Comment Torfs a augmenté ses ventes de 50 % grâce à la réallocation de stock pilotée par IA

Le détaillant belge de chaussures Torfs a signalé une augmentation de 50 % des ventes pour les stocks réalloués entre magasins à l'aide de l'intelligence artificielle, selon l'entreprise. Ce résultat provient d'un système d'allocation piloté par IA qui analyse les signaux de demande au niveau des magasins et déplace les stocks plusieurs fois par semaine, transformant des chaussures qui stagnaient à un endroit en articles à rotation rapide dans un autre. Pour un secteur aux prises avec des stocks excédentaires et une pression croissante sur les démarques, ce cas illustre comment une distribution granulaire et pilotée par algorithme peut libérer du chiffre d'affaires à partir du stock existant sans achat supplémentaire.

Cette hausse est importante car les assortiments de chaussures sont notoirement complexes. Un seul modèle peut être proposé en huit à douze pointures, et les préférences des consommateurs varient fortement selon la région, le format de magasin et la démographie. L'allocation traditionnelle repose sur des moyennes historiques et un réapprovisionnement manuel, laissant souvent les pointures populaires en rupture de stock dans les magasins à forte demande tandis qu'elles prennent la poussière ailleurs. Les systèmes d'IA promettent de résoudre cette inadéquation en traitant la vélocité des ventes en temps réel, le comportement des clients locaux et les coûts de transfert pour recommander des déplacements qui maximisent l'écoulement.

Torfs, une chaîne familiale comptant plus de 80 magasins en Belgique et au Luxembourg, a commencé à tester l'allocation par IA en 2023 et a déployé le système sur l'ensemble de son réseau en 2024. Le détaillant réalloue désormais les stocks plusieurs fois par semaine, en utilisant des algorithmes qui pondèrent la performance des magasins, les niveaux de stock et les coûts logistiques. L'entreprise n'a pas divulgué l'impact total sur le chiffre d'affaires ni le retour sur investissement, mais le gain de 50 % des ventes sur les articles réalloués suggère un potentiel significatif pour les détaillants prêts à investir dans l'infrastructure de données et la conduite du changement.

Qu'a fait exactement Torfs avec l'allocation par IA ?

Torfs a mis en œuvre un système d'allocation de stock piloté par IA qui analyse les données de ventes au niveau du magasin et de la référence pour identifier les stocks peu performants à un endroit mais susceptibles de se vendre plus rapidement ailleurs. Le système génère des recommandations de réallocation plusieurs fois par semaine, incitant le détaillant à déplacer des chaussures entre magasins en fonction de la demande prévue plutôt que d'attendre que le stock atteigne les seuils de démarque. L'entreprise a commencé à tester la technologie en 2023 et l'a étendue à l'ensemble de son réseau en 2024, selon des rapports du secteur.

L'algorithme prend en compte plusieurs variables, notamment la vélocité récente des ventes pour chaque modèle et pointure dans chaque magasin, les préférences des clients locaux, les niveaux de stock actuels et le coût de transfert des stocks entre sites. Lorsque le modèle identifie une inadéquation, comme une pointure populaire restant invendue dans un magasin à faible trafic alors qu'un site à fort trafic est en rupture de stock, il recommande un transfert. Le personnel de Torfs examine les recommandations et exécute les déplacements, en utilisant généralement le réseau logistique existant du détaillant.

L'augmentation de 50 % des ventes signalée s'applique spécifiquement aux articles réalloués, et non aux ventes totales de l'entreprise. En d'autres termes, les chaussures déplacées d'un magasin à un autre ont vendu 50 % d'unités de plus après le transfert qu'elles n'en auraient vendu si elles étaient restées dans le site d'origine, selon l'analyse interne de l'entreprise. Torfs n'a pas publié d'étude contrôlée ni divulgué le taux de vente de référence, donc le chiffre représente l'attribution propre du détaillant plutôt qu'une mesure indépendante.

À quelle fréquence le système réalloue-t-il les stocks ?

Torfs réalloue les stocks plusieurs fois par semaine, un changement radical par rapport aux cycles de réapprovisionnement mensuels ou saisonniers utilisés par de nombreux détaillants de chaussures. Cette fréquence élevée permet au système de réagir rapidement aux tendances émergentes, aux événements locaux et aux changements de comportement des clients. Par exemple, si un modèle de basket particulier commence à se vendre rapidement dans les magasins urbains mais lentement dans les sites de banlieue, l'algorithme peut recommander des transferts en quelques jours plutôt que d'attendre des semaines pour un examen manuel.

Une réallocation fréquente nécessite une logistique robuste et des données propres. Torfs doit suivre les stocks en temps réel dans tous les magasins, traiter les transactions de vente immédiatement et exploiter un système de distribution capable de gérer de petites expéditions fréquentes. La géographie relativement concentrée du détaillant en Belgique et au Luxembourg rend cela opérationnellement réalisable, car les temps de transfert entre magasins sont courts et les coûts de transport relativement bas. Les détaillants opérant sur des territoires plus vastes ou sur des marchés avec une infrastructure logistique fragmentée peuvent trouver des fréquences de réallocation plus élevées plus difficiles.

Quel impact l'allocation par IA a-t-elle sur les taux d'écoulement ?

Des taux d'écoulement plus élevés constituent la promesse centrale des systèmes d'allocation par IA. En déplaçant les stocks vers les magasins où la demande est la plus forte, les détaillants peuvent vendre plus d'unités à plein prix et réduire le volume de stock nécessitant finalement une démarque. Torfs n'a pas divulgué son amélioration globale du taux d'écoulement ni sa réduction des démarques, mais la hausse de 50 % des ventes pour les articles réalloués implique qu'une part significative des stocks était précédemment mal allouée. Si même 10 à 20 % du stock peuvent être redirigés vers des sites plus performants, l'effet cumulatif sur la marge peut être substantiel.

Les améliorations de l'écoulement dépendent de la précision de la prévision de la demande et de la rapidité d'exécution. Un algorithme qui prédit correctement quel magasin vendra une pointure et un modèle donnés peut générer des gains significatifs, mais les erreurs peuvent être coûteuses. Déplacer des stocks vers le mauvais endroit entraîne des coûts de transfert, immobilise le stock pendant le transport et peut laisser le magasin d'origine en sous-stock si la demande augmente soudainement. Torfs atténue ce risque en réallouant fréquemment, de sorte que les erreurs peuvent être corrigées dans les cycles suivants, et en se concentrant sur les modèles et pointures avec des signaux de demande clairs plutôt que sur les articles à rotation lente.

Les données du secteur sur les résultats de l'allocation par IA restent rares. La plupart des détaillants traitent leurs algorithmes et résultats comme propriétaires, et peu publient des essais contrôlés. La divulgation par Torfs d'une hausse de 50 % est exceptionnellement transparente, mais le chiffre manque de contexte sur la performance de référence, la part des stocks réalloués ou l'impact net après prise en compte des coûts de transfert et des erreurs d'allocation. Les décideurs évaluant l'allocation par IA devraient donc demander des données pilotes, établir des indicateurs de succès clairs et comparer les recommandations de l'IA aux processus manuels existants avant de s'engager dans un déploiement à grande échelle.

Quels types d'algorithmes sont utilisés pour la réallocation de stock ?

Les systèmes d'allocation par IA s'appuient généralement sur des modèles d'apprentissage automatique qui prévoient la demande à un niveau granulaire, utilisant souvent la régression, l'analyse de séries temporelles ou les réseaux neuronaux. Les modèles ingèrent des données historiques de ventes, des positions de stock, des prix, des activités promotionnelles, la météo, les événements locaux et d'autres variables pour prédire combien d'unités de chaque référence se vendront dans chaque magasin sur une période définie. Le système compare ensuite la demande prévue aux niveaux de stock actuels et recommande des transferts pour équilibrer l'offre et la demande sur l'ensemble du réseau.

Certaines plateformes utilisent l'apprentissage par renforcement, dans lequel l'algorithme teste itérativement différentes stratégies d'allocation et apprend des résultats. Cette approche peut s'adapter aux conditions changeantes sans réentraînement manuel, mais elle nécessite un volume de transactions substantiel pour générer des retours fiables. D'autres systèmes combinent des modèles prédictifs avec des algorithmes d'optimisation qui calculent l'ensemble de transferts le plus rentable, en tenant compte des coûts d'expédition, du temps de manutention et des contraintes de capacité des magasins.

Torfs n'a pas divulgué l'algorithme spécifique ni le fournisseur de technologie derrière son système. Le détaillant peut avoir développé la solution en interne, s'être associé à un fournisseur spécialisé de logiciels de chaîne d'approvisionnement ou avoir travaillé avec un cabinet de conseil pour construire un modèle personnalisé. Indépendamment des détails techniques, le succès de tout système d'allocation dépend davantage de la qualité des données, de la discipline organisationnelle et de la conduite du changement que du choix de l'algorithme. Les détaillants avec des données de stock fragmentées, un codage de référence incohérent ou des systèmes informatiques cloisonnés auront du mal à obtenir des résultats significatifs, même avec des modèles sophistiqués.

Quel retour sur investissement les détaillants peuvent-ils attendre ?

Le retour sur investissement pour l'allocation par IA dépend de plusieurs facteurs, notamment le coût de la technologie, le niveau actuel d'inefficacité des stocks, la structure de marge du détaillant et le coût opérationnel du déplacement des stocks. Torfs n'a pas publié de chiffres de RSI, mais une hausse de 50 % des ventes sur les stocks réalloués suggère que le système génère de la valeur, en supposant que les coûts de transfert et les dépenses technologiques représentent une petite fraction du chiffre d'affaires incrémental. Pour les détaillants avec des marges élevées et de faibles coûts de transfert, la période de récupération peut être inférieure à un an. Pour ceux opérant avec des marges faibles ou dans des zones géographiques avec une logistique coûteuse, le modèle économique est plus marginal.

Les coûts comprennent les licences logicielles ou le développement, l'infrastructure de données, l'intégration aux systèmes ERP et de gestion d'entrepôt existants, la formation du personnel et les dépenses opérationnelles continues telles que les expéditions et la manutention supplémentaires. Les bénéfices comprennent des ventes à plein prix plus élevées, des démarques plus faibles, un besoin réduit de stocks de liquidation et potentiellement des stocks globaux plus faibles si le détaillant peut servir la même demande avec un stock mieux distribué. Certains détaillants signalent également une satisfaction client améliorée, car les articles populaires sont plus susceptibles d'être en stock au bon endroit.

Un rapport 2025 de McKinsey sur la technologie de la chaîne d'approvisionnement du commerce de détail estime que l'allocation et le réapprovisionnement pilotés par IA pourraient améliorer la marge brute de 100 à 200 points de base pour les détaillants de mode avec des assortiments complexes et une distribution multicanal. Le cabinet de conseil note que les bénéfices sont les plus élevés pour les catégories avec des saisons de vente courtes, une forte prolifération de références et une variation régionale importante de la demande, tout cela s'appliquant aux chaussures. Cependant, McKinsey met également en garde que la réalisation de ces gains nécessite une exécution disciplinée, des données propres et une volonté de passer outre la prise de décision manuelle, ce qui peut rencontrer une résistance organisationnelle.

Quels sont les risques et limites de l'allocation par IA ?

Les systèmes d'allocation par IA comportent plusieurs risques. Les erreurs de prévision peuvent conduire à des erreurs d'allocation coûteuses, déplaçant des stocks vers des magasins où ils ne se vendront pas et laissant les sites à forte demande en rupture de stock. Ce risque est particulièrement aigu pour les nouveaux modèles avec un historique de ventes limité, les articles saisonniers avec de courtes fenêtres de vente et les références affectées par des événements externes soudains tels que la météo ou les tendances virales sur les réseaux sociaux. Les algorithmes entraînés sur des données historiques peuvent également perpétuer des biais passés, comme sous-servir certains formats de magasins ou régions, à moins d'être explicitement conçus pour tester de nouvelles stratégies d'allocation.

La complexité opérationnelle est un autre défi. Les réallocations fréquentes nécessitent une logistique fiable, une visibilité des stocks en temps réel et une coordination entre le personnel des magasins, les centres de distribution et l'équipe informatique. En pratique, de nombreux détaillants sont confrontés à des problèmes de qualité des données, tels que des comptages de stock inexacts, des mises à jour de transactions retardées ou un codage de référence incohérent entre les canaux. Si les données alimentant l'algorithme ne sont pas fiables, les recommandations seront défectueuses et la confiance dans le système s'érodera. Les détaillants doivent investir dans la discipline des processus et l'infrastructure technologique avant de déployer l'allocation par IA à grande échelle.

Il existe également un risque de sur-optimisation. Un algorithme qui maximise les ventes à court terme peut recommander de réallouer tous les stocks à forte demande vers quelques magasins phares, laissant les petits sites perpétuellement en sous-stock et érodant la présence de la marque dans certains marchés. Cela peut nuire aux relations clients à long terme et limiter la capacité du détaillant à servir divers segments. Pour éviter cela, les systèmes d'allocation devraient inclure des garde-fous tels que des niveaux de service minimaux pour tous les magasins, des contraintes sur la part de stock pouvant être déplacée en un seul cycle et des examens réguliers des implications stratégiques des recommandations de l'algorithme.

Enfin, le cas Torfs représente l'évaluation interne d'un seul détaillant plutôt qu'une étude évaluée par les pairs ou un audit indépendant. La hausse de 50 % des ventes est une affirmation de l'entreprise, et la méthodologie de calcul du chiffre n'a pas été divulguée. On ne sait pas si la comparaison tient compte de la saisonnalité, de l'activité promotionnelle ou d'autres facteurs de confusion, et si le résultat est durable sur plusieurs saisons. Les décideurs devraient traiter les études de cas des fournisseurs et les indicateurs auto-déclarés avec un scepticisme approprié et insister sur des programmes pilotes avec une mesure rigoureuse avant de s'engager dans un investissement à grande échelle.

En quoi les chaussures diffèrent-elles des vêtements pour l'allocation par IA ?

Les chaussures présentent des défis et opportunités distincts pour l'allocation par IA par rapport aux vêtements. Les chaussures sont vendues en pointures discrètes avec une flexibilité limitée, contrairement aux vêtements où un client pourrait accepter une coupe légèrement différente. Un magasin qui ne stocke que les pointures 38 et 42 d'une basket populaire ne peut pas servir les clients qui ont besoin d'une pointure 40, créant un résultat binaire en stock ou en rupture de stock. Cela rend l'allocation au niveau de la pointure critique et crée un bénéfice potentiel plus important du déplacement des stocks pour correspondre aux modèles de demande locaux.

Les assortiments de chaussures sont également plus fragmentés. Un seul modèle peut être proposé en huit à quatorze pointures, et chaque pointure représente une référence distincte avec une demande indépendante. Multiplier les modèles par les couleurs et les pointures peut générer des milliers de références, même pour une collection ciblée. Cette prolifération rend l'allocation manuelle impraticable et augmente la valeur de la prise de décision algorithmique. Cependant, cela augmente également la charge de données, car le système doit prévoir la demande pour chaque référence dans chaque magasin, nécessitant un historique de transactions substantiel et des modèles sophistiqués.

D'un autre côté, les chaussures présentent moins de risque de mode que les vêtements pour certaines catégories. Les modèles classiques de baskets, les bottes de travail et les chaussures formelles peuvent se vendre pendant plusieurs saisons, donnant aux algorithmes plus de données historiques pour s'entraîner et réduisant les enjeux d'une erreur d'allocation. Les modèles tendance ou saisonniers, en revanche, se comportent davantage comme les vêtements de mode, avec des cycles de vie courts et un historique de ventes limité. Les détaillants opérant à la fois dans des catégories stables et volatiles peuvent avoir besoin de stratégies d'allocation différentes pour chacune, avec des règles plus conservatrices pour les articles nouveaux ou risqués.

Questions fréquemment posées

Que doivent faire les entreprises de mode maintenant ?

1. Auditez la qualité de vos données de stock avant d'investir dans l'allocation par IA. Assurez-vous que les codes de référence, les comptages de stock et les transactions de vente sont précis et mis à jour en temps réel dans tous les magasins et canaux.
2. Lancez un programme pilote contrôlé dans un sous-ensemble de magasins ou pour une catégorie de produits limitée. Mesurez l'impact sur les ventes, l'écoulement et la marge par rapport à un groupe témoin utilisant votre processus d'allocation existant.
3. Cartographiez vos capacités logistiques pour déterminer à quelle fréquence vous pouvez réallouer les stocks. Évaluez les coûts de transfert, les délais et la capacité de manutention pour définir des intervalles de réallocation réalistes.
4. Définissez des indicateurs de succès clairs au-delà de la hausse des ventes, notamment l'écoulement à plein prix, le taux de démarque, la marge brute, la rotation des stocks et la satisfaction client. Suivez ces indicateurs avant et après le déploiement de l'IA.
5. Établissez une gouvernance et des garde-fous pour l'algorithme, tels que des niveaux de stock minimaux par magasin, des limites sur la part de stock pouvant être déplacée en un cycle et des protocoles de remplacement manuel pour les décisions stratégiques.
6. Investissez dans la conduite du changement pour garantir que le personnel des magasins, les acheteurs et les équipes d'allocation comprennent le système, font confiance aux recommandations et fournissent des retours. La résistance à la prise de décision algorithmique est un obstacle courant au RSI.
7. Examinez les résultats chaque saison et affinez le modèle en fonction de la précision des prévisions, des défis opérationnels et des résultats commerciaux. L'allocation par IA n'est pas une mise en œuvre ponctuelle mais un processus continu d'apprentissage et d'amélioration.