Comment choisir un outil de prévision de la demande : la check-list des marques de mode
Les logiciels de prévision de la demande promettent moins de stock et moins de ruptures, mais les résultats dépendent de leur adéquation aux cycles produits de la mode et de vos données. Une check-list neutre pour évaluer les outils avant de signer.
L'ESSENTIEL Résumé de la rédaction
- Un outil de prévision de la demande pour la mode doit gérer les nouveaux produits sans historique, les cycles de vie courts, les courbes de tailles et les ventes plafonnées par les ruptures de stock, et pas seulement les articles en réapprovisionnement continu.
- La façon la plus fiable de comparer des outils est un back-test sur vos propres saisons passées, mesuré au niveau où se prennent les décisions d'achat, d'allocation et de réassort.
- La précision doit être présentée avec des indicateurs qui tolèrent les ventes nulles, comme le WAPE ou le MASE, complétés par le biais de prévision, plutôt qu'avec le seul MAPE.
- La maturité des données, notamment des attributs produit cohérents et un historique de ventes corrigé des ruptures, limite souvent davantage les résultats que le choix de l'algorithme.
- Une prévision ne crée de la valeur que si elle change une décision : l'intégration aux processus de planification, d'allocation et de commande fait donc partie des critères de sélection.
Choisissez un outil de prévision de la demande en le testant sur vos propres saisons passées, au niveau où vous prenez réellement vos décisions, et en vérifiant comment il traite les problèmes propres à la mode : nouveaux produits, cycles de vie courts, tailles et ruptures de stock. La maturité des données, la transparence, l'intégration et le coût total comptent autant que la précision affichée. Cette check-list aide à structurer l'évaluation sans favoriser aucun fournisseur.
Pourquoi le choix d'un outil de prévision est-il différent dans la mode ?
De nombreux outils de prévision ont été conçus pour l'alimentaire ou les biens de grande consommation, où les produits se vendent en continu pendant des années. La mode est différente : une grande partie de la collection est nouvelle à chaque saison, les produits vivent quelques semaines ou quelques mois, la demande se répartit entre tailles et coloris, et les ventes sont souvent plafonnées par le stock acheté. Un outil excellent pour réapprovisionner des basiques peut avoir du mal avec une robe saisonnière. Clarifier lequel de ces problèmes compte le plus pour votre activité est la première étape.
Quels cas d'usage de prévision l'outil doit-il couvrir ?
| Cas d'usage | Décision soutenue | Point à tester |
|---|---|---|
| Prévision pré-saison des nouveaux produits | Quantité d'achat par modèle-coloris | Précision sur des produits absents des données d'entraînement |
| Prévision des courbes de tailles | Répartition par taille par magasin ou par canal | Précision par taille, y compris les tailles extrêmes |
| Reprévision en saison | Réassort, réallocation, démarque | Rapidité de mise à jour après les premières ventes |
| Réapprovisionnement des lignes permanentes | Commandes magasins et entrepôt | Précision sur le délai de réapprovisionnement |
| Allocation | Stock initial et complémentaire par magasin | Précision par magasin ou par cluster et par semaine |
Comment tester la précision des prévisions avant d'acheter ?
Demandez à chaque fournisseur présélectionné de prévoir une ou deux saisons passées que son modèle n'a pas vues, en utilisant uniquement les données qui auraient été disponibles à l'époque. Comparez les résultats avec votre méthode actuelle et avec une référence naïve simple. Hyndman et Koehler, dans leur article très cité sur les mesures de précision des prévisions, recommandent des erreurs normalisées comme le MASE, où une valeur inférieure à un signifie qu'une prévision fait mieux qu'une méthode naïve, notamment parce que les erreurs en pourcentage comme le MAPE ne sont pas définies lorsque les ventes réelles sont nulles.
Veillez à ce que chaque fournisseur soit mesuré de la même manière : mêmes produits, même horizon, même niveau de détail, même traitement des ruptures et des promotions. La précision au niveau marque-mois ne dit pas grand-chose d'une gamme de tailles dans un seul magasin.
Demandez aussi le biais, c'est-à-dire la tendance moyenne à prévoir trop haut ou trop bas, ventilé par catégorie et entre nouveaux produits et reconductions. Un outil à l'erreur moyenne satisfaisante mais qui surprévoit systématiquement accumulera malgré tout des surstocks. Et vérifiez si les prévisions du fournisseur ont été produites automatiquement ou ajustées par ses data scientists pour le test, car seules les premières reflètent ce que vos planificateurs recevront au quotidien.
Quelles questions doivent figurer dans la check-list ?
- Nouveaux produits : comment l'outil prévoit-il les articles sans historique ? Quels attributs, images ou analogues utilise-t-il ?
- Demande censurée : corrige-t-il l'historique des ventes des ruptures de stock et d'une distribution limitée ?
- Granularité : peut-il prévoir par modèle, coloris, taille, magasin et semaine, et réconcilier ces niveaux ?
- Signaux externes : peut-il utiliser la météo, les événements, les recherches ou les calendriers marketing, et montre-t-il leur effet mesuré ?
- Explicabilité : les planificateurs peuvent-ils voir pourquoi une prévision a changé et quels facteurs ont compté ?
- Ajustements : les planificateurs peuvent-ils ajuster les prévisions, et l'outil mesure-t-il si ces ajustements ont été utiles ?
- Incertitude : fournit-il des fourchettes ou des probabilités, et pas seulement un chiffre unique ?
- Intégration : comment la prévision parvient-elle aux systèmes d'achat, d'allocation, d'ERP et de commande ?
- Propriété des données : à qui appartiennent les modèles entraînés et les résultats, et les données peuvent-elles être exportées si vous changez de fournisseur ?
- Coût : quels sont les coûts de licence, de mise en œuvre, de préparation des données et de support sur trois ans ?
Quelle est l'importance de la maturité des données ?
Plus grande que ne le supposent la plupart des processus de sélection. Un modèle qui rapproche les nouveaux produits des anciens a besoin d'attributs étiquetés de manière cohérente d'une saison à l'autre. Un modèle qui apprend la demande a besoin de ventes corrigées des ruptures de stock : les chercheurs travaillant avec le détaillant en ligne Rue La La ont d'abord utilisé l'apprentissage automatique pour estimer les ventes perdues sur les articles épuisés avant de prévoir les nouveaux produits, comme le décrit Working Knowledge de la Harvard Business School. Avant un pilote, auditez l'exhaustivité des attributs, l'historique des stocks, les données de prix et de promotions ainsi que les données de référence des magasins. Les lacunes relevées à ce stade limiteront n'importe quel outil.
Comment évaluer le retour sur investissement ?
La précision des prévisions est un moyen, pas une fin. L'analyse de rentabilité repose sur les décisions qui changent : moins d'unités restantes en fin de saison, moins de ruptures sur les best-sellers, une meilleure allocation. Les données publiées suggèrent des gains réels mais progressifs. Dans l'expérience de terrain de Zara, publiée dans Operations Research en 2015, un système associant prévisions actualisées et allocation de stock a augmenté les ventes moyennes de la saison d'environ 2 % et réduit d'environ 4 % les invendus de fin de saison. Des travaux sur les nouveaux produits de mode menés sur le jeu de données VISUELLE ont montré que l'ajout de signaux Google Trends améliorait l'erreur pondérée de 1,5 %. Méfiez-vous des promesses de fournisseurs supérieures d'un ordre de grandeur sans test comparable à l'appui.
Traduisez la réduction d'erreur mesurée en termes de stocks et de marge avec votre équipe financière, en utilisant votre propre coût des surstocks et des ventes perdues.
Comment le processus de sélection doit-il se dérouler ?
- Définir les cas d'usage prioritaires et les niveaux de décision avant de contacter les fournisseurs.
- Auditer et préparer les données, et convenir d'un jeu de données de test commun.
- Présélectionner les outils capables de démontrer des fonctionnalités propres à la mode, notamment pour les nouveaux produits.
- Réaliser des back-tests sur les mêmes saisons et avec les mêmes indicateurs, dont le WAPE ou le MASE et le biais.
- Piloter le meilleur candidat en conditions réelles sur une catégorie pendant une saison complète, en parallèle de la méthode actuelle.
- Décider sur la base des résultats mesurés sur les décisions, de l'effort d'intégration et du coût sur trois ans.
Enfin, évitez les erreurs qui compromettent le plus souvent les projets de sélection :
- Comparer des démonstrations de fournisseurs sur leurs données d'exemple plutôt que sur votre propre historique.
- Accepter un chiffre unique de précision sans connaître le niveau, l'horizon ou l'indicateur.
- Sous-estimer l'effort de préparation des données et de changement des processus.
- Choisir un outil avant d'avoir décidé qui sera responsable de la prévision et agira sur cette base.
Questions fréquentes
Que faut-il rechercher dans un logiciel de prévision de la demande pour la mode ?
Recherchez une bonne gestion des nouveaux produits sans historique, des prévisions au niveau du modèle, du coloris, de la taille et du magasin, une correction des ruptures de stock, des fourchettes d'incertitude et des facteurs explicatifs transparents. Avant tout, exigez un back-test sur vos propres saisons passées comparé à votre méthode actuelle.
Comment comparer équitablement des outils de prévision ?
Fournissez à chaque fournisseur le même jeu de données historiques, demandez-lui de prévoir des saisons que ses modèles n'ont pas vues et mesurez les résultats avec les mêmes indicateurs au même niveau de décision. Incluez votre méthode actuelle et une référence naïve dans la comparaison.
Combien de temps faut-il pour mettre en place un outil de prévision ?
Les délais varient selon la qualité des données, les besoins d'intégration et le périmètre. La préparation des données et le changement des processus prennent souvent plus de temps que l'installation technique : un pilote sur une seule catégorie pendant une saison complète est donc un moyen réaliste de valider les résultats avant de passer à l'échelle.
Quel retour sur investissement une marque de mode peut-elle attendre de la prévision par IA ?
Les expériences de terrain publiées montrent des gains progressifs plutôt que spectaculaires, par exemple environ 2 % de ventes de saison en plus et environ 4 % d'invendus en moins dans l'expérience d'allocation menée par Zara en 2012. Le retour sur investissement attendu doit être estimé à partir des résultats de votre propre back-test et de vos coûts.
Une édition chaque jour ouvrable. Lue en cinq minutes. Gratuite pour les professionnels.
SOURCES
- Rob J. Hyndman: Another look at measures of forecast accuracy (Hyndman and Koehler)
- Hyndman and Athanasopoulos, Forecasting: Principles and Practice (3rd ed.): Evaluating point forecast accuracy
- IDEAS/RePEc: Initial Shipment Decisions for New Products at Zara (Gallien et al., Operations Research 2015)
- Harvard Business School Working Knowledge: How do you predict demand and set prices for products never sold before?
- arXiv: Well Googled is Half Done, multimodal forecasting of new fashion product sales with image-based Google Trends (Skenderi et al.)
