L'IA peut-elle prédire les délais et les retards de fret des expéditions de mode ?
L'apprentissage automatique peut resserrer la fourchette des dates d'arrivée probables, mais il ne peut pas supprimer les chocs tels que les déroutements, les droits de douane ou les perturbations portuaires.
L'ESSENTIEL Résumé de la rédaction
- L'IA peut prédire des délais et des retards de fret sous forme de fourchette en apprenant des expéditions passées, mais elle est la moins performante précisément lorsque les conditions changent, par exemple lors d'un déroutement ou de nouveaux droits de douane.
- La CNUCED indique que les transits de tonnage par le canal de Suez étaient inférieurs d'environ 70 % à la moyenne de 2023 début mai 2025, et que des navires qui traversaient autrefois la mer Rouge en quelques jours naviguent désormais pendant des semaines autour du cap de Bonne-Espérance.
- L'indice Shanghai Containerized Freight Index a atteint en moyenne 2 496 points en 2024, soit 149 % de plus qu'en 2023, et la CNUCED décrit la volatilité des taux de fret comme devenant la norme.
- Le délai dans la mode comporte deux parties, la production et le transport, et un modèle pour l'une ne couvre pas l'autre ; le comportement des acheteurs, comme la validation tardive des commandes, est souvent une source de retard plus importante que la traversée.
- Les planificateurs doivent utiliser des fourchettes prédites et des marges de sécurité, suivre l'erreur de prédiction dans le temps et conserver des règles de repli pour les périodes où l'historique du modèle ne s'applique plus.
L'IA peut-elle prédire les délais et les retards de fret ?
Oui, dans certaines limites. Les modèles d'apprentissage automatique peuvent estimer la fourchette probable des délais de production et de transit à partir des expéditions passées, et signaler les expéditions qui dérivent vers le retard. Ils ne peuvent pas prédire de façon fiable des événements sans précédent dans leurs données d'entraînement : le résultat se traite donc mieux comme une fourchette de probabilité que comme une promesse.
Cette analyse distingue les parties du délai de la mode que les modèles gèrent bien de celles qu'ils gèrent mal.
De quoi se compose un délai dans la mode ?
Le délai d'un vêtement commence bien avant le départ du conteneur. Il comprend le design et l'échantillonnage, le sourcing des matières et des fournitures, les validations, la production, les contrôles qualité, le transport terrestre, le fret maritime ou aérien, le dédouanement et la livraison à l'entrepôt. Les modèles de prédiction traitent généralement une ou deux de ces étapes.
Le référentiel de Better Buying reconnaît qu'une partie du problème se situe du côté de l'acheteur. Sa catégorie de gestion du processus d'achat évalue si les fournisseurs reçoivent le délai de production et si ce délai est maintenu pendant le développement produit et le lancement. Une validation tardive par une marque réduit le temps dont dispose l'usine, quoi que dise un modèle de fret sur le tronçon maritime.
Que s'est-il passé pour le fret ces dernières années ?
La Review of Maritime Transport 2025 de la CNUCED offre un contexte utile pour comprendre pourquoi les moyennes historiques induisent en erreur. Elle indique que les transits de tonnage par le canal de Suez étaient inférieurs d'environ 70 % à la moyenne de 2023 début mai 2025, que la distance moyenne parcourue est passée de 4 831 milles en 2018 à 5 245 milles en 2024, et que les tonnes-milles transportées par mer ont progressé de 5,9 % en 2024, contre 2,2 % pour le volume.
Les coûts ont également évolué. L'indice Shanghai Containerized Freight Index a atteint en moyenne 2 496 points en 2024, soit 149 % de plus qu'en 2023. Les taux spot des conteneurs se sont rapprochés des sommets de la période pandémique à la mi-2024 et se sont détendus à la fin de l'année, mais sont restés bien au-dessus des niveaux d'avant la crise. La CNUCED affirme que la volatilité des taux de fret devient la norme et que les taux des conteneurs sont devenus plus volatils en 2025 avec les nouveaux droits de douane et les risques géopolitiques. Elle note aussi que les temps d'attente moyens dans les ports ont augmenté entre décembre 2023 et mars 2024, passant de 5,2 à 6,4 heures dans les économies développées.
Où l'IA aide-t-elle, et où ne le fait-elle pas ?
| Question | Là où les modèles aident | Là où ils peinent |
|---|---|---|
| Quand un conteneur réservé arrivera-t-il ? | Apprendre les schémas habituels de transit et de séjour par ligne et par transporteur | Déroutement soudain ou congestion portuaire absents des données |
| La production sera-t-elle terminée à temps ? | Repérer les usines et les modèles qui prennent souvent du retard | Validations tardives et retards de matières non enregistrés |
| Quelles commandes sont à risque ? | Signaler tôt la dérive par rapport au plan | Expliquer pourquoi, si les codes motifs sont médiocres |
| De quelle marge a-t-on besoin ? | Quantifier la dispersion des retards passés | Périodes de rupture structurelle, comme de nouveaux droits de douane |
| Avion ou bateau ? | Comparer les arbitrages coût et délai à partir de cas passés | Taux et capacités qui évoluent rapidement |
De quelles données un modèle de prédiction des retards a-t-il besoin ?
- Les dates prévues et réelles de chaque jalon, de la confirmation de commande à la réception à l'entrepôt, avec les motifs des écarts.
- Les détails de l'expédition, comme la ligne, le transporteur, la paire de ports, le mode et le type de conteneur.
- Les attributs des fournisseurs et des modèles qui influent sur le temps de production.
- Des signaux externes, dont les temps d'attente dans les ports, les modifications d'horaires et les indices de taux, lorsque des sources fiables sont disponibles.
- Les résultats du dédouanement, car les blocages et les demandes d'information ajoutent un temps facile à négliger.
Dans de nombreuses entreprises de mode, le facteur limitant est la saisie tardive, voire l'absence de saisie, des données de jalons. Un modèle entraîné sur des dates réelles inexactes apprendra cette inexactitude.
Comment les planificateurs doivent-ils utiliser les délais prédits ?
- Utilisez des fourchettes, comme une date probable et une date en cas de retard, plutôt que des dates uniques.
- Mesurez chaque mois l'erreur de prédiction par ligne et par fournisseur, et publiez-la en interne.
- Fixez des règles pour neutraliser le modèle, par exemple en cas de déroutement déclaré ou de nouveaux droits de douane.
- Reliez les prédictions à des actions, par exemple un déclencheur pour réexaminer le fret aérien ou informer tôt les clients wholesale.
- Réentraînez ou recalibrez le modèle lorsque le schéma d'erreur change, au lieu d'attendre une revue saisonnière.
Le dernier point est le plus important. Les modèles construits sur une période de routes stables peuvent être systématiquement optimistes après un changement structurel. Surveiller l'erreur est donc aussi important que de construire le modèle.
Autre point à considérer : la façon dont les prédictions parviennent à ceux qui agissent. Une prévision de retard qui reste enfermée dans un système logistique n'apporte guère à une équipe wholesale qui doit dire aux clients quand les commandes arriveront, ni à une équipe e-commerce qui planifie des lancements. Le résultat est le plus utile lorsqu'il alimente les engagements pris par l'entreprise, par exemple en élargissant la fenêtre de livraison affichée aux clients lorsque la fourchette prédite est large.
Les équipes doivent aussi savoir quelles décisions offrent réellement des options. Dérouter, changer de mode ou fractionner une expédition peut être possible pour certaines commandes et pas pour d'autres. La prédiction ne vaut l'investissement que lorsqu'il existe une alternative moins chère ou plus rapide et que quelqu'un a le pouvoir de la choisir. En l'absence d'alternative, le bénéfice se limite à une alerte plus précoce, qui garde néanmoins sa valeur pour la communication client et la planification de trésorerie.
Enfin, la qualité du modèle doit être comparée à des références simples. Une règle qui ajoute une marge fixe à chaque ligne peut donner des résultats presque aussi bons qu'un modèle complexe en période stable. Si un modèle d'apprentissage automatique ne bat pas nettement la règle simple sur les expéditions qui comptent, la complexité supplémentaire est difficile à justifier.
Quels sont les risques de s'appuyer sur la prédiction des retards ?
Les principaux risques sont l'excès de confiance, les lacunes de données et le coût. L'excès de confiance conduit à des marges trop minces, justifiées par un modèle entraîné dans des conditions plus calmes. Les lacunes de données apparaissent lorsque les transitaires, les transporteurs et les fournisseurs déclarent les jalons de façon incohérente. Le coût compte, car l'ingénierie des données et la surveillance dépassent souvent le prix de la licence d'un outil de prédiction.
Le rapport State of Fashion 2026 de McKinsey cite les droits de douane comme le premier obstacle mentionné par les dirigeants dans son enquête et indique que 46 % des dirigeants s'attendent à une dégradation des conditions en 2026, contre 39 % l'année précédente. Dans ce contexte, un modèle de prédiction est un élément parmi d'autres de la planification, aux côtés de marges par scénarios, du dialogue avec les fournisseurs et d'un processus convenu pour communiquer les retards aux clients.
Questions fréquentes
Quelle est la précision de l'IA pour prédire les retards de fret ?
La précision dépend de la ligne, de la qualité des données et de la stabilité. Les modèles s'en sortent raisonnablement là où les routes et les transporteurs se comportent de façon régulière, et mal après des changements soudains comme un déroutement. Les équipes doivent mesurer l'erreur par ligne et la publier, plutôt que de s'en remettre à un chiffre moyen donné par un éditeur.
Pourquoi les temps de transit du fret sont-ils devenus plus difficiles à prédire ?
La CNUCED fait état de traversées plus longues autour du cap de Bonne-Espérance, de moins de transits par Suez et de taux de fret volatils. Les données historiques antérieures à ces changements peuvent induire en erreur un modèle entraîné dessus.
De quelles données ai-je besoin pour prédire les délais dans la mode ?
Des dates de jalons prévues et réelles, de la ligne et du mode d'expédition, des attributs des fournisseurs et des modèles, ainsi que des motifs de retard. Les données de jalons saisies tardivement ou de façon inexacte sont la faiblesse la plus courante.
La production ou le transport est-il la principale cause de retard ?
Cela varie, mais des validations tardives et des commandes instables de la part de l'acheteur peuvent réduire le temps de production avant même le début du transport. Le référentiel de Better Buying traite pour cette raison le délai accordé aux fournisseurs comme une pratique d'achat distincte.
Une édition chaque jour ouvrable. Lue en cinq minutes. Gratuite pour les professionnels.
