Qu'est-ce que le demand sensing et comment fonctionne-t-il dans la mode ?

Le demand sensing est une méthode de prévision à court terme qui utilise les données les plus récentes, comme les ventes de la veille, le stock actuel, les promotions, la météo et les signaux en ligne, pour détecter les évolutions de la demande au cours des prochains jours ou des prochaines semaines. Dans la mode, il complète la prévision saisonnière utilisée pour les achats : il ne change pas ce qui a été acheté, mais il améliore la destination du stock et le moment des changements de prix pendant la saison.

Qu'est-ce que le demand sensing ?

DHL définit le demand sensing dans la supply chain comme « une méthode de prévision à court terme qui utilise des données en temps réel et l'IA pour détecter les évolutions de la demande à brève échéance ». Là où les approches classiques mettent généralement à jour les prévisions chaque semaine ou chaque mois à partir de l'historique des ventes, les outils de demand sensing actualisent leurs prédictions chaque jour, voire chaque heure, à mesure que de nouvelles informations arrivent, en s'appuyant sur des signaux comme l'activité en point de vente, les flux d'expédition, les promotions, la météo et les tendances sociales.

L'idée est née dans les biens de consommation, avec des produits stables à achat répété. La mode l'adapte à un contexte plus difficile : cycles de vie courts, nombreux nouveaux articles et demande répartie entre tailles et points de vente.

En pratique, le demand sensing est moins un algorithme unique qu'une discipline : des cycles de prévision plus courts, des données plus granulaires et une règle claire sur le poids à accorder aux éléments récents par rapport au plan initial. Le machine learning aide, car il peut combiner de nombreux signaux faibles et apprendre, catégorie par catégorie, lesquels annoncent réellement les ventes.

En quoi le demand sensing diffère-t-il de la prévision de la demande ?

Les deux sont liés. Un bon modèle saisonnier fournit la base, et le demand sensing l'ajuste à mesure que les éléments arrivent. Le modèle de prévision publié par Zalando, par exemple, produit des prévisions hebdomadaires sur un horizon de 26 semaines pour soutenir les décisions de prix. Il se situe entre les deux catégories et montre comment les horizons de prévision sont choisis en fonction de la décision qu'ils soutiennent.

Lire aussi

La prévision de la demande par l'IA dans la mode : comment elle fonctionne et où elle échoue

Quels signaux le demand sensing utilise-t-il dans la mode ?

• Les ventes et les stocks par taille et par point de vente, idéalement quotidiens : le signal central pour tout le reste.
• Le comportement en e-commerce : consultations de produits, ajouts au panier, listes d'envies et requêtes de recherche, qui évoluent souvent avant les ventes.
• Les prix et les promotions, afin que le modèle puisse distinguer l'effet d'une remise d'un véritable changement de la demande.
• La météo : les variations de température et de précipitations influencent les catégories saisonnières comme les manteaux et les maillots de bain.
• Les données de tendance externes comme l'intérêt de recherche ; des travaux sur les nouveaux produits de mode ont montré que l'ajout de signaux Google Trends améliorait les prévisions.
• Le sell-out des partenaires : pour les marques wholesale, les ventes et stocks communiqués par les clients détaillants.

C'est dans le wholesale que de nombreuses marques sont aveugles. Sans les données des partenaires, une marque ne voit que ses propres commandes, qui arrivent des semaines après que la demande des consommateurs a changé. Des messages standard de rapport de ventes existent à cet effet : la directive de GS1 Austria pour le secteur de la mode décrit le message EDIFACT SLSRPT, qui transmet entre partenaires commerciaux les quantités vendues par GTIN, point de vente et période.

Comment le demand sensing améliore-t-il les décisions en cours de saison ?

1. Réapprovisionnement : les magasins et la boutique en ligne sont réassortis en fonction du rythme des ventes de la semaine plutôt que du plan initial.
2. Transferts : le stock passe des points de vente lents aux points de vente rapides tant qu'il reste du temps pour vendre à plein prix.
3. Démarques : les articles à faible rotation sont identifiés tôt, ce qui permet des remises plus faibles plus tôt plutôt que des remises profondes en fin de saison.
4. Réassorts : pour les produits reconduits et à réponse rapide, les premiers signaux déclenchent des réassorts dans les délais des fournisseurs.

H&M décrivait cet objectif en 2020, lorsque son responsable de l'analytique avancée et de l'IA expliquait à Retail Dive que l'équipe travaillait à quantifier ce qui se vendrait de chaque article, afin d'amener le bon produit au bon endroit au bon moment.

Que faut-il pour mettre en œuvre le demand sensing ?

L'exigence technique, ce sont des données fiables et fréquentes : ventes et stocks quotidiens par variante et par point de vente, prix et flux externes retenus. L'exigence organisationnelle, c'est un processus capable d'agir sur une prévision modifiée. Si l'allocation tourne chaque semaine et que les démarques sont décidées chaque mois, des prévisions quotidiennes n'apportent pas grand-chose. De nombreuses entreprises commencent donc par augmenter la fréquence d'une décision, souvent le réapprovisionnement, et n'investissent qu'ensuite dans des signaux supplémentaires.

Chaque signal externe doit mériter sa place. Testez-le sur des données historiques par rapport à une prévision de référence et ne le conservez que s'il améliore la précision dans les catégories où il est utilisé. La météo peut beaucoup compter pour les manteaux et très peu pour les basiques ; le trafic web peut annoncer les ventes en magasin sur un marché et pas sur un autre.

La mesure doit correspondre à la décision. Pour le réapprovisionnement, comparez l'erreur de prévision sur le délai de réapprovisionnement et suivez la disponibilité des tailles clés. Pour les démarques, comparez l'écoulement à plein prix et le stock final soldé entre les produits gérés avec et sans le modèle de demand sensing. Un court pilote avec un groupe témoin de magasins ou de catégories donne des résultats bien plus crédibles qu'une comparaison avant-après, car les saisons de mode diffèrent énormément d'une année à l'autre.

Lire aussi

Pourquoi les données de sell-out sont-elles essentielles à l'IA dans le wholesale de mode ?

Quelles sont les limites du demand sensing dans la mode ?

Il y a aussi un volet coûts. Les pipelines de données quotidiens, les abonnements à des données externes et le temps de personnel nécessaire pour agir sur des recommandations plus fréquentes s'additionnent ; le business case doit donc reposer sur des décisions précises qui vont changer, et pas seulement sur la précision des prévisions.

Le demand sensing ne peut pas corriger un mauvais achat : si le stock de la saison est engagé et que les délais fournisseurs sont longs, des prévisions plus rapides redistribuent surtout ce qui existe. Il dépend de données que de nombreuses marques ne reçoivent pas encore, en particulier le sell-out des partenaires wholesale. Et il peut amplifier le bruit lorsque les volumes sont faibles. Utilisé en gardant ces limites à l'esprit, c'est un moyen pratique de rendre les décisions de merchandising en cours de saison plus rapides et mieux fondées.