Que sont les données de sell-out dans la mode ?
Les données de sell-out recensent ce qu'un détaillant a réellement vendu aux consommateurs finaux, par produit, taille, magasin et période, par opposition à ce qu'il a acheté à la marque.
En bref
Les données de sell-out enregistrent les unités et la valeur qu'un détaillant vend aux consommateurs finaux, ventilées par article, coloris, taille, magasin et semaine. Elles se distinguent du sell-in, qui montre uniquement ce que le détaillant a acheté à la marque. Pour les marques de wholesale, c'est le signal le plus proche de la demande réelle des consommateurs.
Comment cela fonctionne-t-il en pratique ?
Un grand magasin ou un détaillant multimarque exporte ses résultats de caisse, généralement chaque semaine, et les partage avec la marque via des messages EDI, un portail fournisseur ou un tableur. La marque rapproche les numéros d'article du détaillant de ses propres données de référence SKU ou GTIN et combine les chiffres avec le stock disponible pour calculer le sell-through et les semaines de couverture par point de vente.
- Unités vendues et valeur par SKU, magasin et semaine
- Stock disponible et stock en transit chez le détaillant
- Ventes à plein prix et ventes démarquées
- Retours déduits des ventes brutes
Pourquoi est-ce important pour les entreprises de mode ?
Sans sell-out, une marque sait seulement qu'un détaillant a commandé un modèle, pas si les clients l'ont voulu. Le sell-out indique à l'équipe wholesale quels modèles pousser dans les réassorts, quelles tailles manquent dans quels points de vente et où le risque de démarque s'accumule. Il renforce aussi le dialogue avec les comptes clés : les acheteurs réagissent mieux à des propositions fondées sur leurs propres résultats en magasin.
Comment l'IA le transforme-t-elle ?
Les modèles de machine learning exploitent l'historique de sell-out pour prévoir la demande au niveau du magasin et de la taille, recommander des quantités de réapprovisionnement et signaler tôt les articles qui se vendent mal. Comme les données des détaillants arrivent dans des formats différents et avec des lacunes, l'IA sert aussi à nettoyer, rapprocher et réconcilier automatiquement les flux, un travail qui prenait autrefois plusieurs jours aux analystes à chaque saison.
Pièges fréquents
- Considérer le sell-out sans données de stock comme un signal de demande, alors que les ruptures masquent les ventes perdues
- Des codes produits incohérents qui font disparaître des lignes sans avertissement
- Comparer des détaillants aux semaines de reporting ou aux politiques de retour différentes
- Des accords de partage qui ne disent rien de la fréquence, de la granularité ou de la confidentialité
Questions fréquentes
Quelle est la différence entre sell-in et sell-out ?
Le sell-in correspond à ce qu'une marque vend à ses partenaires détaillants, mesuré par les commandes et expéditions de gros. Le sell-out correspond à ce que ces détaillants revendent ensuite aux consommateurs. L'écart entre les deux montre la quantité de stock qui se trouve encore dans le circuit.
Comment les marques obtiennent-elles les données de sell-out des détaillants ?
La plupart des marques négocient le partage des données dans le cadre de la relation de compte et reçoivent des fichiers hebdomadaires via EDI, un portail fournisseur du détaillant ou une plateforme B2B. Les modèles de concession et de dépôt-vente donnent généralement un accès direct à la marque, puisqu'elle est propriétaire du stock.
