-difficile, un algorithme génétique évolutionnaire et un algorithme d'optimisation par amortissement de vibrations de recherche locale efficace sont proposés.

Quelles contraintes comptent le plus dans le merchandising de mode ?

Les détaillants de mode font face à plusieurs catégories de contraintes. Les détaillants opèrent sous une pression croissante pour maximiser la rentabilité dans des surfaces de magasin contraintes, et alors que la demande des clients pour la variété de produits augmente, la tension entre l'espace physique limité et le besoin d'assortiments larges s'intensifie. L'objectif principal du système est d'améliorer la marge commerciale obtenue de la vente tout en tenant compte des contraintes liées aux ressources de marchandises et à l'espace en rayon.

• Contraintes d'espace : Les mètres linéaires de rayonnage, la capacité des présentoirs, le stockage en réserve et la surface de vente imposent des limites strictes sur le nombre de facings et d'unités de gestion des stocks.
• Contraintes budgétaires : Les allocations d'open-to-buy, les limites de fonds de roulement et les conditions de paiement des fournisseurs restreignent la valeur au coût total qui peut être achetée.
• Contraintes de cardinalité : Les nombres minimum et maximum de produits par catégorie, les exigences de diversité des fournisseurs et les normes de présentation régissent l'étendue de l'assortiment.
• Contraintes de niveau de service : Les taux minimum de disponibilité en stock, les objectifs de disponibilité et les engagements de fréquence de réapprovisionnement assurent la satisfaction client.

Une méthode d'optimisation pour les marchandises repose sur la modélisation mathématique et le calcul du ratio de rentabilité consolidé, garantissant la précision nécessaire et fournissant une gestion de l'assortiment dans les limites de temps et de coût, sans investissements substantiels dans l'équipement et la mise à jour des qualifications des employés.

Comment les solveurs gèrent-ils les problèmes de distribution à grande échelle ?

De nombreuses formulations existantes sont non linéaires et intensives en calcul, posant des défis pratiques pour l'implémentation dans des environnements de distribution à grande échelle. Il n'existe actuellement aucun algorithme en temps polynomial connu pour résoudre exactement cette classe de problèmes, donc les gens s'appuient souvent sur des approximations, et les approches d'approximation actuellement connues, telles que permettre des allocations fractionnaires, ont tendance à ne pas bien fonctionner avec des ensembles de données à très grande échelle et ne sont généralement pas utiles pour obtenir des réponses en temps réel.

Les implémentations pratiques décomposent les grands problèmes en sous-problèmes gérables. Le solveur de sac à dos à choix multiple dans un mode de fonctionnement peut trouver une solution optimale au problème de sélectionner un facing de chaque ensemble de choix dans une contrainte d'espace globale, en sélectionnant un facing optimal de chacun des ensembles de choix pour s'adapter à la largeur totale des rayons, et le contrôleur de capacité des rayons fournit des paramètres tels que le nombre de rayons, la largeur de chaque rayon et d'autres paramètres pertinents au diviseur de rayons qui divise la solution en composants spécifiques aux rayons en utilisant le solveur de problème de sac à dos multiple.

Le marché mondial de l'optimisation d'assortiment était évalué à 4,8 milliards de dollars en 2025 et devrait atteindre 12,3 milliards de dollars d'ici 2034, le segment des composants logiciels capturant 3,0 milliards de dollars de revenus en 2025, et les solutions logicielles englobant des moteurs de prévision de la demande de base, des algorithmes d'optimisation des stocks, des plateformes de recommandation de produits et des tableaux de bord intégrés, avec des plateformes logicielles de niveau entreprise de fournisseurs incluant Oracle, SAP et Blue Yonder offrant des capacités complètes de planification d'assortiment intégrées avec des systèmes plus larges de gestion de la chaîne d'approvisionnement et de distribution.

À quoi ressemble l'adoption récente dans l'industrie ?

L'IA générative pourrait accélérer considérablement le merchandising avec des applications allant de l'automatisation de la sélection d'assortiment à la détection de microtendances via l'écoute sociale et leur traduction en conseils exploitables pour les volumes de stock. Le rapport souligne un nouvel effort pour simplifier les assortiments, peut-être mieux illustré par le redressement d'Adidas au cours des dernières années, et la réduction du fonds de roulement immobilisé dans les stocks, les entreprises commençant à adopter des approches plus disciplinées de la prévision et de la création de produits, soutenues par des outils numériques qui les aident à comprendre comment et où la valeur fuit.

Les résultats de la recherche sont applicables à la distribution de vêtements, le résultat pratique est la maximisation du retour sur investissement pour les marchandises vendues par jour, et les avantages et l'efficacité de l'algorithme ont été calculés sur la base de données réelles après implémentation. Les principales tendances de la période de prévision incluent l'optimisation d'assortiment basée sur les prévisions de demande, la détection d'écarts au niveau du magasin utilisant des signaux de vente en temps réel, la planification d'assortiment localisée pour les micro-marchés, les recommandations automatisées de planogrammes et d'espace en rayon, et l'optimisation de l'allocation des stocks avec des modèles de contraintes.

Malgré la sophistication mathématique disponible, des barrières pratiques demeurent. Une enquête de McKinsey a révélé que 71 pour cent des merchandiseurs disent que les outils de merchandising par IA ont eu un effet limité voire nul jusqu'à présent, et l'écart est dû à la qualité de l'historique des ventes et à la cohérence des attributs, pas aux algorithmes. Le succès de l'implémentation dépend de données propres, d'attributs de produits cohérents et d'intégration avec les systèmes existants de planification des ressources d'entreprise et de points de vente, pas seulement du choix de l'algorithme.