Comment Decathlon utilise l'IA pour la prévision de la demande et la planification des approvisionnements

Decathlon utilise le machine learning pour prévoir la demande hebdomadaire de dizaines de milliers de produits dans chacune de ses zones d'approvisionnement, et ces prévisions pilotent le réassort et la planification à plus long terme. En 2026, l'enseigne d'articles de sport a expliqué être passée de modèles de deep learning propres à chaque région à un modèle de fondation pour séries temporelles affiné, Chronos-2, qui selon elle a réduit l'erreur de prévision de 6 à 15 points de pourcentage dans ses deux premières régions en production, tout en rendant le système moins coûteux et plus rapide à déployer.

Que doit prévoir Decathlon ?

Selon un article du blog AWS Machine Learning rédigé avec l'équipe de prévision de la demande de Decathlon et publié le 28 août 2026, Decathlon vend des dizaines de milliers de produits pour plus de 80 sports. Ses prévisions couvrent jusqu'à 25 000 produits par zone d'approvisionnement, dans des zones dont l'Europe, l'Inde, la Chine, l'Asie du Sud-Est (SEA) et l'Amérique latine (LATAM).

Le système produit chaque semaine des prévisions de quantités vendues hebdomadaires sur deux horizons :

• 12 semaines pour le réassort, afin de décider quelle quantité de stock commander et où la placer.
• 52 semaines pour la planification stratégique, comme les décisions de capacité et d'assortiment.

C'est l'échelle qui rend l'exercice difficile. Chaque produit dans chaque zone constitue sa propre série temporelle, et la saisonnalité, les promotions, les changements de prix et les ouvertures de magasins influent sur la demande. Un modèle qui exige un lourd réentraînement pour chaque région devient vite coûteux à exploiter et lent à étendre.

Lors de l'Artefact AI for Industry Summit à Paris en septembre 2024, Milton Martinez Luaces, vice-président data pour la chaîne de valeur de Decathlon, a indiqué qu'une équipe de 40 personnes travaille sur la prévision de la demande à plusieurs niveaux, du e-commerce aux entrepôts régionaux, et que l'IA soutient la prévision, la gestion des stocks et la planification de l'assortiment.

Comment Decathlon prévoyait-il la demande auparavant ?

L'article d'AWS décrit deux générations précédentes. De 2021 à 2024, Decathlon utilisait Amazon SageMaker DeepAR pour les semaines 1 à 16 et un lissage exponentiel de Holt-Winters pour les semaines 17 à 52, DeepAR étant réentraîné chaque semaine. À partir de 2024, il a utilisé un Temporal Fusion Transformer avec covariables. Selon l'article, les inconvénients étaient la charge du réentraînement hebdomadaire et la difficulté à passer à l'échelle dans de nouvelles régions.

Lire aussi

Comment Uniqlo et Fast Retailing utilisent l'IA et les données dans le projet Ariake

Qu'est-ce que Chronos-2 et pourquoi Decathlon l'a-t-il utilisé ?

Chronos-2 est un modèle de fondation open source pour séries temporelles publié par des chercheurs d'AWS en octobre 2025. Amazon Science le décrit comme capable de traiter des prévisions univariées, multivariées et intégrant des covariables sans entraînement spécifique à la tâche, y compris des données futures connues comme les promotions planifiées. Pour un distributeur, cela signifie qu'un seul modèle préentraîné peut être adapté à de nombreuses séries de produits au lieu d'entraîner des modèles distincts par région.

Decathlon l'a évalué sur ses propres données à 101 dates de coupure glissantes, de fin 2022 à fin 2024, couvrant environ 39 000 séries temporelles de produits uniques. Le modèle en zero-shot a égalé ou dépassé la référence de production réentraînée, et une version affinée avec LoRA tous les six mois a obtenu l'erreur la plus faible sur les deux horizons.

De combien la précision des prévisions s'est-elle améliorée ?

L'article d'AWS fait état des erreurs absolues moyennes pondérées en pourcentage (WAPE) suivantes, une valeur plus basse étant meilleure :

Decathlon a aussi traduit la précision en termes business. L'enseigne estime que chaque point de WAPE à l'horizon de 12 semaines vaut en moyenne, toutes zones confondues, environ 0,3 jour de stock économisé, environ 0,3 point de disponibilité produit et environ 0,12 point de ventes. Il s'agit d'estimations internes et non de résultats audités, mais elles montrent comment une équipe de prévision peut relier les indicateurs d'un modèle aux niveaux de stock et de service.

Deux points aident à interpréter le tableau. Les gains sont les plus importants à l'horizon de réassort de 12 semaines, là où la qualité des prévisions influe le plus directement sur les stocks en magasin et en entrepôt. Et les niveaux d'erreur de départ diffèrent nettement selon les régions : l'Amérique latine partait d'une erreur plus élevée que l'Asie du Sud-Est, si bien que la réduction plus forte y reflète en partie une plus grande marge de progression. Les distributeurs qui comparent ces chiffres aux leurs doivent garder à l'esprit que le WAPE dépend fortement du mix produits, du niveau d'agrégation et de la part d'articles à faible rotation.

Quelles données et quelle infrastructure le système utilise-t-il ?

Selon l'article d'AWS, les données sont préparées dans des pipelines PySpark orchestrés avec Airflow. L'affinage est réalisé tous les six mois sur une instance GPU, avec des modèles versionnés par zone dans un registre MLflow, tandis que l'inférence hebdomadaire par lots s'exécute sur une instance CPU déclenchée par des jobs Databricks. Les covariables connues citées dans les exemples publiés incluent le prix et le nombre de magasins, et le modèle produit des prévisions probabilistes plutôt qu'un chiffre unique, que les planificateurs peuvent utiliser pour fixer le stock de sécurité.

Qu'est-ce qui a changé sur le plan opérationnel ?

Les gains opérationnels ont compté autant que la précision. Selon l'article, le déploiement dans une nouvelle région est passé d'environ six mois avec trois personnes à deux à trois mois, le réentraînement est passé d'une fréquence hebdomadaire à une fréquence semestrielle, et l'inférence est passée de 10 à 15 minutes, réentraînement compris, à 40 à 75 secondes sur une instance CPU. L'inférence hebdomadaire coûte environ 0,03 dollar par exécution. Le modèle est en production en SEA et en LATAM, avec un déploiement complet multizone visé pour 2026 et le Moyen-Orient et l'Afrique comme prochaines étapes.

Lire aussi

Comment Inditex utilise l'IA et les données : RFID et supply chain pilotée par la demande

Que peuvent apprendre les autres distributeurs de mode et de sport de Decathlon ?

L'article d'AWS énumère des enseignements qui valent bien au-delà des articles de sport :

1. Évaluer les modèles sur ses propres données, car les classements publics peuvent ne pas se vérifier pour la demande dans le retail.
2. Même un affinage peu fréquent améliore les résultats par rapport à l'usage en zero-shot d'un modèle de fondation.
3. Commencer avec un seul modèle affiné et ajouter progressivement des covariables, comme le prix et le nombre de magasins.
4. L'inférence sur CPU peut suffire à cette échelle, ce qui maintient des coûts d'exploitation bas.

Deux limites demeurent. Les nouveaux produits sans historique restent difficiles : Decathlon cite l'apprentissage croisé pour les produits sans historique (cold start) parmi ses travaux futurs, et Milton Martinez Luaces a présenté le cold start comme un problème sur lequel l'enseigne travaille activement. Et la confiance compte : selon lui, la nature de boîte noire de l'IA suscite des résistances au sein des équipes métier, et Decathlon vise à faire des modèles davantage une boîte grise, pour que les planificateurs puissent voir une partie du raisonnement derrière les prévisions.