Comment prévoir la demande d'un produit de mode sans historique de ventes ?

Un produit de mode sans historique de ventes se prévoit en empruntant l'historique de produits similaires. Les modèles d'IA décrivent chaque nouvel article par ses attributs, ses images, son prix et sa distribution prévue, recherchent des produits passés qui lui ressemblent et apprennent comment ces caractéristiques se sont traduites en ventes. La prévision est ensuite affinée rapidement dès que les premiers jours de données de vente réelles arrivent.

Pourquoi la prévision des nouveaux produits de mode est-elle si difficile ?

Les méthodes de prévision classiques prolongent dans l'avenir le passé du produit lui-même. Cela fonctionne pour un t-shirt blanc permanent, mais une grande partie d'une collection de mode est nouvelle à chaque saison : nouvelles silhouettes, nouveaux imprimés et coloris sans aucun historique de ventes. Les chercheurs qui ont construit un benchmark public pour ce problème décrivent la prévision des nouveaux produits comme une tâche ardue que les méthodes classiques ne peuvent pas résoudre, précisément parce qu'il n'existe aucune vente passée à modéliser.

Le calendrier de la mode accentue la difficulté. Les décisions d'achat de nombreux produits sont prises des mois avant le lancement, la demande dépend de tendances qui évoluent entre-temps, et les ventes sont souvent plafonnées par le stock acheté. Une prévision erronée, dans un sens comme dans l'autre, se traduit par des démarques ou des ventes manquées.

Comment l'IA prévoit-elle un produit qui n'a jamais été vendu ?

La plupart des approches remplacent la série temporelle manquante par une description du produit, puis apprennent à partir d'analogues. En pratique, cette description repose sur plusieurs couches de données.

• Attributs structurés : catégorie, tissu, coupe, longueur, famille de couleurs, tranche de prix et saison.
• Images : la vision par ordinateur transforme les photos produit ou les croquis en caractéristiques numériques qui capturent la forme et le style.
• Plan commercial : prix prévu, nombre de points de vente ou de canaux, date de lancement et soutien marketing.
• Signaux externes : intérêt de recherche ou données sociales indiquant si un style progresse ou s'essouffle.
• Premières ventes : les premiers jours ou semaines de demande réelle, une fois le produit en vente.

Fisher et Vaidyanathan, dans Management Science en 2014, ont clairement illustré la logique des attributs. Leur modèle traite chaque produit comme un ensemble de niveaux d'attributs, estime la demande pour chaque niveau ainsi que la probabilité que les clients se reportent sur un autre article lorsque leur premier choix manque, et s'en sert pour prévoir des produits que le détaillant ne propose pas encore. Les catégories étudiées ne relevaient pas de la mode (gâteaux de grignotage, pneus et produits d'entretien automobile), mais la méthode se transpose directement aux attributs de l'habillement.

Lire aussi

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

Quelle est la précision des prévisions de l'IA pour les nouveaux produits ?

Les résultats publiés permettent de garder les pieds sur terre. Dans l'étude de Fisher et Vaidyanathan, les prévisions de parts de ventes des nouveaux produits présentaient des erreurs absolues moyennes en pourcentage de 16,2 %, 19,1 % et 28,7 % dans les trois catégories, que les auteurs ont comparées favorablement à un benchmark antérieur de 30,7 %. Des erreurs de cet ordre constituent un progrès, pas une certitude.

Dans la mode en particulier, Skenderi et ses collègues ont publié VISUELLE, un jeu de données de 5 577 nouveaux produits vendus par une entreprise italienne de fast fashion entre 2016 et 2019, avec images, métadonnées, ventes et séries Google Trends associées. Leur modèle multimodal a surpassé les références testées, et l'ajout de Google Trends a amélioré l'erreur absolue pondérée en pourcentage de 1,5 %. Un gain significatif mais modeste, qui rappelle que les données externes affinent une prévision plutôt qu'elles ne la transforment.

De quelles données une marque a-t-elle besoin avant de commencer ?

La qualité d'une prévision de nouveau produit dépend moins de l'algorithme que des archives sur lesquelles elle s'appuie. Les attributs doivent être étiquetés de manière cohérente sur plusieurs saisons, faute de quoi le modèle ne peut pas reconnaître que deux produits sont similaires. L'historique des ventes doit être corrigé des ruptures de stock, car un produit épuisé tôt paraît moins populaire qu'il ne l'était. Des chercheurs travaillant avec le détaillant en ligne Rue La La ont traité précisément ce point, en utilisant l'apprentissage automatique pour estimer les ventes perdues sur les articles épuisés avant de prévoir la demande de produits que le détaillant n'avait jamais vendus, selon Working Knowledge de la Harvard Business School.

Les images doivent être comparables (même angle, même fond, même cadrage) si elles servent de caractéristiques. Et le plan commercial, y compris le prix et l'étendue de la distribution, doit être enregistré, car un produit présenté dans cinquante points de vente n'est pas comparable à un produit présenté dans cinq.

Où le jugement humain reste-t-il important ?

Les modèles apprennent du passé : ils sont donc les plus faibles là où la mode est la plus intéressante, qu'il s'agisse de catégories réellement nouvelles, d'une collaboration ou d'une tendance sans précédent dans les archives. Les merchandisers et les acheteurs apportent un contexte que les données ne contiennent pas, comme un effort marketing, un moment médiatique lié à une célébrité ou une contrainte fournisseur. Le schéma raisonnable consiste en un modèle qui propose et un planificateur qui ajuste, les ajustements étant consignés afin que leur précision puisse elle aussi être mesurée.

Comment les premières ventes modifient-elles la prévision ?

La donnée la plus précieuse pour un nouveau produit est sa propre première semaine de vente. Les travaux de Zara avec des universitaires, publiés dans Operations Research en 2015, ont abouti à un système qui met à jour les prévisions à partir des premières ventes et décide de la quantité de stock à envoyer initialement à chaque magasin et de celle à conserver en entrepôt. Lors d'une expérience de terrain contrôlée portant sur 34 articles pendant la saison 2012, le système a augmenté les ventes moyennes de la saison d'environ 2 % et réduit d'environ 4 % les unités invendues à la fin de la saison régulière.

Ces résultats illustrent la forme réaliste des bénéfices de l'IA dans la planification des nouveaux produits : des gains de quelques points de pourcentage qui se cumulent sur une large collection, obtenus en associant une prévision à une décision opérationnelle encore modifiable.

Lire aussi

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

Comment une marque doit-elle se lancer ?

1. Auditer deux à trois saisons de données produit pour vérifier la cohérence des attributs, des images et des prix enregistrés.
2. Corriger l'historique des ventes des ruptures de stock et du nombre de points de vente dans lesquels chaque produit était proposé.
3. Commencer par une catégorie où la part de nouveautés est élevée et les archives volumineuses, et comparer le modèle avec la méthode actuelle du planificateur.
4. Mesurer la précision au niveau où les décisions sont prises (modèle, coloris, taille ou magasin), et pas seulement de façon agrégée.
5. Relier la prévision à une décision modulable, comme l'allocation initiale ou un réassort réservé, afin que de meilleures prévisions changent réellement les résultats.