L'IA peut-elle prévoir tout le carnet de précommandes à partir des 20 premiers pour cent des commandes ?

Oui, dans certaines limites. Les premières commandes passées lors d'une campagne wholesale en révèlent généralement bien plus sur le carnet de précommandes final qu'un plan de pré-saison, et les modèles d'IA peuvent transformer ce signal précoce en une prévision du carnet complet au niveau du modèle, assortie d'un intervalle de confiance. La méthode existe depuis des décennies ; l'apport de l'IA est de pouvoir l'appliquer simultanément à des milliers de SKU, de types de comptes et de marchés, et d'actualiser la prévision chaque jour de la campagne.

Pourquoi les premières commandes sont-elles un signal de prévision aussi fort ?

Un plan de pré-saison est un ensemble d'hypothèses formulées par la marque. Les premières commandes sont des engagements pris par des acheteurs qui connaissent leurs propres magasins et leurs clients. Même lorsqu'une faible part du carnet final a été passée, ces commandes montrent quels modèles, coloris et niveaux de prix les acheteurs soutiennent, et lesquels ils délaissent.

L'idée a été formalisée par la recherche opérationnelle appliquée à la mode bien avant que le machine learning ne se généralise. Dans Making Supply Meet Demand in an Uncertain World (Harvard Business Review, 1994), Marshall Fisher, Jan Hammond, Walter Obermeyer et Ananth Raman ont décrit comment un fabricant de vêtements de ski utilisait les premières informations sur la demande pour décider quoi produire en premier et quoi garder en réserve. Dans un article paru en 1996 dans Operations Research, Fisher et Raman ont modélisé cette approche d'« accurate response » avec la même entreprise et fait état de gains de bénéfices d'environ 60 % par rapport à sa manière existante, informelle, de réagir aux premières ventes.

Comment l'IA prévoit-elle le carnet de précommandes complet à partir des premières commandes ?

La tâche centrale consiste à apprendre la relation entre ce qui avait été commandé à un moment donné lors des campagnes passées et ce à quoi le carnet final a finalement ressemblé. Un modèle de machine learning le fait à un niveau plus fin qu'un planificateur avec un tableur, et il peut combiner plusieurs signaux :

• Courbes de commandes : la vitesse à laquelle chaque catégorie, tranche de prix ou modèle permanent se remplit habituellement au cours d'une campagne.
• Mix de comptes : quels détaillants ont déjà commandé, puisque grands comptes, indépendants et marketplaces commandent à des moments différents et dans des profondeurs différentes.
• Similarité d'attributs : pour les nouveaux modèles sans historique, le modèle s'appuie sur des modèles similaires par tissu, silhouette, famille de coloris et prix.
• Contexte de campagne : calendriers de rendez-vous, dates des salons et calendrier marché par marché, afin qu'une semaine calme ne soit pas prise pour une demande faible.
• Schémas d'annulation : la part d'une commande enregistrée qui, historiquement, va jusqu'à l'expédition.

Le résultat doit être une prévision du carnet final par modèle et coloris, avec une fourchette, ainsi qu'une alerte pour les modèles dont le signal précoce s'écarte fortement du plan. McKinsey a indiqué que les prévisions pilotées par l'IA peuvent réduire les erreurs de 20 à 50 % dans les chaînes d'approvisionnement, et estime que la plupart des organisations disposent de suffisamment de données pour en tirer profit si elles traitent les lacunes avec soin. Ces chiffres sont généraux, pas spécifiques aux précommandes de mode, et doivent être considérés comme une indication du potentiel plutôt que comme une promesse.

Lire aussi

ROI du showroom digital : comment construire le business case entre coûts et sell-in

De quelles données un modèle de prévision des précommandes a-t-il besoin ?

La plupart des marques constatent que l'historique existe, mais qu'il n'est pas stocké sous une forme exploitable. Les plateformes de commande ne conservent souvent que le dernier état d'une commande, si bien que la construction du carnet pendant la campagne est perdue. Y remédier en conservant des instantanés quotidiens du carnet de commandes est généralement la première étape, et la moins coûteuse.

À partir de quel moment de la campagne peut-on se fier à la prévision ?

Il n'existe pas de seuil universel. Le moment où une prévision se stabilise dépend de la concentration de la clientèle et de la prévisibilité du calendrier de chaque compte. Une marque dont le carnet est dominé par quelques grands comptes qui commandent tard verra peu de signal tant que ces comptes ne se sont pas engagés. Une marque comptant de nombreux détaillants indépendants qui commandent régulièrement peut obtenir un signal exploitable bien plus tôt.

L'approche pratique consiste à effectuer un back-test : rejouer les campagnes passées, faire tourner le modèle comme si l'on était en semaine deux, en semaine trois et ainsi de suite, et mesurer l'écart entre chaque prévision et le carnet final. L'équipe obtient ainsi, pour sa propre activité, une réponse fondée sur des faits à la question « quelle confiance accorder à ce chiffre aujourd'hui ? ».

Quelles décisions la prévision doit-elle piloter ?

1. Engagements tissus et fournitures : confirmer les matières des modèles aux signaux précoces forts et temporiser sur ceux qui sont à la traîne.
2. Répartition de la production : engager une première tranche sur la base de la prévision précoce et garder une part de capacité flexible pour une décision ultérieure, comme dans l'approche d'accurate response.
3. Priorités commerciales : orienter les commerciaux vers les comptes qui n'ont pas encore commandé les modèles forts, ou vers les modèles faibles qui nécessitent un coup de pouce ou une décision de retrait.
4. Ajustements de la collection : repérer suffisamment tôt les modèles susceptibles de ne pas atteindre les minimums de commande pour les annuler ou les regrouper.

Quelles sont les limites et les risques ?

Les premières commandes peuvent être trompeuses. Un seul grand compte qui commande massivement peut faire paraître un modèle plus fort qu'il ne l'est sur l'ensemble du marché. Les acheteurs peuvent commander tôt pour certaines catégories et tard pour d'autres, et des chocs macroéconomiques ou des changements de droits de douane peuvent décaler le calendrier de toute une saison. Les modèles entraînés sur des années stables ont tendance à sous-réagir à ces ruptures.

Il existe aussi un risque organisationnel. Si la prévision est présentée sous forme de chiffre unique, les merchandisers et les équipes commerciales risquent soit de l'ignorer, soit de la suivre aveuglément. Afficher une fourchette, expliquer les principaux facteurs par modèle et conserver une étape de décision humaine pour les engagements importants sont des garde-fous simples.

Lire aussi

Comment les marques peuvent-elles utiliser les données pour réduire les annulations et réductions de précommandes ?

L'investissement en vaut-il la peine ?

Le retour provient de premiers engagements plus justes : moins de tissu acheté pour des modèles qui ne se remplissent jamais, moins de ruptures sur ceux qui se vendent, et moins d'annulations tardives de production. Pour la plupart des marques, le coût principal n'est pas le modèle mais le travail sur les données qui le sous-tend. Une démarche raisonnable consiste à commencer par une catégorie, à faire un back-test sur deux ou trois saisons passées, puis seulement à étendre la prévision à toute la collection.