Qu'est-ce que le clustering de magasins et comment l'IA l'améliore-t-elle ?
Le clustering de magasins regroupe les points de vente dont la clientèle et la demande se ressemblent, afin que chaque groupe reçoive l'assortiment et la profondeur adaptés. Comment l'apprentissage automatique construit les clusters, quelles données il utilise et où la méthode trouve ses limites.
L'ESSENTIEL Résumé de la rédaction
- Le clustering de magasins regroupe les points de vente aux profils de demande similaires afin que l'assortiment, les courbes de tailles et la profondeur de stock soient planifiés par groupe, plutôt que pour chaque magasin individuellement ou pour l'ensemble du réseau comme un tout.
- L'apprentissage automatique regroupe les magasins selon ce que les clients achètent réellement, comme le mix de ventes par catégorie, tranche de prix, coloris et taille, plutôt que sur la seule base de la taille du magasin ou de la région.
- Des algorithmes comme k-means imposent aux planificateurs de choisir le nombre de clusters : le jugement métier reste donc partie intégrante de la méthode.
- Une étude menée en 2019 à l'Université de Porto sur deux détaillants de mode a montré que le poids accordé aux attributs des magasins modifie les résultats du clustering, et a recommandé un petit nombre de clusters, environ trois à six.
- Les clusters doivent être réexaminés régulièrement et confrontés aux résultats de ventes, car la demande des clients et les réseaux de magasins évoluent dans le temps.
Le clustering de magasins consiste à regrouper les magasins dont la demande est similaire afin que chaque groupe reçoive un assortiment, un mix de tailles et une profondeur de stock adaptés à sa clientèle. L'IA l'améliore en regroupant les magasins selon un comportement d'achat détaillé, comme le mix de catégories, de niveaux de prix, de coloris et de tailles que chaque magasin vend, au lieu de s'appuyer uniquement sur la taille, la région ou le chiffre d'affaires. Il en résulte un nombre gérable de profils de magasins, à mi-chemin entre un assortiment unique pour tous et un plan différent pour chaque point de vente.
Pourquoi les détaillants de mode regroupent-ils leurs magasins ?
Un réseau de plusieurs centaines de points de vente ne peut pas planifier chaque magasin individuellement, et pourtant un assortiment national unique ignore des différences évidentes : un flagship urbain ne vend pas comme un outlet, ni un magasin du littoral comme un magasin alpin. Le clustering crée un niveau intermédiaire. Les planificateurs construisent assortiments, courbes de tailles et règles d'allocation par cluster, puis ajustent pour certains magasins si nécessaire.
La recherche sur l'optimisation de l'assortiment montre pourquoi l'adéquation locale compte. Fisher et Vaidyanathan, dans Management Science en 2014, ont développé une méthode pour choisir les produits que chaque magasin doit proposer tout en plafonnant le nombre d'assortiments de magasins distincts, en tenant compte des clients qui se reportent sur un autre article lorsque leur premier choix manque. Les recommandations mises en œuvre ont augmenté les ventes de 5,8 % pour les pneus et de 3,6 % pour les produits d'entretien automobile, les deux catégories où elles ont été appliquées. L'étude ne portait pas sur la mode, mais le principe d'un nombre limité d'assortiments sur mesure est celui-là même que sert le clustering.
Comment l'IA construit-elle des clusters de magasins ?
Le point de départ habituel est un profil par magasin, décrit par de nombreuses variables. Les algorithmes de clustering regroupent ensuite les magasins dont les profils sont proches. Une méthode courante est k-means qui, comme le souligne la documentation de scikit-learn, exige de spécifier le nombre de clusters à l'avance et suppose des clusters à peu près compacts et de forme régulière, des hypothèses que les réseaux de magasins réels ne remplissent pas toujours. D'autres techniques gèrent des formes irrégulières ou pondèrent les variables différemment.
| Type de variable | Exemples | Ce qu'elle révèle |
|---|---|---|
| Mix de ventes | Part des ventes par catégorie, tranche de prix, famille de couleurs | Les préférences des clients de ce magasin |
| Profil de tailles | Part des ventes par taille et par catégorie | La morphologie et les préférences de coupe de la clientèle locale |
| Attributs du magasin | Surface de vente, format, canal, concept | Les contraintes physiques pesant sur l'assortiment |
| Emplacement et climat | Région, urbain ou rural, zone climatique | Le calendrier saisonnier et la demande liée au climat |
| Données clients | Données démographiques du programme de fidélité, part de touristes | Qui y fait ses achats, lorsque les données le permettent |
| Performance | Écoulement, part du plein prix, retours | La bonne adéquation des assortiments actuels |
Que montre la recherche sur le clustering de magasins de mode ?
Un mémoire de master soutenu en 2019 à la faculté d'ingénierie de l'Université de Porto, réalisé avec un cabinet de conseil en technologies pour le commerce de détail, a testé le clustering pour deux détaillants de mode : une chaîne internationale présente dans 32 pays et un détaillant présent dans un seul pays. Il a comparé des méthodes statistiques et d'apprentissage automatique pour pondérer les attributs des magasins, puis a regroupé les magasins avec les algorithmes k-means et neural gas.
- Pour le détaillant international, le canal de vente était l'attribut le plus important, suivi du pays.
- Les différentes méthodes de pondération produisaient des clusters différents, et l'une d'elles n'accordait presque aucun poids aux attributs à nombreuses valeurs, comme le pays.
- Le clustering sur les ventes à un niveau de produit plus détaillé produisait de meilleurs clusters qu'à un niveau large.
- Pour le détaillant présent dans un seul pays, la qualité des clusters était faible, la région étant l'attribut le plus pertinent.
- L'auteur recommandait un petit nombre de clusters, environ trois à six, tout en notant que les détaillants souhaitant davantage de différenciation pourraient en avoir besoin de plus.
L'enseignement pour les praticiens est que le clustering est sensible aux choix de conception. Les variables retenues, leur pondération et le niveau de produit auquel les ventes sont agrégées peuvent modifier le résultat autant que l'algorithme.
Combien de clusters de magasins un détaillant doit-il avoir ?
Il n'y a pas de réponse unique. Trop peu de clusters masquent des différences réelles ; trop de clusters recréent la complexité que le clustering devait éliminer et fragmentent la collection en quantités trop petites pour être achetées efficacement. Des mesures statistiques comme les indices de silhouette et de Calinski-Harabasz, tous deux utilisés dans l'étude de Porto, aident à comparer la qualité de séparation de différents ensembles de clusters. Le nombre final est une décision métier qui arbitre entre adéquation locale et complexité des achats et de l'allocation.
Les données en ligne ajoutent une dimension supplémentaire. Les ventes issues des commandes e-commerce livrées dans les codes postaux autour de chaque magasin peuvent révéler une demande que le magasin lui-même n'a jamais captée, par exemple pour des tailles ou des coloris qu'il ne proposait pas. Lorsque les règles de protection des données et le consentement des clients le permettent, combiner la demande en magasin et en ligne par zone de chalandise donne une image plus complète des préférences locales que les seules ventes en magasin.
Comment les clusters de magasins sont-ils utilisés dans la planification de la mode ?
- Assortiment : décider quels modèles et coloris chaque cluster propose.
- Courbes de tailles : fixer la répartition par taille envoyée aux magasins de chaque cluster.
- Profondeur et allocation : décider des quantités initiales par magasin et de la part conservée pour le réassort.
- Calendrier : lancer les catégories saisonnières plus tôt ou plus tard selon le cluster climatique.
- Démarques : adapter le calendrier de liquidation aux clusters dont les profils d'écoulement diffèrent.
L'allocation est le point de rencontre entre les clusters et les opérations quotidiennes. Les travaux de Zara avec des universitaires, publiés dans Operations Research en 2015, ont montré l'intérêt de combiner des prévisions par magasin avec des décisions sur la quantité à envoyer initialement et la quantité à conserver : lors d'une expérience de terrain portant sur 34 articles, les ventes de la saison ont progressé d'environ 2 % et les invendus de fin de saison ont reculé d'environ 4 %.
Quelles sont les limites du clustering de magasins par IA ?
Les clusters sont construits à partir des ventes passées, qui reflètent les assortiments passés. Si un magasin n'a jamais reçu de tailles petites ou de ligne premium, son historique ne montrera aucune demande pour celles-ci, et le modèle risque de perpétuer ce manque. Les clusters vieillissent aussi : nouveaux magasins, rénovations et évolution de la clientèle locale modifient les profils. Les détaillants doivent réexaminer les clusters au moins à chaque saison, tester les changements sur un sous-ensemble de magasins et comparer les plans fondés sur les clusters avec l'écoulement réel, plutôt que de se fier à la seule qualité statistique de l'ajustement.
Questions fréquentes
Qu'est-ce que le clustering de magasins dans le commerce de détail ?
Le clustering de magasins est le regroupement de magasins dont la demande et les caractéristiques de clientèle sont similaires, afin que les assortiments, les mix de tailles et la profondeur de stock soient planifiés par groupe. Il se situe entre la planification de chaque magasin individuellement et le traitement de l'ensemble du réseau comme un tout.
Quel algorithme utilise-t-on pour le clustering de magasins ?
K-means est le point de départ le plus courant, mais il exige de choisir le nombre de clusters à l'avance et suppose des clusters compacts et de forme régulière. Le clustering hiérarchique, neural gas et d'autres méthodes sont également utilisés, souvent combinés à des techniques de pondération des attributs des magasins.
À quelle fréquence faut-il mettre à jour les clusters de magasins ?
Les clusters doivent être réexaminés au moins une fois par saison et chaque fois que le réseau de magasins change sensiblement. La demande des clients, les formats de magasins et la concurrence locale évoluent dans le temps : des clusters construits sur des données de ventes anciennes perdent donc progressivement en précision.
De quelles données a-t-on besoin pour un clustering de magasins par IA ?
La donnée de base est un historique de ventes détaillé par magasin, ventilé par catégorie, tranche de prix, coloris et taille. Les attributs des magasins comme la surface, le format et l'emplacement ajoutent du contexte, et les données clients ou climatiques peuvent améliorer les clusters lorsqu'elles sont disponibles et autorisées.
Une édition chaque jour ouvrable. Lue en cinq minutes. Gratuite pour les professionnels.
SOURCES
- Universidade do Porto (FEUP): Store Attribute Weighting for Clustering in Fast Fashion (Andrade, 2019)
- scikit-learn documentation: Clustering
- IDEAS/RePEc: A Demand Estimation Procedure for Retail Assortment Optimization with Results from Implementations (Fisher and Vaidyanathan, Management Science 2014)
- IDEAS/RePEc: Initial Shipment Decisions for New Products at Zara (Gallien et al., Operations Research 2015)
