Prévisions de trésorerie par l'IA pour les marques à forte part de wholesale

L'IA peut améliorer les prévisions de trésorerie des marques à forte part de wholesale, principalement en apprenant dans quel délai chaque client paie et en reliant le carnet de commandes, la production et les dates d'expédition aux encaissements attendus. Elle ne supprime pas l'incertitude liée aux mauvais payeurs, aux annulations ou aux faillites. Les meilleurs résultats viennent de la combinaison de meilleures données et de fourchettes de scénarios, plutôt que d'un chiffre unique.

Cette analyse explique pourquoi la trésorerie wholesale est difficile à prévoir, quelles méthodes de prévision existent, où l'apprentissage automatique apporte un plus, quelles données sont nécessaires et quels risques subsistent. Elle s'appuie sur des sources de référence et évite les repères chiffrés sans source.

Pourquoi la trésorerie est-elle plus difficile à prévoir pour les marques à forte part de wholesale ?

Une marque wholesale paie les matières et la production des mois avant d'expédier, puis attend le paiement après la livraison. Le cycle de conversion de trésorerie rend compte de cette situation. Selon la définition de référence, il mesure le nombre de jours pendant lesquels la trésorerie d'une entreprise est immobilisée entre le paiement des fournisseurs et l'encaissement auprès des clients, selon la formule jours de stock plus jours de crédit clients moins jours de crédit fournisseurs. Un cycle plus long signifie davantage de trésorerie immobilisée dans l'exploitation : la croissance met donc la liquidité sous tension, ce qui explique qu'un carnet de commandes wholesale en progression puisse créer un trou de trésorerie.

Ce cycle se compose d'éléments qui, dans la mode, portent chacun leur part d'incertitude. Les jours de stock dépendent du calendrier de production et de la quantité de stock restant. Les jours de crédit clients dépendent des conditions de paiement et du comportement réel des clients. Les jours de crédit fournisseurs dépendent des conditions des fournisseurs, qui peuvent être imposées par des exigences de paiement anticipé pour la production.

Quelles méthodes de prévision utilise-t-on, et sur quel horizon ?

Une présentation de référence de la prévision de trésorerie distingue les méthodes directes et indirectes. La méthode directe planifie les encaissements réels, principalement les recouvrements de créances, et les décaissements tels que les salaires et les dettes fournisseurs. Elle est la plus précise sur des horizons courts, d'environ 30 jours, et les erreurs se cumulent si on l'allonge. Les méthodes indirectes partent des comptes de résultat et des bilans prévisionnels, par exemple en ajustant le résultat des variations des créances, des dettes et des stocks, et conviennent aux horizons moyens et longs. Les prévisions à court terme, de 30 à 90 jours environ, recourent couramment à la méthode directe, et la même source note que les tableurs sont répandus dans les petites entreprises.

Pour une activité wholesale saisonnière, la réponse pratique est une approche en couches : une prévision directe hebdomadaire sur les 13 semaines à venir environ, construite à partir des factures et des échéances, et une prévision indirecte mensuelle pour la saison, construite à partir du carnet de commandes et du plan de production. L'horizon de 13 semaines relève d'une pratique courante en finance, et non des sources citées ci-dessus.

Lire aussi

Saisonnalité et trésorerie dans les entreprises de mode

Où l'IA est-elle utile ?

• Délai de paiement par client : un modèle peut apprendre, à partir des factures passées, combien de jours après l'échéance chaque client, ou chaque segment, paie réellement, et décaler les encaissements attendus en conséquence.
• Transformation du carnet de commandes : un modèle peut estimer la part des commandes ouvertes susceptibles d'être expédiées en totalité, à partir de l'historique des annulations et des retards.
• Fourchettes de scénarios : au lieu d'un chiffre unique, un modèle peut produire une fourchette de positions de trésorerie, par exemple un scénario central et un scénario de retards de paiement.
• Alertes d'anomalies : un client dont les délais de paiement s'allongent peut être signalé tôt, ce qui alimente utilement les décisions de crédit.

Une réserve importante s'impose. La présentation de référence note que les encaissements correspondent rarement aux prévisions de ventes, que les clients paient souvent en retard, et que les outils d'IA s'appuient sur des régularités historiques et des règles prédéfinies : ils peinent donc à saisir des comportements humains tels que le moment du paiement et sont moins flexibles que les tableurs. Cette affirmation est une appréciation générale, non un résultat mesuré, mais elle correspond à la difficulté pratique : un modèle apprend du comportement passé d'un client, et un client en difficulté ne se comporte pas comme par le passé.

Comment le risque de crédit et l'assurance influent-ils sur la prévision ?

L'assurance-crédit protège les créances clients d'une entreprise contre les pertes liées au défaut prolongé, à l'insolvabilité ou à la faillite des acheteurs. Les fournisseurs peuvent offrir à leurs acheteurs un paiement après livraison tout en transférant à l'assureur une grande partie du risque d'impayé. Les assurés doivent fixer un plafond de crédit pour chaque acheteur, les ventes à cet acheteur ne sont assurées que dans la limite de ce plafond, et les polices versent généralement un pourcentage convenu d'une facture impayée, et non son montant intégral. La même source note que des assureurs ont retiré ou refusé leur couverture lors de récessions, notamment en 2008 et en 2020.

Pour une prévision, cela compte à deux titres. D'abord, un plafond assuré limite le montant qu'une marque peut livrer à crédit à un acheteur : le carnet de commandes risque donc de ne pas se transformer entièrement si la couverture est réduite. Ensuite, l'assurance influe sur la perte en cas de défaut, qui doit figurer dans un scénario défavorable. La source ne mentionne pas le wholesale en tant que tel : le lien avec le wholesale de la mode est donc notre déduction, fondée sur le fait que les ventes entre entreprises se font généralement à crédit.

Qu'apporte le contexte macroéconomique ?

Le rapport State of Fashion de Business of Fashion et McKinsey désigne les droits de douane comme le principal obstacle cité par les dirigeants, indique que la hausse des droits américains renchérit les coûts tout au long de la chaîne de valeur et rapporte que 46 % des dirigeants s'attendent à une dégradation des conditions en 2026. Dans ce contexte, les coûts comme les délais de paiement sont plus volatils, ce qui plaide pour des fourchettes de scénarios plutôt que pour des prévisions de trésorerie ponctuelles, et pour des échanges plus précoces entre finance, ventes et opérations.

De quelles données et de quel processus une marque a-t-elle besoin ?

1. Un historique propre des factures et des paiements par client, avec les échéances, les dates de paiement, les avoirs et les litiges.
2. Un carnet de commandes relié aux fenêtres de livraison, pour que les commandes ouvertes portent des dates d'expédition et de facturation attendues.
3. Les engagements de production et d'achat, avec les conditions et les dates de paiement côté fournisseurs.
4. Un processus de prévision partagé, dans lequel les ventes confirment le risque sur les commandes, les opérations confirment les dates d'expédition et la finance pilote la vue de trésorerie.
5. Une boucle de revue qui compare chaque semaine la prévision à la trésorerie réelle et consigne les raisons des écarts.

Lire aussi

IA et fenêtres de livraison : adapter les livraisons à la surface de vente et à la trésorerie des détaillants

Quels sont les risques et les limites ?

• Silos de données : les données de commandes, de factures et de paiements résident souvent dans des systèmes différents, et leur mise en relation constitue l'essentiel du travail.
• Concentration : quelques grands clients peuvent dominer la trésorerie, et un seul retard de paiement change la donne.
• Dérive des modèles : le comportement de paiement évolue en période de ralentissement, les modèles doivent donc être surveillés et réentraînés.
• Fausse précision : une prévision ponctuelle à l'euro près suggère une certitude qui n'existe pas.
• Gouvernance : les scores de paiement par client peuvent influencer les décisions de crédit ; ils doivent être explicables et revus par des personnes.

La conclusion nuancée est que l'IA améliore la couche de calendrier d'une prévision de trésorerie, mais que les facteurs sous-jacents restent le carnet de commandes, les engagements de production et la solvabilité des clients. Les marques qui relient ces jeux de données et présentent des fourchettes sont mieux préparées que celles qui automatisent un chiffre unique.