Espace de stockage central qui conserve de grands volumes de données brutes dans leur format d'origine jusqu'à ce qu'on en ait besoin.
Un data lake peut rassembler en un seul endroit des exports de caisse, des journaux web, des images et des fichiers fournisseurs, sans les contraindre au préalable dans une structure fixe. Cette souplesse convient aux expérimentations d'IA, mais peut tourner au désordre sans responsabilités et documentation claires. De nombreuses entreprises combinent un data lake avec un data warehouse.
Base de données structurée, optimisée pour le reporting et l'analyse, qui contient des données nettoyées et intégrées provenant de plusieurs systèmes.
Un data warehouse réunit, dans des formats cohérents, les données issues de l'ERP, de l'e-commerce et des systèmes wholesale. Les rapports de sell-through, de marge et de rotation des stocks reposent généralement sur lui. Il constitue habituellement la base de confiance à la fois pour la business intelligence et pour de nombreux modèles de prévision.
Machine learning qui utilise des réseaux de neurones à nombreuses couches pour apprendre des schémas complexes, notamment dans les images, le texte et l'audio.
Le deep learning est à la base de la plupart des IA modernes de traitement d'images et de langage. C'est lui qui permet à un système de distinguer un trench d'une parka sur une photo produit, ou de rédiger une description produit à partir de quelques attributs. Il exige généralement plus de données et de puissance de calcul que les méthodes de machine learning plus simples.
Vidéo, image ou audio synthétique réaliste qui montre une personne disant ou faisant quelque chose qu'elle n'a pas dit ou fait.
Les deepfakes présentent des risques de fraude et d'atteinte à la réputation, par exemple une fausse vidéo dans laquelle un designer ou un dirigeant recommande un produit. L'utilisation de l'image d'une personne réelle pour des contenus générés par l'IA exige son consentement et des contrats clairs. L'AI Act de l'UE fixe des obligations de transparence pour les contenus deepfake.
Temps écoulé entre la passation d'une commande et la réception de la marchandise, qu'il s'agisse d'une usine vers une marque ou d'une marque vers un distributeur.
Dans la mode, les délais de production vont de quelques semaines pour des ateliers locaux à plusieurs mois pour un sourcing lointain. Des délais longs obligent les marques à s'engager tôt sur les quantités, ce qui accroît le risque de surstock ou de rupture. Raccourcir les délais est un objectif courant des projets supply chain.
Prévision à court terme qui exploite des signaux très récents, comme les ventes quotidiennes ou le trafic web, pour ajuster les estimations de demande à brève échéance.
Le demand sensing complète la prévision de la demande à plus long terme. Si un modèle se vend plus vite que prévu dès sa première semaine, le demand sensing peut le signaler suffisamment tôt pour déclencher un réapprovisionnement ou réallouer le stock entre magasins. Il dépend de données propres et disponibles en temps utile, issues des systèmes de caisse et d'e-commerce.
Réduction définitive du prix de vente d'un produit, généralement pour écouler un stock à rotation lente ou de fin de saison.
Les démarques protègent la trésorerie en transformant le stock invendu en chiffre d'affaires, mais elles érodent la marge. Un distributeur peut baisser d'un tiers le prix d'un manteau après huit semaines de sell-through faible. Les marques participent parfois au coût des démarques pour leurs comptes clés, ce que l'on appelle le soutien aux démarques.
Dispositif dans lequel une marque place du stock chez un distributeur tout en en conservant la propriété jusqu'à sa vente aux consommateurs.
En dépôt-vente, le distributeur ne paie que ce qu'il vend et restitue le reste ; c'est donc la marque qui porte le risque de stock. Ce modèle peut aider de nouvelles marques à obtenir de l'espace en rayon auprès de revendeurs prudents. Les marques ont besoin d'une bonne visibilité sur les données de ventes du distributeur pour gérer le stock en dépôt.
Baisse progressive de la précision d'un modèle à mesure que les données ou les comportements réels s'écartent de ceux sur lesquels il a été entraîné.
La mode est particulièrement exposée à la dérive, car les tendances, les canaux et les comportements des clients évoluent à chaque saison. Un modèle de recommandation de taille entraîné avant qu'une marque ne modifie son patronnage de base peut se mettre à donner de mauvais conseils. Un suivi régulier et un réentraînement sont les remèdes habituels.
Utilisation de l'IA pour proposer de nombreuses options de design à partir d'un brief ou de contraintes, que les designers sélectionnent et affinent ensuite.
Le design génératif déplace une partie du travail du designer du dessin vers le pilotage et la retouche. Une équipe peut demander des variantes d'imprimés dans une palette de couleurs donnée, ou des silhouettes alternatives pour un modèle phare. La propriété, l'originalité et le risque de ressemblance avec des designs existants exigent une attention particulière.
Identification de données ou d'événements qui s'écartent nettement des schémas habituels, comme des commandes inhabituelles ou des erreurs.
La détection d'anomalies aide à repérer les problèmes tôt. Elle peut signaler un réassort dix fois supérieur à la quantité habituelle d'un détaillant, un pic soudain de retours sur une taille ou un fichier EDI contenant des prix invraisemblables. Les cas signalés sont généralement examinés par une personne plutôt que bloqués automatiquement.
Tâche de vision par ordinateur qui repère et localise des éléments individuels dans une image, généralement à l'aide de cadres de délimitation (bounding boxes).
La détection d'objets va au-delà de dire ce que contient une image : elle montre où se trouve chaque élément. Sur une photo de street style, elle peut isoler le sac, les chaussures et le manteau afin de rapprocher chacun de produits similaires. Elle sert aussi à compter des articles en rayon ou sur une ligne de production.
Entreprise qui achète les produits d'une marque et les revend aux détaillants d'un territoire défini, en assumant le risque de stock et de crédit.
Contrairement à un agent, un distributeur est propriétaire de la marchandise et facture lui-même les détaillants. Les marques font souvent appel à des distributeurs pour aborder des marchés lointains où la logistique, la langue et la réglementation locales sont complexes. La contrepartie est une marge plus faible pour la marque et un contact moins direct avec les détaillants.
Les exemples à partir desquels un modèle apprend, comme des images produits annotées, des historiques de commandes ou des textes.
Un modèle ne peut apprendre que ce que ses données d'entraînement lui montrent. Si un modèle de recherche visuelle a été entraîné principalement sur des photos de prêt-à-porter féminin sur fond blanc, il risque d'avoir du mal avec du prêt-à-porter masculin photographié en extérieur sur des mannequins. Les droits d'utilisation des images et des textes pour l'entraînement sont une question juridique de plus en plus importante pour les marques et les éditeurs.
Données centrales et faisant foi qui décrivent chaque produit, comme les identifiants, attributs, tailles, prix et compositions.
Des données de référence propres sont le socle de l'EDI, des marketplaces, des showrooms digitaux et du reporting de conformité. Une erreur, comme une composition en fibres fausse ou un GTIN manquant, se propage dans chaque système connecté. De nombreuses marques désignent des responsables de données chargés d'encadrer la création et la mise à jour des données de référence.
Données générées artificiellement qui imitent les schémas de données réelles, utilisées pour entraîner ou tester des modèles.
Les données synthétiques sont utiles lorsque les données réelles sont rares, sensibles ou coûteuses à collecter. Une équipe peut générer des rendus de vêtements dans de nombreux coloris et poses pour entraîner un modèle de reconnaissance. Elles doivent être vérifiées avec soin, car elles peuvent reproduire ou amplifier les défauts des données ou du modèle qui les ont produites.
Mise sur le marché de nouveaux produits en magasin ou en ligne à une date définie, souvent l'une des livraisons d'une même saison.
Découper une saison en drops renouvelle la surface de vente et donne aux clients des raisons de revenir. Une marque peut livrer sa collection d'automne en trois drops entre juillet et octobre. Certaines marques recourent à des drops limités pour créer rareté et urgence autour de produits précis.