Magasin par magasin : que apportent vraiment les assortiments locaux pilotés par l'IA ?

Lorsque l'équipe opérationnelle de Zara et des chercheurs universitaires ont testé une nouvelle façon de décider de la quantité de chaque article à envoyer à chaque magasin, ils l'ont fait sous la forme d'une expérience de terrain contrôlée. Le résultat, publié dans la revue Interfaces en 2010, est une hausse des ventes de 3 à 4 %, que les auteurs ont estimée à environ 353 M USD de chiffre d'affaires supplémentaire pour 2008. Le modèle n'utilisait aucune IA générative. Il reliait le stock de chaque magasin dans chaque taille à sa demande et choisissait les expéditions depuis deux entrepôts centraux vers environ 1 500 magasins.

Quinze ans plus tard, distributeurs et éditeurs de logiciels promettent bien davantage : des gammes adaptées à chaque quartier, des courbes de tailles ajustées magasin par magasin, des tendances locales repérées avant qu'elles ne se diffusent. Les preuves sont plus minces que la promesse. Les cas chiffrés, de Guess à Hackett, concernent l'allocation et le réapprovisionnement : combien d'unités d'une gamme existante vont à quel magasin, et quand. Des assortiments réellement différents par magasin, choisis par algorithme, restent rares et largement non mesurés publiquement.

Le sujet est d'actualité parce que l'économie favorise la précision. Les distributeurs gardent davantage de stock pour les décisions en cours de saison, réduisent les démarques et exploitent moins de magasins, mais plus grands. Chaque unité envoyée à la mauvaise porte devient une démarque ou une vente perdue. La question pour les merchandisers n'est pas de savoir s'il faut localiser, mais quelles décisions l'IA peut prendre de façon fiable au niveau du magasin, et quelles données cela exige.

Que signifie l'assortiment localisé dans la distribution de mode ?

La localisation recouvre quatre décisions différentes que l'on confond souvent. L'assortiment décide quels modèles un magasin propose. L'allocation décide des quantités initiales de chaque modèle, coloris et taille par magasin. Le réapprovisionnement complète les magasins en cours de saison à partir du stock central. L'optimisation des tailles et de la profondeur ajuste la courbe de tailles et le nombre d'unités par option à la demande locale. Un magasin qui reçoit les mêmes modèles que toutes les autres boutiques, mais dans des quantités et des répartitions de tailles différentes, est localisé au sens de l'allocation, pas au sens de l'assortiment.

La mode rend ces quatre décisions plus difficiles que l'alimentaire. La plupart des modèles ne se vendent que pendant une saison, il y a donc peu d'historique par article et par magasin. La demande est répartie sur de nombreuses tailles et coloris, de sorte que les ventes par SKU et par magasin sont faibles et bruitées. Et lorsqu'un article est épuisé, le système enregistre zéro vente, non la demande restée insatisfaite. Tout modèle qui apprend uniquement à partir des ventes sous-estimera la demande dans les magasins mêmes où un produit a le mieux fonctionné.

Quelles preuves montrent que l'optimisation au niveau du magasin fait progresser les ventes ?

L'étude de Zara reste la référence parce qu'elle a été testée face à un groupe témoin. Ses auteurs, des universitaires travaillant avec des équipes de Zara, ont décrit un modèle qui adoptait une vision par tailles du stock de chaque magasin, en reliant le stock de chaque taille à la demande attendue pour choisir combien d'unités expédier. La logique est intuitive pour tout merchandiser : un modèle auquel il manque ses tailles clés se vend mal même s'il reste des unités sur le portant. Le gain estimé de 3 à 4 % de ventes provenait d'une distribution plus intelligente des mêmes produits, non d'un changement de gamme.

H&M est allé un cran plus loin en 2018. Comme l'a rapporté Retail Dive, citant le Wall Street Journal, le groupe a utilisé des algorithmes analysant tickets de caisse, retours et données de cartes de fidélité pour adapter l'offre d'un magasin du quartier aisé d'Östermalm, à Stockholm. L'analyse a montré que la plupart des clients du magasin étaient des femmes et que des articles tendance, comme les jupes à fleurs pastel, ainsi que des produits plus chers, se vendaient mieux que prévu. Les ventes se sont nettement améliorées selon le rapport, sans qu'aucun chiffre ne soit publié. Le contexte était celui de la pression : H&M avait environ 4 Md USD de stocks invendus à écouler et 4 288 magasins dans le monde, dont beaucoup proposaient une marchandise similaire. Le magasin d'Östermalm a été réapprovisionné avec une fourchette de prix plus large, des T-shirts à 6 USD aux pulls en cachemire à 107 USD et aux sacs en cuir à 118 USD, premier signe que les données locales peuvent justifier de monter en gamme autant que de réduire la voilure.

Quels distributeurs de mode utilisent l'IA pour allouer le stock magasin par magasin ?

Le cas récent le plus détaillé vient de Guess. Selon une étude de cas publiée en juin 2025 par Nextail, son éditeur de logiciels, Guess alloue 50 à 60 % de son stock aux besoins en cours de saison et voulait s'éloigner des clusters de magasins rigides, des allocations initiales élevées et des ajustements manuels. L'enseigne est passée à un réapprovisionnement entièrement automatisé, piloté par des prévisions de demande hyper-locales, avec une mise en service dans toute la zone EMEA en six mois. Résultats annoncés : taux d'écoulement à plein prix en hausse de 5 points de pourcentage, couverture des magasins en baisse de 7,5 % et 13 % de ruptures en moins. Daniel Botey, vice-président de la gestion mondiale des stocks, a attribué à ce changement une meilleure disponibilité et des décisions de stock automatisées et fondées sur les données.

L'échelle illustre le propos. Guess déclare plus de 2,8 Md EUR de chiffre d'affaires annuel et plus de 1 000 magasins dans le monde, auxquels s'ajoutent des points de vente gérés par des partenaires. À cette taille, un planificateur ne peut pas examiner à la main chaque SKU, chaque magasin et chaque jour ; le choix se fait donc entre des règles grossières appliquées à des groupes de magasins et un modèle qui fixe les quantités pour chaque point de vente. « Chez Guess, nous adoptons les technologies de rupture et voulions être certains que les solutions soient conçues sur mesure dès le départ », a déclaré Julien Jacotey, responsable de la planification et de l'allocation, pour expliquer pourquoi l'enseigne a écarté un système générique.

Hackett London, la marque de mode masculine détenue par AWWG, qui compte plus de 160 magasins dans plus de 30 pays, a fait état d'effets similaires dans une étude de cas de Nextail : 25 % de ventes perdues en moins dans les magasins réapprovisionnés par le système, 75 % de temps en moins consacré aux tâches de réapprovisionnement et 50 % d'expéditions hebdomadaires en moins de son entrepôt de Barcelone vers le Royaume-Uni. « Les magasins recevaient plus de profondeur sur ce qui se vendait, en particulier les meilleures ventes », a déclaré Daniel Jenkins, merchandise manager. L'étude de cas ne donne aucune date, ce qui limite la comparaison. Avant le changement, le réapprovisionnement était manuel, chronophage et sujet aux erreurs ; depuis, la marque indique un taux de rupture inférieur à 1 % et un rapport quotidien des dix meilleures ventes par point de vente avec leur couverture de stock restante.

D'autres enseignes ont avancé sans publier de résultats. Jules, un distributeur français de mode masculine de 550 magasins, a indiqué en février 2024 utiliser une plateforme d'IA pour l'allocation et le réapprovisionnement en cours de saison, afin d'envoyer le stock là où il a le plus de chances de se vendre. En avril 2026, AllSaints a annoncé ajouter des outils natifs de l'IA pour le trading, les prévisions, l'allocation et le réapprovisionnement, la tarification des démarques et la planification de gamme, avec des rapports de trading hebdomadaires par département prêts à 8 h le lundi au lieu de plus tard dans la journée. « Je veux que nos équipes se connectent et sachent ce qui se passe dans le monde entier dans notre marque », a déclaré Alfie Meekings, directeur de la transformation et de la technologie.

Que font les plus grands distributeurs des données de demande locale ?

Les plus grands groupes parlent davantage d'infrastructure de données que de gammes locales. Gap Inc. a créé un Office of AI en 2024. Son ancien directeur des systèmes d'information par intérim a indiqué en 2022 qu'un modèle prédictif traitant les données de ventes et les caractéristiques des produits éclairait les achats, le positionnement et les prix, et pouvait montrer quelles tailles d'articles précis se vendaient le mieux dans chaque magasin. Dans ses résultats de novembre 2025, Gap a attribué un gain de productivité de près de 30 % dans sa chaîne d'approvisionnement à l'automatisation et à l'IA dans son réseau logistique, et sa directrice financière, Katrina O'Connell, a déclaré qu'une gestion rigoureuse des stocks avait laissé les stocks en unités légèrement en baisse.

Walmart localise au sens classique. En avril 2026, Bloomberg a rapporté, selon le résumé de PYMNTS, que l'enseigne élargissait les gammes de produits locales et régionales en magasin, en commençant par des catégories comme le café en Floride et des marques locales de condiments ailleurs. Un porte-parole a indiqué que l'entreprise combine technologie et expertise des acheteurs pour identifier les produits que les clients locaux apprécient et les mettre rapidement en rayon. Bloomberg a relevé le revers : les fournisseurs locaux sont généralement plus petits et plus exposés aux problèmes de chaîne d'approvisionnement que les marques nationales.

Fast Retailing montre que la performance au niveau du magasin ne vient pas toujours des algorithmes. Les ventes d'Uniqlo au Japon ont progressé de 10 % pour atteindre environ 1 030 Md de yens sur l'exercice clos en août 2025. Sur cinq ans, le groupe a fermé 30 magasins japonais tandis que la surface de vente moyenne par magasin augmentait de 10 % et que les ventes moyennes par magasin progressaient de 13 %, ce qu'Inside Retail, citant le Nikkei, a relié à des surfaces plus grandes présentant davantage de produits. Le groupe s'appuie sur les avis clients et les retours du centre d'assistance pour améliorer ses produits et prévoir la demande, mais sa communication publique met l'accent sur des magasins plus grands et des produits moins nombreux mais plus forts, non sur des gammes propres à chaque magasin.

Les canaux en ligne modifient aussi le calcul. Marks and Spencer veut doubler ses ventes annuelles en ligne hors alimentaire pour approcher 3 Md £ et faire passer la part de l'en ligne dans ses ventes de mode, de maison et de beauté d'environ 34 % à 50 % à moyen terme, en s'appuyant sur plus de 1 000 magasins pour le click and collect et les retours. Quand toute la gamme est à un clic et que les magasins servent aussi de points de retrait, la gamme physique d'un magasin peut être plus étroite et plus locale, pour autant que les données de stock entre canaux soient assez fiables pour promettre ce qui est réellement disponible.

De quelles données l'IA au niveau du magasin a-t-elle besoin pour fonctionner ?

L'exactitude des stocks passe en premier. L'équipe technologique de Target a indiqué en octobre 2023 que des audits physiques avaient révélé un constat inconfortable : la moitié de ses ruptures de stock était inconnue de ses systèmes, parce que les registres affichaient du stock absent du rayon. Target a construit un ensemble de modèles qui déduisent ce stock fantôme à partir des schémas de ventes, de mouvements et de réapprovisionnement, remettent la quantité en stock à zéro et déclenchent un réassort, et a fait état d'une hausse substantielle des ventes sur les produits concernés sans publier de chiffre. L'échelle est instructive : près de 2 000 magasins et un assortiment de plus de 100 000 SKU. Target a aussi testé des caméras de bord de rayon et d'autres capteurs, avant de les abandonner comme méthodes de détection car ils étaient coûteux et difficiles à maintenir à grande échelle. En octobre 2025, Prat Vemana, son directeur de l'information et des produits, a déclaré que Target « utilise l'IA pour repérer plus tôt qu'avant les articles qui s'épuisent ».

Pour la mode, la leçon est directe. Un modèle qui adapte les courbes de tailles ou les gammes par magasin à partir de l'historique de ventes se trompera partout où le stock enregistré diffère de la réalité, et il interprétera une rupture comme une demande faible. L'IA au niveau du magasin exige un stock fiable par SKU et par magasin, idéalement grâce à un marquage à l'article, ainsi que des estimations des ventes perdues pendant les ruptures.

• Ventes et stock par SKU, magasin et jour, nettoyés des transferts, des retours et des promotions.
• Estimations des ventes perdues pour les périodes où une taille ou un coloris manquait, afin que les ruptures ne soient pas interprétées comme une demande faible.
• Attributs des magasins comme la surface, le mobilier, le climat, les événements locaux et le profil de clientèle issu des données de fidélité lorsque le consentement le permet.
• Attributs produit dans des champs cohérents, pour qu'un nouveau modèle puisse emprunter l'historique de modèles similaires.
• Contraintes opérationnelles : présentations minimales, tailles de packs, jours de livraison et coûts de transfert.

Quels sont les risques et les limites de la localisation pilotée par l'IA ?

La plupart des résultats publiés viennent d'éditeurs de logiciels ou des distributeurs qui ont acheté ces logiciels, sans groupes témoins, références ni périodes précises. L'étude de Zara fait exception, et son résultat, un gain de 3 à 4 %, offre un utile test de réalité face aux promesses d'améliorations à deux chiffres. Les merchandisers qui évaluent des résultats doivent demander ce qui a été comparé à quoi, sur quelle saison et dans combien de magasins.

La localisation ajoute aussi de la complexité. Des gammes différentes par magasin signifient plus de SKU à acheter, plus de packs à constituer, plus de variantes de merchandising visuel et des décisions de démarque plus difficiles. Les petits magasins produisent peu de données par article, si bien que les modèles ont tendance à se rabattre sur des clusters, ce qui se rapproche de l'approche manuelle qu'ils devaient remplacer. La prudence de Walmart à l'égard des petits fournisseurs locaux illustre le versant approvisionnement du même problème.

Il y a aussi un arbitrage entre profondeur et disponibilité. Guess a réduit la couverture des magasins de 7,5 % tout en diminuant les ruptures, ce qui montre ce qu'un bon réapprovisionnement peut accomplir : moins de stock en magasin, mais dans les bonnes tailles. Poussés trop loin, des magasins au stock tendu laissent peu de place aux clients qui veulent flâner, et une seule livraison en retard vide un portant. Les merchandisers doivent fixer des quantités de présentation minimales qui reflètent la marque, pas seulement la prévision.

La dépendance aux systèmes est un autre risque. Lorsqu'une cyberattaque a frappé Marks and Spencer en avril 2025, elle a paralysé les ventes en ligne, coûté environ 300 M£ de bénéfice perdu et contraint le distributeur à revenir à des processus manuels, selon Reuters. M&S a depuis livré une nouvelle capacité de merchandising qui automatise une tâche auparavant manuelle et accélère le déploiement d'une nouvelle plateforme de planification. Plus l'allocation dépend de décisions automatisées, plus un distributeur a besoin de règles de repli et de personnes qui les comprennent encore.

Enfin, il y a la question de la marque. Un distributeur dont tous les magasins sont différents risque de diluer l'identité que les clients attendent, et un algorithme qui n'apprend que de ce qui s'est vendu peut resserrer les gammes autour de best-sellers sans risque. La conclusion d'H&M à Östermalm, selon laquelle les articles tendance et plus chers se vendaient mieux que prévu, rappelle que les données locales peuvent aussi plaider pour plus d'ambition, pas pour moins.

Que doivent faire les merchandisers de mode dès maintenant ?

1. Corrigez d'abord l'exactitude des stocks. Auditez la fréquence à laquelle le stock enregistré en magasin correspond au rayon, et considérez le marquage à l'article et les inventaires tournants comme un préalable à tout modèle local.
2. Commencez par le réapprovisionnement et la profondeur de tailles. Automatisez le réapprovisionnement en cours de saison et les courbes de tailles avant de tenter des gammes différentes par magasin, où les résultats sont mieux documentés.
3. Gardez du stock en réserve de façon délibérée. Planifiez la part de l'achat réservée à l'allocation en cours de saison, comme Guess avec 50 à 60 %, pour que les signaux de demande locale aient quelque chose sur quoi agir.
4. Testez face à un groupe témoin. Faites tourner des paires de magasins ou de régions avec et sans la nouvelle logique pendant au moins une saison, et mesurez l'écoulement, les démarques et les ventes perdues.
5. Définissez où les gammes locales créent de la valeur. Limitez les vraies différences d'assortiment aux catégories avec des moteurs locaux clairs, comme le climat, le tourisme ou la culture locale, et gardez un cœur de marque commun.
6. Conservez des règles de repli manuelles. Documentez des règles d'allocation que les équipes peuvent appliquer en cas de panne des systèmes, et maintenez les planificateurs formés pour remettre en question les résultats du modèle.