Comment l'IA peut-elle soutenir la planification des collections dans la mode ?

L'IA peut soutenir la planification des collections en estimant la demande de chaque modèle proposé, y compris les nouveautés sans historique de ventes, et en permettant aux planificateurs de comparer rapidement différentes structures de collection au regard des objectifs financiers. Elle fonctionne au mieux comme partenaire analytique lors de la revue de collection : elle signale les doublons, les manques et les options trop profondes, tandis que les designers et les merchandisers décident de la direction créative.

Qu'est-ce que la planification des collections dans la mode ?

La planification des collections (souvent appelée line planning chez les marques et planification de l'assortiment chez les distributeurs) est le moment où un plan financier devient une collection. Les planificateurs décident du nombre d'options pour chaque catégorie, de leur répartition entre les niveaux de prix, de la part de nouveautés par rapport aux articles reconduits, des coloris proposés et de la profondeur d'achat de chaque option. Le résultat est un plan de collection ou une line sheet qui guide le design, le sourcing et les achats.

La difficulté tient au fait que la plupart de ces choix sont faits des mois avant la saison, pour des produits qui n'existent souvent pas encore. La planification traditionnelle s'appuie sur les résultats de la saison précédente, les revues de catégories et l'expérience, généralement dans de grands tableurs difficiles à mettre à jour lorsque le plan change.

Comme les décisions de collection fixent le cadre de toutes les étapes suivantes, les erreurs à ce stade coûtent cher : une option qui n'aurait jamais dû figurer dans la collection consomme du temps de design, des coûts de prototypage, des quantités minimales de commande et de l'espace en magasin, et finit généralement en démarques.

Où l'IA peut-elle aider dans la planification des collections ?

Lire aussi

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

Comment l'IA prévoit-elle les nouveaux modèles sans historique ?

L'approche courante consiste à décrire chaque nouveau modèle par ses attributs (catégorie, silhouette, couleur, tissu, prix) et, de plus en plus, par son image, puis à trouver des produits passés aux caractéristiques similaires et à apprendre comment ils se sont vendus. Des signaux externes peuvent s'y ajouter. Une étude publiée dans le Journal of Forecasting a utilisé le jeu de données VISUELLE, qui comprend 5 577 nouveaux produits vendus entre 2016 et 2019 par l'entreprise italienne de fast fashion Nunalie, avec leurs images, leurs métadonnées et leurs ventes. Les auteurs ont combiné les images et les attributs des produits avec des données Google Trends et constaté que le signal de tendance externe améliorait la précision des prévisions par rapport à son absence.

Les gains observés dans ces travaux sont réels mais modestes, et l'erreur de prévision pour les nouveaux articles reste bien plus élevée que pour les basiques reconduits. C'est pourquoi les outils d'IA de planification des collections sont surtout utiles pour classer les options et dimensionner la profondeur (quelles options méritent un achat plus profond, lesquelles doivent être testées en faible quantité) plutôt que pour produire un chiffre unique et fiable par modèle.

Quelles entreprises investissent dans la planification des collections par IA ?

Les exemples publiés concernent généralement de grands distributeurs qui remplacent des outils de planification anciens. 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 intégrée dotée d'IA, afin de remplacer des systèmes fragmentés et obsolètes. Mango avait déjà décrit un programme d'IA plus large : Glossy rapportait en 2024 que l'entreprise exploitait 15 plateformes d'IA, dont des outils de tarification et une plateforme d'IA générative pour les équipes design et produit.

En janvier 2024, Marks & Spencer a annoncé un programme de trois ans pour son activité habillement et maison, commençant par la planification de la marchandise, des ventes, des stocks et des entrées, ainsi que la planification des collections, suivies de la prévision et du réapprovisionnement. L'entreprise indiquait qu'une plateforme de bout en bout lui permettrait de mieux utiliser les données et l'IA pour éclairer ses décisions.

De quelles données a-t-on besoin ?

• Des attributs produit structurés pour les modèles passés et prévus, renseignés de manière cohérente (un attribut flou comme « casual » est bien moins utile que la silhouette, le tissu et la coupe).
• Des images produit reliées aux données de référence articles, si la similarité fondée sur l'image est utilisée.
• Un historique des ventes, des stocks et des démarques par option, afin que le modèle apprenne la performance à plein prix et pas seulement les unités.
• Le plan financier par catégorie et par période, pour maintenir la cohérence de la collection avec les budgets.
• Des signaux externes lorsqu'ils sont disponibles, comme les tendances de recherche, utilisés avec prudence et testés pour leur réelle valeur prédictive.

Quels sont les risques de l'IA dans la planification des collections ?

1. L'uniformisation : les modèles récompensent les modèles semblables aux succès passés. Sans place délibérément réservée à la nouveauté, les collections peuvent dériver vers un juste milieu sans risque.
2. La fausse précision : une prévision à l'unité près pour un nouveau modèle suggère une certitude qui n'existe pas ; des fourchettes et des niveaux de confiance sont plus honnêtes.
3. Les biais hérités des données : les options sous-achetées ou mal présentées paraissent faibles dans l'historique et sont à nouveau supprimées.
4. L'adéquation aux processus : les revues de collection impliquent le design, le merchandising et la vente ; un outil utilisé par une seule équipe change rarement les décisions.

Lire aussi

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

Comment une équipe doit-elle introduire l'IA dans la planification des collections ?

Commencez par analyser les deux ou trois dernières saisons : quelles options étaient redondantes, quelles tranches de prix ont sous-performé, où la profondeur a été mal évaluée. Servez-vous-en pour établir la confiance dans les données. Utilisez ensuite le modèle lors de la revue de collection d'une catégorie comme second avis, en documentant les points de désaccord des planificateurs et en vérifiant en fin de saison qui était le plus proche de la réalité. Avec le temps, le modèle peut prendre en charge une plus grande part des calculs, tandis que la revue de collection se concentre sur la direction de la marque et l'appétit pour le risque.

L'objectif est un plan de collection plus rapide à construire, plus facile à modifier et explicite sur les risques, et non un plan rédigé par un algorithme.