Comment l'optimisation des stocks par l'IA réduit-elle les invendus et les ruptures dans la mode ?

L'optimisation des stocks par l'IA réduit les invendus et les ruptures en prévoyant la demande à un niveau fin (modèle, coloris, taille, point de vente, semaine), puis en utilisant des règles d'optimisation pour décider combien acheter, où conserver le stock et quand le déplacer ou modifier son prix. L'objectif n'est pas zéro stock résiduel, ce qui signifierait de nombreuses ventes perdues, mais l'équilibre le plus rentable entre le coût de l'excédent et celui de la pénurie.

Pourquoi les stocks sont-ils si difficiles à gérer dans la mode ?

La mode cumule plusieurs difficultés. Une grande partie de chaque collection est nouvelle ; il n'existe donc aucun historique de ventes pour l'article exact. Les saisons de vente sont courtes, et les délais de production sont souvent plus longs que la fenêtre de vente, si bien que la plupart des quantités sont engagées avant la première vente. La demande est répartie entre de nombreuses tailles et de nombreux coloris, ainsi qu'entre magasins, web et partenaires wholesale, ce qui multiplie le nombre de petites prévisions bruitées.

Les deux types d'échec ont des coûts différents. L'excédent de stock est visible : il finit en démarques, dans des canaux de déstockage ou en dépréciations. Les pénuries sont largement invisibles, car un client qui ne trouve pas sa taille repart simplement, et aucun système n'enregistre la vente perdue. Un bon modèle de stock doit estimer les deux.

Comment fonctionne l'optimisation des stocks par l'IA ?

La plupart des systèmes suivent la même chaîne d'étapes, quelle que soit l'approche du fournisseur ou l'approche interne :

1. Nettoyer l'historique : aligner les codes produit, retirer les événements ponctuels et signaler les périodes de rupture des articles.
2. Prévoir la demande : estimer la demande non contrainte par produit, taille et point de vente, y compris les effets des prix et des promotions.
3. Modéliser l'incertitude : produire une fourchette de résultats probables plutôt qu'un chiffre unique, car les décisions d'achat dépendent du risque.
4. Optimiser les décisions : choisir les quantités qui maximisent la marge attendue compte tenu des coûts de l'excédent et de la pénurie, des budgets et des contraintes.
5. Replanifier en cours de saison : mettre à jour les prévisions avec les ventes réelles et ajuster le réapprovisionnement, les transferts et les prix.

L'étape la plus souvent négligée est celle de l'incertitude. La quantité d'achat d'un T-shirt basique qui se vend chaque semaine doit être traitée très différemment de celle d'une pièce de tendance ayant la même prévision moyenne mais une dispersion beaucoup plus large.

Lire aussi

Qu'est-ce que l'optimisation des courbes de tailles et comment l'IA aide-t-elle à acheter les bonnes tailles ?

Quelles preuves existe-t-il de son efficacité ?

Les preuves publiques et évaluées de manière indépendante sont limitées, car la plupart des résultats sont communiqués par les fournisseurs. Deux cas bien documentés se distinguent. Zara a travaillé avec des chercheurs universitaires sur un modèle qui détermine les expéditions de stock depuis ses entrepôts centraux vers ses magasins. Selon l'article publié dans Interfaces en 2010, le système, qui relie explicitement niveaux de stock et demande pour choisir les quantités de réapprovisionnement, a augmenté les ventes de 3 à 4 %, avec un chiffre d'affaires supplémentaire estimé à environ 233 millions de dollars américains pour 2007 et 353 millions pour 2008.

Zalando a publié la manière dont il prévoit la demande pour ses décisions de prix : un modèle fondé sur l'architecture transformer qui prévoit la demande hebdomadaire à 26 semaines, utilisé sous différentes versions depuis 2019. Les auteurs décrivent le prix comme un levier majeur pour réduire le risque de surstock en fin de saison, ce qui montre à quel point les décisions de stock et de démarque sont liées dans la pratique.

D'autres marques ont décrit leurs objectifs de manière plus générale. H&M déclarait à Retail Dive en 2020 que son équipe IA, créée en 2018, travaillait à quantifier la quantité à acheter pour chaque article, avec pour objectif d'amener le bon produit au bon endroit au bon moment. Levi Strauss indiquait en 2021 que la prévision de la demande pilotée par l'IA avait amélioré la précision et devait permettre des investissements en stock plus précis et moins de démarques.

Pourquoi les ruptures faussent-elles les données ?

Les ventes ne sont pas la demande. Lorsqu'une taille est épuisée, les ventes enregistrées s'arrêtent alors que les clients continuent de la demander. Un modèle entraîné sur les ventes brutes sous-estimera donc précisément les tailles et les magasins les plus performants. Une étude d'Akchen et Caro, à paraître dans Manufacturing & Service Operations Management, portant sur un distributeur de chaussures, a montré que près de 25 % de la demande non satisfaite du fait de ruptures se reportait sur la taille immédiatement supérieure ou inférieure ; le reste ne se transformait pas en achat d'une taille voisine. Corriger ces effets, en signalant les périodes de rupture et en estimant la demande manquante, est l'une des contributions les plus précieuses d'un modèle de stock.

De quelles données et de quelle organisation a-t-elle besoin ?

La liste des données est prévisible : des données de référence produit propres, un historique des ventes et des stocks par taille et par point de vente, un historique des prix et des démarques, et les contraintes d'approvisionnement comme les délais et les quantités minimales de commande. Les marques wholesale ont aussi besoin des données de sell-out de leurs partenaires détaillants ; sinon, elles ne voient que ce qui a été livré, et non ce qui a été vendu.

L'organisation compte tout autant. Les achats, l'allocation et la tarification sont souvent gérés par des équipes différentes, aux objectifs différents. Un modèle d'optimisation qui suggère un achat initial plus faible et davantage de réapprovisionnement en cours de saison ne crée de la valeur que si les contrats fournisseurs et les processus d'entrepôt permettent cette flexibilité.

Lire aussi

La prévision de la demande par l'IA dans la mode : comment elle fonctionne et où elle échoue

Quelles sont les limites ?

• L'erreur de prévision pour les articles réellement nouveaux reste élevée ; l'IA la réduit mais ne la supprime pas.
• L'optimisation repose sur des hypothèses de coûts (coût d'une démarque, coût d'une vente perdue) que l'entreprise doit estimer et valider.
• Les petits magasins et les articles à rotation lente produisent des données très clairsemées ; les prévisions par magasin doivent donc mutualiser les données de magasins similaires.
• Les chiffres d'amélioration communiqués par les fournisseurs sont rarement vérifiés de manière indépendante et dépendent fortement du point de départ.

Abordée comme un processus de décision rigoureux plutôt que comme l'achat d'un outil, l'optimisation des stocks par l'IA est l'une des applications les plus concrètes de l'IA dans la mode, précisément parce que ses résultats apparaissent dans les chiffres de stock et de marge que la finance suit déjà.