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

Demandez à un modèle entraîné sur trois ans de ventes de construire l'offre de la saison prochaine, et il recommandera probablement davantage de maille noire, de chino slim et de sweat-shirt logo. Il aura statistiquement raison et stratégiquement tort. La planification de l'assortiment est le domaine où les forces de l'IA et l'identité de la marque se heurtent le plus directement, et trouver le bon équilibre est désormais une compétence centrale du merchandising.

Que peut bien faire l'IA dans la planification de l'assortiment ?

C'est sur la couche quantitative de l'assortiment que le machine learning trouve sa place. Il traite de façon cohérente de grands nombres de modèles, de magasins et de tailles, et repère des schémas faciles à manquer dans des tableurs.

• Clustering des magasins et des comptes : regrouper les points de vente ou les comptes wholesale selon leur comportement réel d'achat et de vente plutôt que selon la seule région ou taille.
• Recommandations de profondeur : suggérer des quantités par option et par cluster sur la base du sell-through de produits comparables.
• Répartitions de tailles : estimer les répartitions par catégorie et par cluster, ce qui réduit les tailles extrêmes restant en stock.
• Rationalisation de l'offre : identifier les options qui sous-performent régulièrement ou font doublon avec des alternatives plus fortes.
• Analyse des manques : montrer les niveaux de prix ou catégories où la demande semble insatisfaite dans certains clusters.

Pourquoi une offre pilotée par les données peut-elle diluer une marque ?

Un modèle optimise l'objectif qu'on lui donne, généralement les ventes ou le sell-through, à partir de l'historique sur lequel il a été entraîné. Cela crée un biais intrinsèque en faveur de la répétition. Les produits jamais proposés ne peuvent pas apparaître dans les données, et les pièces qui construisent l'image de la marque mais se vendent modestement ressemblent à de mauvais élèves.

Au fil de plusieurs saisons, une offre planifiée uniquement sur ces signaux tend à converger vers des produits sûrs et moyens. Les comptes wholesale le remarquent : si la collection ressemble à tout ce qui se trouve déjà en magasin, la marque perd sa raison d'être référencée. Les consommateurs le remarquent aussi, souvent avant les données.

Lire aussi

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

Comment répartir les rôles entre l'IA et l'équipe ?

Le principe est simple : la marque fixe l'architecture créative, l'IA éclaire les quantités, et les planificateurs assument le résultat. L'emplacement de la frontière variera selon les marques, mais il doit être écrit plutôt que laissé à l'appréciation de celui qui utilise l'outil.

Comment protéger la marque en pratique ?

1. Sanctuariser une partie de l'offre. Définissez une part des options comme stratégiques ou expérimentales et évaluez-les selon d'autres critères, comme les retombées presse, le sell-through à plein prix dans les points de vente clés ou l'acquisition de nouveaux clients.
2. Utiliser des attributs qui décrivent la marque. Étiquetez les produits par style, coupe, signature créative et niveau de nouveauté, pour que le modèle puisse distinguer une pièce signature d'un article banal aux ventes similaires.
3. Donner à la nouveauté sa propre logique de prévision. Traitez les nouveaux modèles comme des tests avec une faible profondeur initiale et un fort potentiel de réassort rapide, plutôt que de les faire passer par des modèles conçus pour les reconductions.
4. Examiner les recommandations en réunion de merchandising. Présentez les suggestions de l'IA avec la justification créative, et consignez les arbitrages contraires et leurs résultats.
5. Mesurer les bons résultats. Suivez le sell-through à plein prix, l'exposition aux démarques et le caractère distinctif de l'offre en plus du volume.

Qu'est-ce qui change pour les assortiments wholesale ?

En wholesale, l'assortiment est négocié deux fois : une fois en interne lors de la construction de la collection, et une seconde fois avec chaque compte pendant la période de vente. L'IA peut aider à la seconde étape en proposant des sélections spécifiques à chaque compte, fondées sur ce que des détaillants similaires ont acheté et écoulé. Bien utilisée, elle donne aux acheteurs un meilleur point de départ et aide les équipes commerciales à éviter que les comptes ne retiennent que les pièces les plus sûres.

Elle crée aussi une responsabilité. Si chaque compte reçoit une proposition construite sur la même logique de best-sellers, la présence de la marque sur le marché devient uniforme et diluée. La direction commerciale doit décider quelles pièces clés doivent être représentées à quel niveau de compte, et la logique de recommandation doit respecter ces règles.

Lire aussi

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

Que doivent en retenir les responsables achats et merchandising ?

L'IA rend la planification de l'assortiment plus précise, mais la précision n'est pas une direction. Les outils excellent à répondre à « combien et où », tandis que la marque doit continuer à répondre à « quoi et pourquoi ». Les équipes qui explicitent ce partage, protègent un espace pour la nouveauté et mesurent le succès au-delà du volume gagneront en efficacité sans devenir oubliables.

Le test de fin de saison est simple : l'offre s'est-elle mieux vendue, et ressemble-t-elle toujours sans équivoque à la marque ? Si la réponse à la seconde question est incertaine, l'équilibre a trop basculé.