L'IA dans le merchandising de mode : ce qu'elle fait, ce dont elle a besoin et où elle échoue

L'ESSENTIEL Résumé de la rédaction

1. 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.
2. 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.
3. 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.
4. Zalando a publié qu'un modèle de prévision de la demande fondé sur l'architecture transformer, utilisé pour les décisions de prix, est en service sous différentes versions depuis 2019 avec un horizon de 26 semaines.
5. Les résultats de l'IA ne valent pas mieux que les données produit, de ventes et de stock qui les sous-tendent ; des données de référence articles propres et des ventes au niveau de la taille sont donc des prérequis, pas des options.

Dans le merchandising de mode, l'IA désigne l'utilisation de modèles de prévision et d'optimisation pour soutenir les décisions clés du merchandiser : quoi acheter, en quelle quantité, dans quelles tailles, où l'envoyer et quand baisser le prix. Elle ne remplace pas le jugement du merchandiser sur le produit et la marque ; elle lui fournit de meilleurs chiffres, plus vite, et à un niveau de détail (modèle, coloris, taille, magasin, semaine) qu'aucun tableur ne peut gérer.

Qu'est-ce que l'IA dans le merchandising de mode ?

Le merchandising se situe entre la création produit et la vente. Un merchandiser ou un acheteur transforme un plan financier en collection, une collection en quantités et des quantités en positions de stock dans les magasins, l'e-commerce et les comptes wholesale. Chaque étape implique de prévoir la demande pour des produits qui n'ont souvent aucun historique de ventes, car une grande partie d'une collection de mode est nouvelle à chaque saison.

Dans ce contexte, « IA » désigne généralement trois familles de technologies. Les modèles prédictifs (prévision par machine learning) estiment la demande par produit, point de vente et période. Les modèles d'optimisation transforment ces prévisions en décisions sous contraintes, comme le budget, les quantités minimales de commande et la capacité des magasins. L'IA générative (grands modèles de langage) est plus récente et sert principalement à expliquer, résumer et interroger les données de planification en langage naturel, ou à produire des contenus produit.

Quelles décisions de merchandising l'IA peut-elle soutenir ?

Les exemples publiés montrent où les grands acteurs ont concentré leurs efforts. L'équipe de recherche de Zalando a décrit un modèle de prévision de la demande fondé sur l'architecture transformer, qui prévoit la demande hebdomadaire sur un horizon de 26 semaines et alimente les décisions de prix ; l'article indique qu'il est utilisé chez Zalando sous différentes versions depuis 2019. Les auteurs expliquent que, dans la mode en ligne, le prix est un levier majeur pour réduire le risque de surstock en fin de saison.

D'autres distributeurs reconstruisent l'épine dorsale de leur planification. En mars 2025, Mango a annoncé qu'il allait moderniser sa planification financière de la marchandise, sa planification de l'assortiment et sa planification de la demande avec une plateforme de planification dotée d'IA, en remplacement de ce qu'il qualifiait de systèmes fragmentés et obsolètes dans ses quelque 2 850 magasins répartis sur 120 marchés. En janvier 2024, Marks & Spencer a annoncé un programme de trois ans pour l'habillement et la maison, couvrant la planification de la marchandise, la planification des collections puis la prévision et le réapprovisionnement, sa directrice générale habillement et maison déclarant qu'une plateforme de bout en bout aiderait l'entreprise à « mieux utiliser les données et l'IA ».

Lire aussi

Utiliser l'IA dans la planification de l'assortiment sans perdre la marque

De quelles données le merchandising par IA a-t-il besoin ?

La plupart des projets d'IA ratés dans le merchandising sont en réalité des projets de données déguisés. Les modèles ont besoin d'une hiérarchie produit cohérente, d'attributs propres et d'un historique au niveau où les décisions sont prises. Concrètement, cela signifie :

• Données de référence produit : modèle, coloris, taille, catégorie, tissu, positionnement prix et saison, avec des identifiants stables d'une saison à l'autre.
• Historique des ventes par taille et par point de vente : par magasin, par site web et, pour les marques wholesale, par compte lorsque les détaillants le partagent.
• Historique des stocks et de la disponibilité : sans lui, un modèle ne peut pas distinguer une faible demande d'une taille épuisée.
• Prix et promotions : prix plein, dates de démarque et profondeur des remises, afin que le modèle puisse séparer les effets prix de la demande sous-jacente.
• Plans et contraintes : budgets, quantités minimales de commande, délais et capacités des magasins.

Le niveau d'exigence est élevé. Si la même veste porte des codes différents dans l'outil de planification et dans le système de ventes, ou si les attributs sont renseignés de manière incohérente, un modèle tirera de mauvaises leçons de l'historique.

Comment l'IA change-t-elle le rôle du merchandiser ?

L'évolution réaliste consiste à passer de la compilation des chiffres à leur examen et à leur remise en question. Au lieu de construire un plan d'achat dans un tableur, le merchandiser reçoit une quantité recommandée par modèle et par taille, avec les facteurs qui l'expliquent, et décide où la corriger. Les corrections comptent : elles intègrent des connaissances que le modèle ne voit pas, comme une collaboration prévue avec une célébrité ou un problème chez un fournisseur. La bonne pratique consiste à consigner les corrections et à vérifier ensuite qui, de l'humain ou du modèle, était le plus proche de la réalité.

L'IA générative ajoute une couche conversationnelle. McKinsey et The Business of Fashion indiquaient dans The State of Fashion 2026 que plus de 35 % des dirigeants interrogés utilisent déjà l'IA générative dans des domaines comme le service client, la création d'images, la rédaction et la découverte de produits. Dans le merchandising, l'usage équivalent consiste à poser des questions en langage courant à un système de planification et à obtenir une synthèse, ce qui est utile mais pas plus fiable que les données sous-jacentes et les garde-fous qui l'entourent.

Quelles sont les limites et les risques ?

1. Les nouveaux produits sans historique. Les prévisions pour des modèles réellement nouveaux reposent sur des produits et attributs similaires du passé, et l'erreur est plus élevée que pour les articles reconduits.
2. Le biais en faveur du passé. Les modèles entraînés sur l'historique récompensent ce qui s'est vendu auparavant et peuvent sous-investir dans de nouvelles directions si les merchandisers ne les testent pas délibérément.
3. Les ventes perdues invisibles. Si les ruptures ne sont pas modélisées, les tailles épuisées passent pour des ventes faibles et l'erreur se répète chaque saison.
4. Les recommandations « boîte noire ». Les planificateurs ignorent les chiffres qu'ils ne peuvent pas expliquer ; la transparence sur les facteurs explicatifs est une exigence pratique.
5. Le coût et l'effort de changement. L'intégration, le nettoyage des données et l'évolution des processus prennent généralement plus de temps que la construction du modèle elle-même.

Lire aussi

Le vocabulaire de l'IA que tout acheteur de mode devrait connaître

Comment une entreprise de mode doit-elle se lancer ?

Commencez par une décision dont le retour est mesurable et pour laquelle les données existent déjà, typiquement le réapprovisionnement des articles reconduits, les courbes de tailles ou les démarques en cours de saison. Définissez une base de référence (erreur de prévision actuelle, taux d'écoulement, taux de démarque), faites tourner le modèle en parallèle du processus existant pendant une saison, puis comparez. Ce n'est qu'ensuite qu'il faut s'attaquer à des problèmes plus difficiles comme la prévision des nouveaux modèles et la planification des collections.

La responsabilité doit revenir au merchandising, et pas à l'informatique seule. Les équipes qui en tirent le plus de bénéfices traitent le modèle comme un collègue dont le travail est examiné chaque semaine, avec des règles claires sur le moment où il faut accepter, ajuster ou rejeter ses recommandations.

Questions fréquentes

Qu'est-ce que le merchandising par IA dans la mode ?

C'est l'utilisation de modèles de prévision et d'optimisation pour soutenir les décisions d'assortiment, de quantités d'achat, de courbes de tailles, d'allocation et de prix. Les modèles travaillent au niveau du modèle, du coloris, de la taille et du point de vente, et produisent des recommandations que les merchandisers examinent et ajustent.

L'IA va-t-elle remplacer les acheteurs et les merchandisers de mode ?

Les déploiements actuels les assistent plutôt qu'ils ne les remplacent. L'IA automatise les calculs et l'analyse, tandis que les décisions sur la direction de la marque, les paris de tendance et les relations fournisseurs restent aux mains des humains, qui doivent aussi examiner et corriger les résultats des modèles.

De quelles données ai-je besoin avant d'utiliser l'IA pour le merchandising ?

Au minimum, des données de référence produit propres, un historique des ventes par taille et par point de vente, un historique des stocks et de la disponibilité, ainsi qu'un historique des prix et des démarques. Sans historique des stocks, un modèle ne peut pas distinguer une faible demande d'une taille épuisée.

Par quel cas d'usage de l'IA en merchandising une marque doit-elle commencer ?

Généralement par une décision récurrente reposant sur de bonnes données, comme le réapprovisionnement des articles reconduits, les courbes de tailles ou les démarques. Ces cas permettent de mesurer facilement les résultats par rapport à une base de référence avant de s'attaquer à la prévision des nouveaux produits.

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