Comment Torfs a obtenu une hausse des ventes de 50 % grâce à l'allocation par IA pour les chaussures réaffectées

Le détaillant belge de chaussures Torfs a obtenu des augmentations de ventes allant jusqu'à 50 % sur les stocks réaffectés en déployant un système d'IA propriétaire qui optimise la distribution des stocks dans son réseau de magasins. Le détaillant familial a développé le modèle d'allocation en interne pour résoudre les défis persistants liés à l'adaptation des stocks à la demande locale dans ses points de vente physiques.

Quel problème Torfs cherchait-il à résoudre avec l'allocation par IA ?

L'allocation traditionnelle de marchandises dans le commerce de détail multi-magasins repose largement sur des décisions manuelles et des règles statiques qui peinent à tenir compte des variations locales dans les préférences des clients et les modèles d'achat. Torfs était confronté au défi courant du secteur : avoir des styles populaires en rupture de stock dans certains emplacements tandis que des stocks à rotation lente s'accumulaient dans d'autres, entraînant à la fois des ventes perdues et des démarques.

Le détaillant a reconnu que les chaussures présentent une complexité d'allocation particulière en raison des courbes de tailles, des variations de demande saisonnière et des préférences de style régionales. Plutôt que d'adopter une solution tierce, Torfs a choisi de développer un système adapté à son modèle commercial spécifique et à son infrastructure de données, permettant un meilleur contrôle de la logique sous-jacente et un perfectionnement continu.

Comment fonctionne le modèle d'allocation de Torfs ?

Le système d'IA analyse les données de vente historiques, les positions de stock actuelles et les modèles d'achat des clients pour générer des recommandations d'allocation pour déplacer les stocks entre les magasins. Le modèle évalue quels emplacements sont les plus susceptibles de vendre des produits spécifiques en fonction des signaux de demande locale, puis suggère des transferts pour maximiser les taux de vente avant que les articles ne nécessitent une remise.

Les principaux intrants du modèle comprennent :

• Vélocité des ventes par magasin selon le style, la couleur et la taille
• Positions de stock actuelles dans l'ensemble du réseau
• Taux de conversion historiques pour des produits similaires dans chaque emplacement
• Modèles de demande saisonniers et basés sur les tendances
• Contraintes logistiques et temporelles de transfert

Le système fonctionne en continu, mettant à jour les recommandations au fur et à mesure que de nouvelles données de vente deviennent disponibles et que les positions de stock changent. Cela permet à Torfs de répondre dynamiquement aux modèles de demande émergents plutôt que d'attendre des examens manuels périodiques de la distribution des stocks.

Quels résultats Torfs a-t-il obtenus avec l'allocation par IA ?

Torfs a enregistré des hausses de ventes allant jusqu'à 50 % sur les stocks réaffectés à l'aide du système d'IA par rapport aux articles restés dans leurs emplacements d'origine. Cette amélioration reflète la capacité du modèle à identifier les magasins où des produits spécifiques ont une probabilité plus élevée de se vendre au prix fort en fonction des préférences des clients locaux.

Au-delà de l'augmentation des ventes principale, le détaillant a également obtenu des améliorations de la rotation des stocks et une réduction du temps consacré aux décisions d'allocation manuelles. Les responsables de magasin qui consacraient auparavant des heures importantes à demander des transferts ou à analyser des rapports de stock reçoivent désormais des recommandations basées sur les données qui rationalisent le processus.

Le système a également réduit les taux de démarque en déplaçant les stocks à rotation lente vers des emplacements où ils peuvent se vendre au prix fort avant d'être soldés, bien que Torfs n'ait pas divulgué de chiffres spécifiques sur l'amélioration de la marge. La capacité à extraire plus de valeur des stocks existants sans achat supplémentaire représente une contribution directe à la rentabilité.

Quels défis Torfs a-t-il rencontrés lors de la mise en œuvre ?

La résistance initiale du personnel en magasin a représenté le principal obstacle à l'adoption du système d'allocation par IA. Les responsables de magasin habitués à prendre leurs propres décisions de merchandising considéraient les recommandations algorithmiques avec scepticisme, en particulier lorsque les suggestions contredisaient leur intuition sur les préférences des clients locaux.

Torfs a abordé cette résistance par une combinaison de formation, de transparence sur la façon dont le modèle génère des recommandations et de démonstrations précoces de résultats tangibles. Les équipes de magasin devaient voir des preuves concrètes que les transferts pilotés par l'IA surpassaient les méthodes traditionnelles avant que la confiance dans le système ne se développe.

L'intégration technique a également nécessité une planification minutieuse pour garantir que le modèle d'allocation puisse accéder à des données propres et opportunes provenant des systèmes de point de vente et de gestion des stocks existants. Le détaillant a investi dans des améliorations de l'infrastructure de données pour soutenir le système d'IA, reconnaissant que les performances du modèle dépendent fortement de la qualité des données d'entrée.

Qu'est-ce que cela signifie pour l'allocation de marchandises dans le commerce de détail ?

Le cas Torfs démontre que les détaillants de taille moyenne peuvent développer des capacités d'allocation par IA efficaces en interne plutôt que de s'appuyer exclusivement sur des plateformes logicielles d'entreprise. Cette approche nécessite une expertise technique et un investissement dans l'infrastructure de données, mais offre des avantages de personnalisation et évite les coûts de licence récurrents.

La hausse substantielle des ventes sur les stocks réaffectés souligne l'inefficacité persistante des méthodes d'allocation traditionnelles, en particulier pour des catégories comme les chaussures où la variation de taille et de style crée des défis d'appariement complexes. Même des améliorations modestes dans l'orientation des stocks vers les bons emplacements peuvent générer un impact significatif sur les revenus.

Cependant, les défis d'adoption rencontrés par Torfs soulignent que le déploiement technologique seul ne garantit pas le succès. Les détaillants doivent aborder la gestion du changement organisationnel, la formation du personnel et la construction de la confiance pour réaliser la valeur potentielle des systèmes d'allocation par IA. L'élément humain de la mise en œuvre s'avère souvent aussi critique que les capacités techniques du modèle lui-même.

Alors que l'optimisation des stocks devient de plus en plus centrale pour la rentabilité du commerce de détail face à la pression sur les marges et à l'évolution du comportement des consommateurs, davantage de détaillants sont susceptibles d'explorer l'allocation pilotée par l'IA. L'expérience de Torfs suggère que le succès nécessite non seulement des algorithmes sophistiqués, mais aussi une attention particulière à la qualité des données, à l'intégration des systèmes et à l'engagement du personnel tout au long du processus de déploiement.