Le guide complet de l’IA dans le merchandising et les achats de mode

Le machine learning soutient désormais les décisions de prévision, d'assortiment, de prix et de planification dans la mode. Ce guide explique les cas d'usage, les données dont ils dépendent et comment les merchandisers gardent la main.

• Dans le merchandising de mode, l'IA désigne l'utilisation de modèles statistiques et de machine learning pour soutenir les décisions sur ce qu'il faut acheter, en quelle quantité, dans quelles tailles, où le placer et à quel prix.
• Les applications les plus matures sont la prévision de la demande, l'allocation et le réapprovisionnement, ainsi que la tarification des démarques ; l'IA générative sert surtout à l'analyse, au reporting et aux contenus autour de ces décisions.
• De grands distributeurs comme Mango et Marks & Spencer ont annoncé des programmes visant à remplacer des outils de planification fragmentés par une planification intégrée et assistée par l'IA, couvrant la planification financière, de l'assortiment et de la demande.

Fournisseurs, marques et équipes internes parlent de plus en plus de modèles, d'agents et d'embeddings. Un glossaire pratique pour les acheteurs de mode, avec ce que chaque terme implique pour les décisions d'achat.

• Les acheteurs n'ont pas besoin de comprendre comment sont construits les modèles d'IA, mais ils doivent comprendre ce que signifie le résultat d'un outil et quel est son degré de fiabilité.
• Des termes comme prévision, intervalle de confiance et back-test décrivent le degré de certitude d'une prédiction, ce qui compte davantage que la prédiction elle-même.
• Des termes de l'IA générative comme hallucination et prompt expliquent pourquoi les contenus rédigés par l'IA doivent être vérifiés avant qu'on s'y fie.

Les marques qui vendent via des détaillants voient ce qu'elles livrent, pas ce que les consommateurs achètent. Les données de sell-out comblent cet écart ; sans elles, la plupart des prévisions par IA dans le wholesale travaillent à moitié à l'aveugle.

• 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.
• 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.
• 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.

Le machine learning peut améliorer les prévisions pour les lignes reconduites et le réapprovisionnement, mais les nouveaux modèles, les saisons courtes et les retournements de tendance restent difficiles. Ce que les dirigeants doivent en attendre, et ce qu'ils ne doivent pas en attendre.

• Les modèles de prévision par IA apprennent à partir des ventes historiques et de signaux externes, et ne valent que par l'historique sur lequel ils sont entraînés.
• Les prévisions pour les articles reconduits et never-out-of-stock sont généralement bien plus fiables que celles des nouveaux modèles saisonniers.
• Les ventes enregistrées sous-estiment la demande réelle lorsque les articles sont en rupture : il faut donc corriger les ruptures avant d'entraîner tout modèle.

Le demand sensing met à jour les prévisions à court terme avec les ventes les plus récentes et des signaux externes. Dans la mode, il améliore surtout les décisions en cours de saison : réapprovisionnement, transferts et démarques.

• Le demand sensing est une prévision à court terme qui utilise des données récentes et à haute fréquence, comme l'activité en point de vente, les expéditions, les promotions, la météo et les tendances sociales, pour détecter les évolutions de la demande à brève échéance.
• Les prévisions traditionnelles sont généralement mises à jour 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.
• Dans la mode, le demand sensing améliore surtout les décisions en cours de saison comme le réapprovisionnement, les transferts de stock et le calendrier des démarques, car la plupart des quantités sont engagées avant le début de la saison.

La planification des collections détermine combien de modèles une collection doit compter, à quels prix et avec quelle profondeur. L'IA peut prévoir les nouveaux articles et tester des scénarios, mais la décision créative et stratégique reste humaine.

• La planification des collections traduit un plan financier en collection structurée : nombre d'options par catégorie, architecture de prix, nouveautés et articles reconduits, et profondeur par option.
• L'IA contribue principalement en prévoyant la demande des nouveaux modèles à partir des attributs, des images et de produits similaires du passé, et en comparant rapidement des scénarios de structure de collection.
• Des travaux de recherche sur le jeu de données VISUELLE de l'entreprise italienne de fast fashion Nunalie ont montré que l'ajout de signaux Google Trends aux données d'images et d'attributs améliorait les prévisions de ventes des nouveaux produits.

L'IA peut affiner les décisions de profondeur, de largeur et de tailles dans la planification de l'assortiment. Le risque est une offre qui dérive vers des moyennes rassurantes. Comment utiliser ces outils tout en préservant le point de vue de la marque.

• L'IA est la plus performante sur la couche quantitative de la planification de l'assortiment : profondeur, répartitions de tailles, clustering des magasins et identification des options sous-performantes.
• Les modèles entraînés sur les ventes passées favorisent ce qui a déjà fonctionné, ce qui peut éroder progressivement la nouveauté et le caractère distinctif de la marque.
• Les marques doivent préserver une part délibérée de l'offre pour des pièces stratégiques, d'image et expérimentales, jugées selon d'autres critères.

L'open-to-buy indique aux acheteurs combien ils peuvent encore dépenser sans compromettre les objectifs de ventes et de stock. L'IA peut maintenir ce chiffre à jour et le rendre plus réaliste, à condition que le plan qui le sous-tend soit solide.

• L'open-to-buy (OTB) est la valeur du stock qu'une entreprise peut encore acheter sur une période tout en respectant ses objectifs de ventes et de stock.
• Une formule courante est : ventes prévues plus démarques prévues plus stock prévu en fin de période, moins stock prévu en début de période, moins stock déjà commandé.
• L'IA améliore l'OTB principalement en améliorant ses données d'entrée : des prévisions de ventes et de démarques plus précises et des reprévisions plus rapides pendant la saison.

Le stock de mode est périssable : trop de stock finit en démarques, trop peu en ventes perdues. Comment les modèles d'IA équilibrent les deux, quelles preuves existent et ce dont ils ont besoin pour fonctionner.

• L'optimisation des stocks par l'IA combine des prévisions de la demande au niveau du modèle, du coloris, de la taille et du point de vente avec des règles d'optimisation qui décident de la quantité de stock à acheter, conserver, déplacer ou démarquer.
• La mode est plus difficile que la plupart des catégories, car de nombreux produits sont nouveaux à chaque saison, les fenêtres de vente sont courtes et la demande est répartie entre tailles et points de vente.
• Dans un article évalué par des pairs publié dans Interfaces, le modèle de Zara pour les expéditions vers les magasins aurait augmenté les ventes de 3 à 4 %, un exemple précoce d'optimisation reliant niveaux de stock et demande.

Acheter le mauvais mix de tailles laisse les tailles extrêmes sur les portants et épuise les tailles centrales. Comment l'IA estime la demande réelle par taille, pourquoi les ruptures faussent les données et à quoi faire attention.

• Une courbe de tailles est la répartition en pourcentage d'une quantité d'achat entre les tailles ; l'optimisation des courbes de tailles estime cette répartition à partir de la demande plutôt que de l'habitude.
• Les ventes brutes sont une base biaisée pour les courbes de tailles, car les tailles épuisées tôt cessent d'enregistrer des ventes alors que les clients continuent de les chercher.
• Une étude 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, et que la prise en compte de cet effet pouvait augmenter le bénéfice jusqu'à 28 % dans les contextes de faible demande.

L'allocation décide où va le stock en premier ; le réapprovisionnement décide de ce qui suit. L'IA prend ces deux décisions au niveau de la taille et du point de vente. Son fonctionnement, ses besoins et ses difficultés.

• L'allocation est la répartition initiale d'une livraison entre les magasins, le web et les comptes partenaires ; le réapprovisionnement est le complément continu du stock en fonction de ce qui se vend.
• L'allocation par IA prévoit la demande au niveau du modèle, du coloris, de la taille et du point de vente, puis optimise les quantités sous contraintes, comme le conditionnement, la capacité des magasins et les plannings de transport.
• Le modèle de réapprovisionnement des magasins de Zara, documenté dans Interfaces en 2010, choisissait les quantités expédiées en reliant niveaux de stock et demande, et aurait augmenté les ventes de 3 à 4 %.

L'optimisation des démarques s'appuie sur des modèles de demande pour décider quand et dans quelle mesure remiser. Comment elle fonctionne, ce dont elle a besoin, et pourquoi la marque et les relations wholesale doivent en fixer les limites.

• Les modèles d'optimisation des démarques estiment comment la demande réagit au prix dans le temps et recommandent le moment et l'ampleur des remises pour atteindre un objectif de stock ou de marge.
• L'objectif doit être défini explicitement, par exemple maximiser la marge tout en écoulant le stock à une date donnée, car des objectifs différents produisent des recommandations différentes.
• Des estimations fiables de la réaction au prix exigent un historique propre des changements de prix passés, des promotions et des niveaux de stock.

L'open-to-buy indique à un acheteur combien de stock il peut encore acheter sans sortir du plan. Voici comment il se calcule, s'utilise et, souvent, se détourne.

• L'open-to-buy est le budget d'achat restant pour une période une fois pris en compte les ventes prévues, les démarques, le stock final visé, le stock initial et les commandes existantes.
• Les achats prévus égalent les ventes prévues plus les démarques prévues plus le stock final prévu, moins le stock initial ; l'open-to-buy déduit les commandes déjà passées.
• L'open-to-buy doit être suivi par mois de livraison et réestimé régulièrement à mesure que les ventes réelles arrivent.

Trois indicateurs répondent à la plupart des questions sur la performance du stock de mode. Comment calculer le sell-through, le GMROI et les semaines de couverture, et les lire ensemble.

• Le sell-through mesure la part du stock vendue sur une période et constitue le principal signal pour les décisions de réassort et de démarque.
• Le GMROI divise la marge brute par le stock moyen au prix de revient, combinant marge et rotation du stock en une mesure unique du rendement de l'investissement en stock.
• Les semaines de couverture divisent le stock actuel par les ventes hebdomadaires récentes ; c'est l'indicateur prospectif du réapprovisionnement et de l'allocation.

Du coût usine au prix de l'étiquette : comment se combinent coût de revient rendu, coefficient wholesale et coefficient de détail, et pourquoi les démarques déterminent la marge réellement gagnée.

• La marge dans la mode se construit par couches : coût produit, coût de revient rendu, prix de gros, prix de détail et enfin le prix auquel l'article se vend réellement.
• Le taux de marque (markup) et le taux de marge sont des mesures différentes, et les confondre est l'une des erreurs les plus fréquentes dans les discussions sur les prix.
• Le coût de revient rendu inclut fret, droits de douane, assurance et manutention ; ignorer ces lignes surestime la marge de la marque.