Comment PVH utilise l'IA et les plateformes de données pour Calvin Klein et Tommy Hilfiger

PVH Corp, propriétaire coté à New York de Calvin Klein et Tommy Hilfiger, a passé les deux dernières années à construire une architecture de données d'entreprise qui connecte le développement produit, le merchandising, les canaux de gros et de détail sur une seule plateforme cloud. L'initiative, divulguée dans les documents réglementaires et les présentations aux investisseurs en 2025 et 2026, est conçue pour accélérer la prise de décision, améliorer la précision des prévisions et réduire les stocks excédentaires dans deux marques mondiales qui ont généré ensemble plus de 8 milliards de dollars américains de chiffre d'affaires en 2023.

Les enjeux sont importants. PVH a subi une pression sur les marges due aux activités promotionnelles et aux niveaux de stocks élevés, ce qui a entraîné une restructuration pluriannuelle baptisée PVH Plus qui vise 200 millions de dollars américains d'économies annualisées d'ici fin 2025. La technologie et l'analyse de données sont au cœur de ce plan, l'entreprise ayant engagé 50 millions de dollars américains pour le développement des capacités en 2024 seulement. Les premiers résultats montrent des taux de vente améliorés et moins de démarques dans les catégories où la prévision de la demande pilotée par l'IA a été déployée, selon les commentaires de la direction lors des conférences sur les résultats.

Le cas de PVH offre un aperçu détaillé de la manière dont un groupe d'habillement historique tente de moderniser son infrastructure technologique sous pression concurrentielle, et des obstacles qui subsistent. Pour les dirigeants de la mode qui envisagent des investissements similaires, cette expérience met en évidence à la fois les gains opérationnels disponibles et les frictions organisationnelles qui peuvent ralentir les retours.

Quelle est la stratégie de données d'entreprise de PVH ?

PVH a commencé à consolider des sources de données disparates sur une plateforme cloud en 2023, une initiative décrite dans le rapport annuel 2024 de l'entreprise comme faisant partie de sa feuille de route de transformation numérique. La plateforme ingère les données de référence produit, les flux de points de vente, les transactions de commerce électronique, les carnets de commandes de gros et les événements de la chaîne d'approvisionnement, créant ce que l'entreprise appelle une source unique de vérité pour l'inventaire, la demande et la performance produit.

Lors de la conférence sur les résultats du quatrième trimestre 2024 en mars 2025, le directeur général Stefan Larsson a déclaré que la base de données permettait des analyses plus rapides entre les zones géographiques et les canaux. L'entreprise s'appuyait auparavant sur des systèmes régionaux et des rapports manuels, ce qui signifiait que les décisions sur le réapprovisionnement, les démarques et l'allocation étaient souvent retardées de plusieurs semaines. La nouvelle architecture vise à faire apparaître les anomalies et les opportunités en temps quasi réel, permettant aux équipes régionales d'ajuster les assortiments et les prix avant que les problèmes de stocks ne s'aggravent.

PVH n'a pas divulgué le fournisseur cloud spécifique ou les partenaires d'intégration impliqués, mais les documents réglementaires mentionnent des investissements dans des abonnements de logiciels en tant que service et du conseil externe pour l'ingénierie et l'analyse de données. La plateforme a été déployée d'abord en Amérique du Nord et en Europe pour Tommy Hilfiger, puis étendue à Calvin Klein sur certains marchés en 2025, avec une expansion internationale supplémentaire prévue jusqu'en 2026.

Comment PVH applique-t-elle l'IA à la prévision de la demande ?

La prévision de la demande est l'un des premiers cas d'usage de l'apprentissage automatique chez PVH. L'entreprise a déployé des modèles qui analysent les ventes historiques, l'activité promotionnelle, les conditions météorologiques, les indicateurs macroéconomiques et le sentiment sur les réseaux sociaux pour prédire la demande au niveau du style et de la couleur. Ces prévisions alimentent la planification des assortiments et aident les acheteurs à décider de la quantité de stock à engager auprès des partenaires de gros et des points de vente détenus.

Lors de la conférence sur les résultats du deuxième trimestre 2025 en septembre, la direction a signalé que la prévision améliorée par l'IA avait contribué à une réduction des taux de démarque pour Tommy Hilfiger Amérique du Nord par rapport à la période de l'année précédente. L'entreprise a attribué cette amélioration à de meilleurs achats initiaux et à des ajustements plus rapides en cours de saison, bien qu'elle n'ait pas quantifié la réduction des démarques en points de base.

L'approche de PVH combine des signaux de demande provenant de canaux détenus, où elle dispose de données transactionnelles granulaires, avec des rapports de vente agrégés provenant de partenaires de gros. Les modèles sont réentraînés trimestriellement pour incorporer de nouvelles données et sont ajustés séparément pour chaque marque et région, reflétant les différences de saisonnalité, de calendriers promotionnels et de comportement des clients. L'entreprise a déclaré que la précision des prévisions, mesurée comme le pourcentage de styles à moins de 10 pour cent des ventes réelles, s'est améliorée, mais n'a pas publié de mesures de précision spécifiques.

Quelles autres fonctions utilisent l'IA et l'analyse de données ?

Au-delà de la prévision, PVH a testé l'IA dans le design de produits, l'optimisation des prix et la collaboration avec les fournisseurs. En design, l'entreprise a expérimenté des outils génératifs qui suggèrent des palettes de couleurs, des variations d'imprimés et des ajustements de silhouettes basés sur des mots-clés tendance et des meilleures ventes passées. Ces outils sont utilisés par les équipes de design comme source d'inspiration plutôt que pour une création autonome, et l'entreprise a souligné que les designers humains restent au centre du processus créatif.

Les prix et les promotions sont un autre axe. PVH a testé des algorithmes de tarification dynamique pour le commerce électronique qui ajustent les prix de vente et les niveaux de remise en fonction de la position des stocks, des prix des concurrents et des taux de conversion. Les algorithmes recommandent des changements de prix aux merchandisers, qui conservent l'approbation finale. Dans le gros, l'entreprise utilise l'analyse pour identifier quels partenaires de vente au détail ont les meilleures ventes pour des catégories spécifiques, informant les décisions d'allocation et les investissements en co-marketing.

La visibilité de la chaîne d'approvisionnement s'est également améliorée grâce à l'intégration des données. PVH suit désormais les expéditions, les jalons de production et les inspections qualité sur un tableau de bord unifié partagé avec les fournisseurs stratégiques. Cette visibilité permet à l'entreprise de repérer les retards plus tôt et de réacheminer les stocks vers les marchés à plus forte demande. Dans une présentation aux investisseurs de mai 2025, PVH a déclaré que les délais pour certaines catégories de produits avaient été réduits en moyenne de deux semaines, bien qu'elle n'ait pas précisé quelles catégories ou zones géographiques.

Quels résultats PVH a-t-elle rapportés jusqu'à présent ?

PVH a lié ses investissements technologiques à des améliorations opérationnelles tangibles, bien qu'elle ait été prudente quant à l'attribution des gains de marge uniquement à l'IA. Dans les résultats de l'année complète 2024, annoncés en mars 2025, l'entreprise a signalé une expansion de la marge opérationnelle de 80 points de base à 8,4 pour cent, aidée par des démarques plus faibles et une discipline de stock plus stricte. La direction a cité la plateforme de données et l'analyse améliorée comme facteurs contributifs, ainsi que des actions de restructuration plus larges telles que les fermetures de magasins et la simplification organisationnelle.

La rotation des stocks, une mesure d'efficacité clé, s'est également améliorée. À la fin du deuxième trimestre 2025, PVH a signalé un inventaire de 1,65 milliard de dollars américains, en baisse de 7 pour cent d'une année sur l'autre, tandis que le chiffre d'affaires était à peu près stable. L'entreprise a déclaré qu'une meilleure prévision de la demande et des décisions de démarque plus rapides avaient réduit les stocks vieillis, libérant du fonds de roulement. Le programme PVH Plus, qui inclut les investissements technologiques, était sur la bonne voie pour atteindre son objectif d'économies de 200 millions de dollars américains d'ici fin 2025, selon la conférence sur les résultats de septembre 2025.

Les performances du commerce électronique ont bénéficié de moteurs de personnalisation qui recommandent des produits en fonction de l'historique de navigation et d'achat. PVH a déclaré dans son rapport annuel 2024 que les canaux numériques représentaient environ 20 pour cent du chiffre d'affaires total, et que les valeurs moyennes de commande et les taux de conversion avaient tous deux augmenté suite au déploiement d'algorithmes de recommandation, bien qu'elle n'ait pas fourni de hausses en pourcentage spécifiques.

Comment l'approche de PVH se compare-t-elle aux autres groupes d'habillement ?

PVH n'est pas seule à poursuivre l'IA d'entreprise, mais l'échelle et le rythme d'adoption varient considérablement dans le secteur de l'habillement. Inditex, propriétaire espagnol de Zara, a depuis longtemps investi dans l'analyse de données et le réapprovisionnement automatisé, utilisant les données de vente en temps réel pour guider les décisions de production et les réassorts en cours de saison. Nike a construit une infrastructure technologique directe au consommateur qui inclut la personnalisation, la détection de la demande et l'optimisation de la chaîne d'approvisionnement. Les acteurs de la fast fashion comme Shein ont utilisé la conception algorithmique et la fabrication à la demande pour réduire les délais à quelques semaines.

Ce qui distingue le cas de PVH, c'est le contexte historique. Contrairement aux marques nées numériques, PVH opère un modèle hybride avec des revenus de gros substantiels, plusieurs marques et des systèmes régionaux ancrés. L'entreprise a dû adapter l'intégration des données et l'IA à un paysage technologique existant, un processus plus lent et plus complexe que la construction à partir de zéro. Les observateurs de l'industrie notent que de nombreux groupes d'habillement traditionnels font face à des défis similaires, faisant du progrès de PVH un repère utile pour ses pairs.

Un rapport de McKinsey de 2025 sur l'IA dans la mode a constaté que les entreprises d'habillement de premier plan obtiennent des améliorations de 10 à 20 pour cent dans la précision des prévisions et des réductions de 5 à 10 pour cent des stocks excédentaires grâce à l'apprentissage automatique, mais que l'adoption reste inégale. Le rapport a souligné que la technologie seule est insuffisante et que le succès dépend de la qualité des données, de la collaboration interfonctionnelle et de la volonté d'agir selon les recommandations algorithmiques même lorsqu'elles contredisent l'intuition.

Quels sont les risques et les limites ?

Malgré les progrès, le parcours IA de PVH fait face à plusieurs vents contraires. La qualité des données reste un défi persistant. L'entreprise obtient des informations de dizaines de partenaires de gros, chacun ayant des normes de reporting et des latences différentes. Des données incomplètes ou inexactes peuvent dégrader les performances du modèle, et PVH a reconnu dans ses documents que la gouvernance des données et la gestion des données de référence sont des priorités continues. Instaurer la confiance dans les recommandations de l'IA est un autre obstacle. Les merchandisers et les responsables régionaux sont habitués à se fier à l'expérience et à l'intuition, et passer outre un algorithme qui contredit leur jugement peut être difficile, même lorsque le modèle a un meilleur historique.

Il y a aussi des questions sur le retour sur investissement. PVH a investi 50 millions de dollars américains dans la technologie en 2024, et bien que l'entreprise attribue une partie de son amélioration de marge à ces capacités, isoler l'impact de l'IA des autres actions de restructuration est difficile. Certains analystes du secteur ont mis en garde que les entreprises d'habillement peuvent surestimer les avantages à court terme de l'IA, particulièrement si elles ne tiennent pas compte du coût de la gestion du changement, de la formation et de la maintenance des systèmes.

Les considérations réglementaires et éthiques émergent également. La tarification et la personnalisation pilotées par l'IA soulèvent des questions sur l'équité et la transparence, en particulier si les algorithmes discriminent par inadvertance ou créent des perceptions de manipulation des prix. PVH n'a pas divulgué de politiques spécifiques sur la responsabilité algorithmique, mais le secteur au sens large commence à faire face à ces problèmes. Dans l'Union européenne, la loi sur l'IA, entrée en vigueur par étapes à partir de 2024, impose des exigences de transparence et de gestion des risques sur les systèmes d'IA à haut risque, y compris certains utilisés dans les applications orientées consommateurs.

Enfin, il y a le risque de marchandisation. À mesure que les outils d'IA deviennent plus accessibles, l'avantage concurrentiel qu'ils confèrent peut s'éroder. Si chaque entreprise d'habillement obtient des améliorations similaires dans la précision des prévisions et l'efficacité des stocks, les gains seront effacés par la concurrence à travers des prix plus bas ou des dépenses promotionnelles plus élevées. La différenciation à long terme de PVH dépendra non seulement de l'adoption de l'IA, mais de son intégration dans des capacités distinctives telles que la construction de marque, l'innovation produit et l'expérience client.

Comment les partenaires de gros réagissent-ils ?

L'activité de gros de PVH, qui représentait environ la moitié du chiffre d'affaires total en 2024, dépend de la collaboration avec les grands magasins, les détaillants spécialisés et les plateformes de commerce électronique. L'entreprise a cherché à intégrer les partenaires clés dans son écosystème de données, partageant les données de vente et planifiant conjointement les assortiments. Certains partenaires ont accueilli favorablement la transparence, la considérant comme un moyen de réduire les démarques et d'améliorer les ventes à plein prix. D'autres ont été plus prudents, préoccupés par le partage de données de vente propriétaires ou la cession de l'autorité de merchandising à un fournisseur.

En pratique, le niveau d'intégration varie. Les grands comptes stratégiques comme Macy's et Nordstrom en Amérique du Nord ont établi des accords de partage de données et utilisent les analyses de PVH pour guider leurs achats. Les petits indépendants et les distributeurs internationaux manquent souvent des systèmes ou de la capacité pour participer pleinement. PVH a répondu en offrant des niveaux de collaboration échelonnés, des rapports de vente de base à la planification commerciale conjointe avancée soutenue par des prévisions d'IA.

Le passage vers des relations de gros basées sur les données reflète des tendances plus larges dans l'industrie. Les fournisseurs et les détaillants s'éloignent des interactions transactionnelles vers des partenariats construits sur une visibilité partagée et des mesures de performance mutuelles. Pour PVH, cela signifie non seulement fournir de meilleurs produits et services, mais aussi devenir une source d'intelligence de marché et de soutien à la planification pour ses clients de gros.

Que devraient faire les entreprises de mode maintenant ?

1. Auditer d'abord la qualité des données Avant de déployer l'IA, assurez-vous que les données produit, ventes et inventaire sont précises, cohérentes et accessibles dans tous les systèmes. Une mauvaise qualité de données sapera même les meilleurs algorithmes.
2. Commencer par des cas d'usage à fort impact Concentrez les premiers efforts d'IA sur des domaines ayant une valeur commerciale claire et des résultats mesurables, comme la prévision de la demande, l'optimisation des démarques ou la réduction des délais fournisseurs, plutôt que d'essayer de tout transformer à la fois.
3. Constituer des équipes interfonctionnelles Les initiatives d'IA réussissent lorsque les commerçants, planificateurs, responsables de la chaîne d'approvisionnement et l'informatique travaillent ensemble. Créez de petites équipes pilotes avec une responsabilité conjointe pour le déploiement technique et les résultats commerciaux.
4. Obtenir le parrainage de la direction L'adoption de l'IA nécessite des investissements soutenus et un changement organisationnel. Assurez-vous que la haute direction comprend le calendrier, les coûts et les compromis, et est prête à défendre le programme malgré les revers.
5. Collaborer avec les comptes de gros Pour les marques ayant des revenus de gros importants, collaborez avec les partenaires de détail clés sur le partage de données et la planification conjointe. Une visibilité partagée peut réduire les démarques et renforcer les relations commerciales.
6. Prévoir la gestion du changement Formez les merchandisers, planificateurs et équipes régionales à interpréter les recommandations d'IA et à les intégrer dans leurs flux de travail. Attendez-vous à de la résistance et accordez du temps pour que la confiance s'établisse.
7. Surveiller la responsabilité algorithmique Établissez des politiques de transparence, d'équité et de surveillance des systèmes d'IA, en particulier ceux affectant les prix, la personnalisation ou le recrutement. La surveillance réglementaire de l'IA dans les industries de consommation augmente.