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

L'ESSENTIEL Résumé de la rédaction

1. Les données de sell-in enregistrent ce qu'une marque livre aux détaillants ; les données de sell-out enregistrent ce que ces détaillants vendent aux consommateurs, par produit, taille, magasin et période.
2. Les modèles d'IA de prévision, de réassort et d'allocation dans le wholesale ont besoin des données de sell-out, car le sell-in reflète les décisions d'achat et le calendrier des détaillants, et non la demande des consommateurs.
3. Des formats standard existent : la directive mode de GS1 Austria pour le message EDIFACT SLSRPT transmet entre partenaires commerciaux les quantités vendues par GTIN, point de vente et période.
4. En vertu du règlement d'exemption par catégorie applicable aux accords verticaux de l'UE, en vigueur depuis le 1er juin 2022, l'échange de données agrégées sur les achats des clients est généralement acceptable en distribution duale, tandis que les futurs prix de revente figurent sur la liste des échanges problématiques.
5. Les données de sell-out sont les plus utiles lorsqu'elles sont accompagnées des données de stock, car des ventes sans stock ne permettent pas de distinguer une demande faible d'une taille épuisée.

Les données de sell-out sont essentielles à l'IA dans le wholesale de mode, car elles sont la seule mesure directe de la demande des consommateurs dans les magasins partenaires. Le sell-in, c'est-à-dire ce que la marque livre, reflète les décisions d'achat, les budgets et le calendrier du détaillant. Un modèle entraîné uniquement sur le sell-in apprend comment les détaillants commandent, et non comment les consommateurs achètent, et ses prévisions, ses suggestions de réassort et ses recommandations d'allocation héritent de cet angle mort.

Quelle est la différence entre données de sell-in et de sell-out ?

Les deux peuvent diverger fortement. Un détaillant peut commander massivement puis vendre lentement, ce qui ressemble à un succès en sell-in jusqu'à ce que les retours, les annulations et les demandes de participation aux démarques arrivent la saison suivante. À l'inverse, un modèle peut s'épuiser rapidement en magasin alors que le sell-in ne montre rien de nouveau, parce que le détaillant n'a plus de budget ouvert pour réassortir.

Pourquoi l'IA a-t-elle besoin des données de sell-out ?

La plupart des cas d'usage de l'IA dans le wholesale exigent de savoir ce que les consommateurs ont réellement acheté :

• Prévision de la demande : les plans d'achat de la saison suivante sont mieux fondés sur l'écoulement auprès des consommateurs que sur ce que les détaillants ont commandé.
• Suggestions de réassort et de réapprovisionnement : un modèle ne peut proposer des réassorts à un compte que s'il voit les ventes et le stock restant de ce compte.
• Courbes de tailles : les commandes des détaillants suivent souvent des ratios de tailles standard ; seul le sell-out révèle la véritable demande par taille de chaque compte.
• Recommandations d'assortiment pour les acheteurs : suggérer quels modèles conviennent à un compte suppose de savoir ce qui s'y est vendu auparavant.
• Alerte précoce : un écoulement lent dans les magasins partenaires signale un risque de démarque des semaines avant qu'il n'apparaisse dans les retours ou les annulations de commandes.

Les ventes seules ne suffisent pas. Lorsqu'une taille est épuisée, les ventes s'arrêtent, et un modèle qui ne lit que les ventes conclut que la demande a baissé. Une étude d'Akchen et Caro portant sur un distributeur de chaussures a montré que près de 25 % de la demande non satisfaite du fait de ruptures se reportait sur les tailles voisines, ce qui signifie que les ventes brutes faussent la demande par taille dans les deux sens. Les données de sell-out doivent donc être accompagnées du stock disponible par produit et par point de vente, idéalement à la même fréquence.

Lire aussi

Qu'est-ce qui rend une activité wholesale prête pour l'IA ?

Comment les marques reçoivent-elles les données de sell-out des détaillants ?

Plusieurs voies existent, souvent en parallèle selon les comptes :

1. Rapports de ventes EDI : des messages standard comme l'EDIFACT SLSRPT. La directive de GS1 Austria pour le secteur de la mode le décrit comme transmettant entre partenaires commerciaux les quantités vendues par produit (GTIN), lieu de vente (GLN du point de vente) et période.
2. Portails des détaillants et exports de fichiers : de nombreux grands magasins et marketplaces fournissent des rapports via des portails fournisseurs, souvent sous forme de tableurs dans des formats propres à chaque détaillant.
3. Modèles de concession et de dépôt-vente : lorsque la marque est propriétaire du stock en surface de vente, elle voit généralement les ventes directement.
4. Plateformes partagées : certaines marques et certains détaillants échangent des données via des plateformes B2B ou de réapprovisionnement communes, avec des définitions de données convenues.

La condition technique préalable est un identifiant produit commun. GS1 prévoit que chaque variante de produit, c'est-à-dire chaque taille, chaque coloris et chaque combinaison, doit avoir son propre GTIN. Lorsque la marque et le détaillant utilisent tous deux les GTIN de la marque, le sell-out peut être rapproché des données de référence articles de la marque sans correspondance manuelle. Lorsque le détaillant utilise ses propres codes, les erreurs de correspondance deviennent une source majeure de mauvaises données.

Quelles sont les limites juridiques au partage des données de sell-out ?

L'échange de données entre une marque et ses détaillants relève d'une relation verticale, mais de nombreuses marques de mode exploitent aussi leurs propres magasins et boutiques en ligne, ce qui en fait des concurrentes de leurs clients détaillants (distribution duale). Le règlement d'exemption par catégorie applicable aux accords verticaux révisé de l'UE, le règlement (UE) 2022/720, en vigueur depuis le 1er juin 2022, et ses lignes directrices traitent de l'échange d'informations précisément dans cette situation. Selon une analyse du cabinet d'avocats Hogan Lovells, les échanges généralement acceptables comprennent les informations agrégées sur les achats des clients qui ne se rapportent pas à des utilisateurs finaux identifiés, ainsi que les comparaisons anonymisées des performances de vente entre distributeurs. Les informations sur les prix futurs auxquels le fournisseur ou l'acheteur entendent vendre figurent sur la liste des échanges peu susceptibles d'être couverts.

Comment les marques peuvent-elles donner envie aux détaillants de partager ?

Les détaillants partagent leurs données lorsqu'ils obtiennent quelque chose en retour. Les contreparties courantes comprennent un réapprovisionnement automatisé qui réduit leur risque de stock, des recommandations de tailles et d'assortiment pour leur prochaine commande, des délais de réassort plus courts ou une planification commune des démarques. Les accords doivent préciser quelles données sont partagées, à quel niveau d'agrégation, à quelle fréquence, qui peut les utiliser et à quelles fins, et combien de temps elles sont conservées.

Les petits détaillants n'ont souvent pas du tout les systèmes nécessaires pour envoyer des données structurées. Pour eux, une voie simple et peu contraignante, comme un envoi régulier des stocks et des ventes dans un modèle fixe ou une connexion directe depuis leur logiciel de caisse, compte davantage que toute norme formelle. C'est la couverture de la longue traîne qui transforme un échantillon de grands comptes en une image exploitable du marché.

Lire aussi

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

Où les initiatives de sell-out échouent-elles généralement ?

• Les données arrivent dans de nombreux formats et personne n'est responsable de leur rapprochement avec les données de référence produit de la marque.
• Les ventes sont partagées sans les stocks, si bien que les données ne permettent ni le réapprovisionnement ni l'analyse par taille.
• Les rapports arrivent chaque mois, trop tard pour les décisions en cours de saison.
• La couverture est inégale : quelques grands comptes partagent, la longue traîne des petits détaillants non, et les modèles surpondèrent les grands comptes.
• La marque collecte les données mais n'a aucun processus pour agir dessus ; les détaillants n'en voient pas le bénéfice et cessent d'envoyer.

Pour l'IA, la leçon est simple : un modèle de prévision ou de réassort ne vaut pas mieux que sa vision du consommateur. Pour les marques wholesale, cette vision, ce sont les données de sell-out, rapprochées d'identifiants produit propres, accompagnées des stocks et livrées assez souvent pour pouvoir agir.

Questions fréquentes

Que sont les données de sell-out dans la mode ?

Les données de sell-out enregistrent ce qu'un détaillant vend aux consommateurs, par produit, taille, coloris, magasin ou boutique en ligne et période. Pour une marque qui vend via des partenaires wholesale, elles sont la mesure la plus proche de la demande réelle des consommateurs.

Quelle est la différence entre sell-in et sell-through ?

Le sell-in est ce qu'une marque livre à un détaillant. Le sell-through (taux d'écoulement) est la part de ce stock que le détaillant vend aux consommateurs sur une période, calculée à partir des données de sell-out et des stocks.

Comment une marque de mode peut-elle obtenir les données de sell-out des détaillants ?

Par des messages EDI de rapport de ventes comme le SLSRPT, par les portails fournisseurs des détaillants, par des modèles de concession ou de dépôt-vente dans lesquels la marque est propriétaire du stock, ou par des plateformes B2B partagées. La plupart des marques combinent plusieurs voies et ont besoin d'accords clairs de partage de données.

Est-il légal pour les marques et les détaillants de partager des données de ventes dans l'UE ?

En général oui, dans certaines limites. En vertu du règlement d'exemption par catégorie applicable aux accords verticaux de 2022, les données d'achat agrégées qui ne se rapportent pas à des utilisateurs finaux identifiés sont généralement acceptables, tandis que les échanges sur les futurs prix de revente posent problème, en particulier en distribution duale. Un conseil juridique est recommandé.

GuideLe guide complet de l’IA dans le merchandising et les achats de modeLire le guide complet