L'IA pour les merchandisers et les planificateurs : un guide pratique
Comment l'IA soutient la planification financière merchandising, les prévisions, l'allocation, le réapprovisionnement et les démarques dans la mode, de quelles données elle a besoin, ce que les planificateurs décident encore et comment démarrer.
L'ESSENTIEL Résumé de la rédaction
- Pour les merchandisers et les planificateurs, l'IA est surtout utile pour la prévision de la demande, l'allocation et le réapprovisionnement, l'optimisation des démarques et des prix, et l'explication des écarts entre plan et réalisé.
- L'essentiel de l'IA de planification relève du machine learning prédictif appliqué aux données de ventes, de stocks et d'attributs produit, et non de l'IA générative, même si les modèles de langage servent de plus en plus d'interface.
- Un projet mené en 2026 par le Fraunhofer IWU avec un fabricant textile allemand a montré qu'une prévision par réseau de neurones pouvait expliquer 82,7 % des fluctuations des ventes, tout en laissant aux planificateurs la possibilité de la vérifier et de l'ajuster.
- En janvier 2024, Marks and Spencer a annoncé une plateforme de planification intégrée pour Clothing and Home couvrant la planification financière, l'assortiment, les prévisions, l'allocation, le réapprovisionnement et les démarques, à déployer sur trois ans.
- Les planificateurs restent responsables des objectifs, des arbitrages entre marge et disponibilité, et de la correction des prévisions lorsqu'ils savent quelque chose que les données ignorent.
L'IA aide les merchandisers et les planificateurs en produisant des prévisions plus rapides et plus fines, et en proposant des décisions d'allocation, de réapprovisionnement et de démarque qui prendraient des jours à calculer à la main. Le rôle du planificateur passe de la construction des chiffres à la fixation des objectifs, à la vérification des résultats des modèles et aux arbitrages, et la qualité du résultat dépend bien davantage de données propres que de l'algorithme.
Que font concrètement les merchandisers et les planificateurs avec l'IA ?
Dans la mode, la planification merchandising traduit la stratégie en chiffres : plans de ventes, de marge et de stocks par catégorie et par canal, budgets open-to-buy, nombre d'options, profondeur en tailles et en couleurs, et décisions en cours de saison sur l'allocation, le réapprovisionnement et les démarques. Ce travail est très quantitatif et répétitif, ce qui en fait un terrain naturel pour les modèles prédictifs. Les modèles de langage ajoutent une seconde couche : ils peuvent expliquer les écarts en langage clair, répondre à des questions sur un plan et rédiger des commentaires pour les réunions commerciales.
Les distributeurs regroupent ces étapes. Selon Just Style, Marks and Spencer a annoncé en janvier 2024 qu'il ferait passer son activité Clothing and Home sur une plateforme de planification intégrée unique couvrant la planification financière merchandising, la planification d'assortiment, les prévisions, l'allocation, le réapprovisionnement, l'optimisation des promotions et des démarques ainsi que la collaboration fournisseurs, déployée sur trois ans.
Où l'IA aide-t-elle aujourd'hui dans la planification merchandising ?
| Tâche | Ce que fait l'IA | Données nécessaires | Maturité |
|---|---|---|---|
| Prévision de la demande | Prévoit les ventes par modèle, taille et point de vente à partir de l'historique, de la saisonnalité et des facteurs d'influence | Historique des ventes et des stocks, prix, promotions, calendrier | Établie |
| Allocation et réapprovisionnement | Propose l'allocation initiale et les compléments par magasin ou par canal | Clusters de magasins, sell-through, positions de stock, délais | Établie |
| Optimisation des démarques et des prix | Recommande le moment et la profondeur des démarques pour écouler le stock avec la meilleure marge | Historique des prix, élasticité, stocks et sell-through | Établie |
| Suivi de l'open-to-buy | Met à jour le budget restant au fil des ventes et des commandes et signale les risques | Ventes, démarques et stocks prévus, commandes ouvertes | Émergente |
| Explication des écarts | Explique les différences entre plan et réalisé en langage naturel | Données de plan et de réalisé, attributs produit et magasin | Émergente |
| Prévision des nouveaux produits | Estime la demande de modèles sans historique à partir d'articles et d'attributs similaires | Attributs produit riches, images, ventes comparables | Émergente |
| Agents de replanification autonomes | Ajuste automatiquement les plans et les commandes selon des règles | Données de planification intégrées et règles de validation | Expérimentale |
Quels résultats les planificateurs peuvent-ils raisonnablement attendre ?
Les résultats publiés sont rares et proviennent souvent des éditeurs, les planificateurs doivent donc rester prudents. Un exemple indépendant : en juin 2026, le Fraunhofer IWU a présenté un outil de prévision par IA développé pour le fabricant textile allemand frottana (marque MÖVE). En appliquant des réseaux de neurones à quatre ans d'historique de ventes, le modèle expliquait 82,7 % des fluctuations des ventes et s'écartait en moyenne d'environ 9 % des ventes mensuelles réelles. Le Fraunhofer a souligné que les collaborateurs peuvent vérifier, ajuster et enrichir les prévisions grâce à leur propre expertise.
La leçon est qu'une précision utile est possible même avec un historique limité, mais seulement si les données sont cohérentes et que les planificateurs restent impliqués. La valeur se manifeste généralement par moins de temps passé en calculs manuels, des alertes plus précoces et moins d'erreurs extrêmes, plutôt que par une prévision parfaite.
De quelles données les modèles de planification ont-ils besoin ?
- Un historique propre des ventes et des stocks au niveau du SKU, de la taille et du point de vente, avec les ruptures signalées afin que la demande perdue ne soit pas interprétée comme une demande faible.
- Des attributs produit cohérents d'une saison à l'autre, pour pouvoir relier les nouveaux modèles à des modèles passés comparables.
- L'historique des prix et des promotions, y compris les dates et profondeurs des démarques.
- Les données de plan : objectifs, budgets et open-to-buy, que le guide de Shopify définit comme les ventes prévues plus les démarques prévues plus le stock de fin de période prévu, moins le stock de début de période prévu.
- Les contraintes d'approvisionnement : délais, quantités minimales de commande et fiabilité des livraisons.
Gartner a indiqué en février 2025 que 63 % des organisations n'ont pas, ou ne savent pas si elles ont, les bonnes pratiques de gestion des données pour l'IA. En planification, les lacunes typiques sont des attributs incohérents, l'absence de signalement des ruptures et des systèmes séparés pour le wholesale, le retail et l'e-commerce.
Qu'est-ce qui reste humain dans le merchandising ?
Les planificateurs fixent les objectifs que les modèles optimisent, et ces objectifs impliquent des arbitrages : disponibilité contre risque de démarque, nouveauté contre valeurs sûres, marge contre part de marché. Les modèles ne savent pas non plus qu'un concurrent ouvre un magasin, qu'une livraison est retardée, qu'une campagne marketing est lancée ou que la marque change de direction, à moins que quelqu'un ne le leur dise. Les planificateurs doivent piloter le processus de correction, consigner pourquoi ils ont modifié une recommandation et analyser les corrections après la saison pour voir qui, des personnes ou du modèle, avait raison.
Les planificateurs jouent aussi un rôle de traducteurs entre le modèle et le reste de l'entreprise. Les équipes commerciales, les acheteurs et la finance doivent comprendre pourquoi une recommandation a changé ; les planificateurs capables d'expliquer en langage clair les principaux facteurs d'une prévision construisent la confiance dont dépend l'adoption.
Quelles compétences les merchandisers et les planificateurs doivent-ils développer ?
- Comprendre les mesures d'erreur de prévision et les intervalles de confiance, et pas seulement les prévisions ponctuelles.
- Définir et tester les règles métier et les contraintes que les modèles doivent respecter.
- Utiliser des assistants d'IA pour interroger les données et rédiger des commentaires commerciaux, en vérifiant chaque chiffre.
- Mener des tests contrôlés, par exemple une allocation assistée par l'IA dans certains magasins et le processus habituel dans d'autres.
- Travailler étroitement avec les équipes data et IT sur la qualité des attributs et les définitions des données.
Comment une équipe de planification peut-elle démarrer en 30 jours, et quels sont les risques ?
Les principaux risques sont une fausse précision, des modèles qui apprennent d'un historique faussé (ruptures, erreurs passées), des recommandations en boîte noire que les planificateurs ne peuvent pas expliquer aux équipes commerciales, et un effort d'intégration plus important que prévu. Les synthèses produites par les modèles de langage peuvent aussi déformer des chiffres. Commencer par une seule décision, avec un groupe témoin et des règles de correction transparentes, permet de garder ces risques sous contrôle.
Questions fréquentes
Comment l'IA est-elle utilisée dans la planification merchandising ?
L'IA sert à prévoir la demande, allouer et réapprovisionner les stocks, optimiser les démarques et les prix, suivre l'open-to-buy et expliquer les écarts. Il s'agit surtout de machine learning prédictif appliqué aux données de ventes, de stocks et de produits, les modèles de langage étant de plus en plus utilisés comme interface pour les questions et les commentaires.
L'IA va-t-elle remplacer les planificateurs merchandising ?
L'IA automatise une grande partie des calculs de planification, mais les planificateurs fixent toujours les objectifs, gèrent les arbitrages et apportent des connaissances que les données ne contiennent pas. Le rôle évolue vers la supervision des modèles, la gestion des exceptions et le travail avec les équipes data.
Quelles données faut-il pour la prévision de la demande par IA dans la mode ?
Au minimum, un historique cohérent des ventes et des stocks par SKU et par point de vente, des informations sur les ruptures, l'historique des prix et des promotions et des attributs produit fiables. Pour les nouveaux modèles, les attributs et les articles passés comparables comptent le plus. Des données manquantes ou incohérentes sont la raison la plus fréquente pour laquelle les projets de prévision déçoivent.
Comment mesurer si la planification par IA fonctionne ?
Comparez les décisions assistées par l'IA avec un groupe témoin ou avec des tests a posteriori sur les saisons passées. Les indicateurs utiles incluent l'erreur de prévision, le sell-through, la disponibilité, le taux de démarque et le temps gagné. Convenez des indicateurs avec la finance avant le début du pilote.
Une édition chaque jour ouvrable. Lue en cinq minutes. Gratuite pour les professionnels.
