Comment fonctionnent la prévision des réassorts par l'IA et le réapprovisionnement automatisé pour les détaillants ?
Les réassorts portent sur des modèles qui ont déjà fait leurs preuves. L'IA peut les suggérer ou les déclencher avant qu'un partenaire retail ne soit en rupture, à condition que les données de sell-out et de stock soient partagées.
L'ESSENTIEL Résumé de la rédaction
- La prévision des réassorts par l'IA estime quels modèles, couleurs et tailles un partenaire retail devra réassortir, et à quel moment, à partir du sell-out, du stock et de l'historique des commandes.
- Les réassorts concernent des produits dont la demande est avérée, ce qui les rend moins risqués que les précommandes et en fait un premier cas d'usage naturel pour la prévision dans le wholesale.
- Le réapprovisionnement automatisé va de suggestions validées par l'acheteur jusqu'à des commandes entièrement automatiques dans des niveaux de stock minimum et maximum convenus.
- L'entrée décisive, ce sont les données des détaillants : les messages GS1 EANCOM tels que SLSRPT (données de ventes) et INVRPT (stocks, y compris les points de commande) sont l'un des moyens établis pour les échanger.
- McKinsey a indiqué que la prévision pilotée par l'IA dans la supply chain peut réduire les erreurs de prévision de 20 à 50 %, mais les résultats dépendent fortement de la qualité des données et du type d'assortiment.
La prévision des réassorts par l'IA utilise l'historique des ventes, des stocks et des commandes d'un partenaire retail pour estimer quels produits il devra réassortir, dans quelles tailles et couleurs, et quand. Le réapprovisionnement automatisé va un cran plus loin et transforme ces estimations en commandes suggérées ou automatiques selon des règles convenues par les deux parties. Ensemble, ils visent à maintenir en stock les produits qui ont fait leurs preuves sans surcharger le détaillant.
Pourquoi le réassort est-il une opportunité à part dans le wholesale mode ?
Les précommandes sont passées des mois à l'avance, sur la base d'échantillons et d'anticipations. Les réassorts interviennent en saison, pour des modèles que les clients achètent déjà. La demande est démontrée plutôt que supposée, ce qui réduit le risque commercial pour la marque comme pour le détaillant. Pourtant, les réassorts sont souvent traités de manière réactive : un acheteur remarque une taille manquante, envoie un e-mail au commercial, et la marque vérifie la disponibilité. Entre-temps, les meilleures semaines de vente sont parfois passées.
Les gammes permanentes et never-out-of-stock, comme les basiques, les coupes denim ou les couleurs phares, en sont l'exemple le plus clair. Leur demande est suffisamment stable pour être modélisée, et une rupture coûte des ventes à plein prix qui reviennent rarement.
L'opportunité est partagée. Pour le détaillant, des réassorts au bon moment protègent les ventes à plein prix sur des articles que les clients demandent activement, et évitent d'immobiliser du budget dans des modèles plus lents. Pour la marque, les réassorts sur des produits éprouvés comportent moins de risque de production et de démarque que des précommandes spéculatives. Quand des réassorts sont manqués, les deux y perdent, et la perte apparaît rarement dans les rapports, car une vente qui n'a jamais eu lieu ne laisse aucune trace.
Prévision des réassorts et réapprovisionnement automatisé sont souvent employés indifféremment, mais ils désignent des niveaux d'automatisation différents. La prévision des réassorts est analytique : elle estime de quels produits un partenaire aura probablement besoin et quand, et présente ce résultat comme un signal à un commercial ou un acheteur. Le réapprovisionnement automatisé est opérationnel : il transforme l'estimation en proposition de commande ou en commande validée, selon des règles de stock minimum et maximum convenues avec le détaillant. De nombreuses marques utilisent la prévision pour les modèles saisonniers et le réapprovisionnement uniquement pour les gammes permanentes, où la demande est plus stable et l'accord avec le détaillant plus clair.
Comment fonctionne le réapprovisionnement automatisé pour les partenaires retail ?
- Le détaillant partage ses données de ventes et de stock par magasin ou canal, au niveau modèle, couleur et taille, à une fréquence convenue.
- Un modèle de prévision estime les ventes attendues sur le délai de réapprovisionnement, en tenant compte de la saisonnalité, de la tendance, des promotions et du taux d'écoulement récent.
- Le système compare les ventes attendues avec le stock actuel et le stock en cours d'acheminement, en utilisant des niveaux cibles, minimum et maximum convenus par magasin.
- Il génère une proposition de réassort, qu'un acheteur ou un commercial examine, ou qui est validée automatiquement dans des limites convenues.
- Les ventes réelles sont comparées à la prévision, et des paramètres comme le stock de sécurité sont ajustés au fil du temps.
De quelles données la prévision des réassorts a-t-elle besoin ?
| Données | Source | Pourquoi c'est important |
|---|---|---|
| Ventes par magasin, produit et taille | Caisse ou e-commerce du détaillant, p. ex. via un rapport de ventes | Signal de demande principal |
| Stock disponible et en transit | Systèmes de gestion des stocks du détaillant, p. ex. via un rapport de stocks | Détermine le besoin réel |
| Stock cible, minimum et maximum | Accord entre la marque et le détaillant | Fixe les limites des commandes automatiques |
| Historique des commandes et des livraisons | ERP ou système de commande de la marque | Montre les délais et le comportement de réassort passé |
| Disponibilité côté marque | Entrepôt et plan de production de la marque | Évite des propositions impossibles à livrer |
| Attributs produit et cycle de vie | Données de référence produit | Distingue les modèles permanents des modèles saisonniers |
Les formats standard sont utiles. La norme EANCOM de GS1 définit un rapport de ventes (SLSRPT) pour échanger des données de ventes de base par site, période, produit, prix et quantité, et un rapport de stocks (INVRPT) qui peut transmettre les niveaux de stock ainsi que les cibles, minimums, maximums et points de commande. Les détaillants sans échange de données informatisé peuvent partager des exports ou ouvrir un accès portail, mais le format doit être cohérent pour qu'un modèle puisse l'exploiter.
Quelles méthodes d'IA sont utilisées pour prévoir les réassorts ?
La plupart des systèmes combinent plusieurs techniques. Les modèles de séries temporelles capturent la saisonnalité et la tendance des articles permanents stables. Des modèles de machine learning comme les arbres de décision à gradient boosting ajoutent des facteurs explicatifs, par exemple les variations de prix, la météo, le type de magasin ou les actions marketing. Les modèles de courbes de tailles répartissent la quantité prévue d'un modèle entre les tailles pour chaque magasin, ce qui est important car les ruptures au niveau de la taille sont la raison la plus fréquente pour laquelle un modèle cesse de se vendre alors que du stock existe ailleurs.
Pour la mode saisonnière dont l'historique est court, les modèles empruntent des informations à des produits similaires, à l'aide d'attributs comme la catégorie, la matière, la gamme de prix et la famille de couleurs. Ces estimations sont moins fiables, si bien que de nombreuses marques limitent le réapprovisionnement automatique aux gammes permanentes et se contentent de suggestions pour les modèles saisonniers.
Quels résultats les marques peuvent-elles raisonnablement attendre ?
Les données publiées propres au wholesale mode sont limitées, et les chiffres des éditeurs sont rarement vérifiés de manière indépendante. Tous secteurs confondus, McKinsey a indiqué que l'application de la prévision pilotée par l'IA à la gestion de la supply chain peut réduire les erreurs de 20 à 50 %, ce qui peut se traduire par une réduction des ventes perdues et des indisponibilités produit allant jusqu'à 65 %. Ce sont des fourchettes valables pour les supply chains en général, pas une référence pour une marque donnée, et elles supposent des données exploitables.
Quels sont les risques et les limites ?
- Données incomplètes : si seuls certains magasins partagent leurs données, ou si le partage est irrégulier, les prévisions seront biaisées.
- Surstockage du partenaire : un réapprovisionnement qui optimise le sell-in de la marque aux dépens du détaillant nuit à la confiance et entraîne des retours ou des démarques.
- Conflits d'allocation : lorsque le stock est limité, les règles déterminant quel partenaire est servi doivent être transparentes et convenues.
- Volatilité saisonnière : les modèles portés par une tendance peuvent se comporter autrement que leur historique, ce que les modèles d'IA ne peuvent pas anticiper.
- Questions sur l'usage des données : les détaillants ont besoin de savoir clairement que leurs données de ventes servent au réapprovisionnement, et non à affaiblir leur position.
Comment une marque doit-elle débuter avec la prévision des réassorts par l'IA ?
Choisissez une gamme permanente et un petit groupe de partenaires qui partagent déjà leurs données de ventes et de stock. Convenez de niveaux de stock cibles par magasin, faites tourner le modèle en mode suggestion en parallèle des processus existants, et mesurez la disponibilité, le taux d'écoulement et les niveaux de stock par rapport à la saison précédente. N'étendez à d'autres partenaires et à la validation automatique que lorsque les deux parties constatent le bénéfice dans leurs propres chiffres.
Questions fréquentes
Qu'est-ce que le réapprovisionnement automatisé dans le wholesale mode ?
C'est un processus dans lequel une marque propose ou passe des réassorts pour un partenaire retail à partir de ses données de ventes et de stock, dans des limites de stock convenues. Il est surtout répandu pour les gammes permanentes et never-out-of-stock.
Quelles données les détaillants doivent-ils partager pour la prévision des réassorts par l'IA ?
Au minimum, les ventes et les stocks par magasin, modèle, couleur et taille, à une fréquence régulière. Des messages standard comme GS1 EANCOM SLSRPT et INVRPT peuvent transmettre ces données, tout comme des exports cohérents ou un accès portail.
Quelle est la précision de la prévision de la demande par l'IA pour les réassorts ?
La précision dépend de la qualité des données et du type de produit. McKinsey indique que la prévision pilotée par l'IA peut réduire les erreurs de prévision dans la supply chain de 20 à 50 %, mais la mode saisonnière à historique court reste plus difficile à prévoir que les articles permanents.
Les réassorts doivent-ils être entièrement automatiques ?
La plupart des marques commencent par des suggestions validées par les acheteurs, puis autorisent la validation automatique dans des niveaux de stock minimum et maximum convenus une fois que les prévisions ont prouvé leur fiabilité. Laisser le détaillant aux commandes au début construit la confiance dont le partage de données a besoin.
Une édition chaque jour ouvrable. Lue en cinq minutes. Gratuite pour les professionnels.
