Check-list des données de merchandising : dix champs dont les outils de planification IA ont besoin

Les outils de planification fondés sur l'IA ont besoin de dix types de données : identifiants produit, attributs, ventes, stock, prix et promotions, retours, canal, dates de cycle de vie, point de vente et contraintes d'approvisionnement. Si l'un d'eux manque ou est incohérent, l'outil ne peut pas fonctionner ou produit des résultats assurés mais peu fiables. La check-list ci-dessous présente les champs, l'intérêt de chacun et le défaut le plus courant.

Quels sont les dix champs ?

Pourquoi les attributs et les identifiants viennent-ils en premier ?

L'analyse d'Uphance sur la prévision de la demande par l'IA dans l'habillement indique que les outils ont besoin d'attributs de style cohérents, tels que la matière, la silhouette et la coupe, dans un seul système, et non dispersés entre la gestion du cycle de vie produit (PLM), les plateformes d'e-commerce et les tableurs. Un article sur arXiv consacré à la prévision de la demande pour de nouveaux articles de mode sur la plateforme indienne Myntra a utilisé des attributs d'articles tels que la couleur et la matière, ainsi que des variables dérivées comme l'âge du style. La rigueur des identifiants est tout aussi élémentaire : SPS Commerce explique qu'un numéro de style identifie un modèle sans être unique au niveau mondial, et que chaque combinaison de coloris et de taille a besoin de son propre GTIN.

Lire aussi

Les bases du machine learning pour les merchandisers : modèles, variables et données d'entraînement

De quoi les données de ventes, de stock et de retours ont-elles besoin ?

• Des ventes au niveau le plus fin possible : style, coloris, taille, jour ou semaine, canal.
• Un stock par jour, afin que les jours de rupture puissent être identifiés et corrigés, comme dans la méthode de courbe de tailles d'Inventory Planner.
• Des retours enregistrés rapidement : Uphance indique que les retours doivent parvenir au stock en quelques jours plutôt qu'une fois par semaine.
• Des engagements wholesale séparés du stock des canaux directs, ce qu'Uphance cite comme une condition d'une planification exacte.

Qu'apportent les prix, les promotions et les dates de cycle de vie ?

L'article sur Myntra a utilisé des facteurs de merchandising tels que la remise par rapport aux moyennes de la marque et de la plateforme, la visibilité en page de liste et le calendrier des promotions, et a constaté que les modèles d'apprentissage automatique à base d'arbres battaient nettement une référence naïve pour les nouveaux articles, même si la précision était modérée et si certaines données d'entrée futures étaient inconnues pour les nouveaux articles. Sans historique de prix ni dates de cycle de vie, un outil ne peut pas distinguer le déclin d'un style de l'effet d'une démarque ou d'une semaine de lancement.

Que faire avant d'acheter ou de construire un outil ?

1. Auditez les dix champs pour vos principales catégories et notez lesquels sont complets, partiels ou manquants.
2. Corrigez d'abord les identifiants et les attributs, car ils sont les moins coûteux à corriger et influent sur tout le reste.
3. Vérifiez que vous disposez d'au moins deux saisons d'historique propre pour les articles de réassort.
4. Anticipez les nouveaux produits : décidez comment les articles comparables seront choisis.
5. Séparez dans les données les engagements wholesale du stock direct.
6. Demandez à tout éditeur de mener un pilote sur vos données et comparez avec votre méthode actuelle.

Il vaut aussi la peine de demander comment un outil traite les données manquantes. Certains outils comblent discrètement les lacunes par des moyennes, ce qui masque les problèmes ; d'autres les signalent. Demandez, à l'issue de tout pilote, un rapport sur les problèmes de qualité des données, et considérez une longue liste comme une information utile, et non comme un échec.

Enfin, n'oubliez pas que les planificateurs restent responsables. Uphance observe que le jugement d'un merchandiser ancré sur des styles comparables reste compétitif pour les nouvelles collections mode. Un bon outil appuie ce jugement par des données et rend les hypothèses visibles : c'est le critère à appliquer pour en évaluer un.

Lire aussi

Comment Abercrombie and Fitch planifie ses assortiments et ses stocks : ce que l'on sait publiquement de l'IA

Comment évaluer votre propre maturité ?

Un score simple aide à décider par où commencer. Pour chacun des dix champs, attribuez 0 s'il manque, 1 s'il est partiel (certaines catégories, certains canaux ou incohérent) et 2 s'il est complet et cohérent. Un total inférieur à environ dix suggère que le travail sur les données doit précéder l'achat d'un outil ; au-dessus de seize, vous êtes en mesure de lancer un pilote. Ces seuils sont une règle empirique et non une norme ; adaptez-les donc à votre activité.

• Évaluez chaque champ par catégorie, car la qualité des données diffère souvent entre mode femme, mode homme et accessoires.
• Pondérez les champs qui comptent le plus pour votre activité : pour une marque orientée wholesale, les contraintes d'approvisionnement et la séparation des canaux pèsent davantage.
• Réévaluez chaque saison et suivez la tendance.

L'article sur Myntra rappelle les limites, même avec de bonnes données : la précision était modérée, avec des corrélations au niveau des articles autour de 0,4, et certaines données d'entrée futures telles que les promotions et la visibilité sont inconnues pour les nouveaux articles. De meilleures données relèvent le plafond, mais n'éliminent pas l'incertitude. Un outil de planification doit donc présenter des fourchettes et laisser les planificateurs corriger au niveau du style, du coloris et de la taille, comme Uphance indique que cela est nécessaire en pratique.

Un dernier point pratique : désignez un responsable pour chaque champ. Des données dont personne n'est responsable se dégradent. Le responsable n'a pas besoin de les saisir, mais doit répondre de leur complétude et de la correction des défauts à la source.

Commencez l'audit par une seule catégorie qui compte commercialement, comme une ligne de réassort permanente. Extrayez deux saisons de données, vérifiez chacun des dix champs et consignez les lacunes avec un responsable et une date. Le faire une fois sur un périmètre restreint est plus rapide qu'une revue à l'échelle de l'entreprise et montre ce que coûterait l'effort complet. Cela fournit aussi une base réaliste pour discuter avec les éditeurs de ce qu'un pilote exige de vos données.