Comment l'IA peut-elle aider à fixer la profondeur d'achat et les quantités de production dans la mode ?

L'ESSENTIEL Résumé de la rédaction

1. L'IA aide à fixer la profondeur d'achat dans la mode en transformant une prévision de la demande en fourchette de probabilités et en choisissant la quantité qui équilibre au mieux le coût des invendus et celui des ventes perdues.
2. La bonne quantité est rarement la prévision moyenne : lorsque les marges sont élevées par rapport au coût des invendus, il est rentable d'acheter au-dessus de la médiane, et lorsque les invendus coûtent cher, en dessous.
3. Fractionner l'achat entre un engagement initial et un réassort ultérieur ou une réserve conservée permet aux premières données de ventes de corriger la prévision avant que tout le stock ne soit engagé.
4. Dans l'expérience de terrain publiée par Zara, un système qui mettait à jour les prévisions et allouait le stock conservé a augmenté les ventes de la saison d'environ 2 % et réduit d'environ 4 % les invendus de fin de saison.
5. Le règlement européen sur l'écoconception (UE) 2024/1781 interdit aux grandes entreprises de détruire les vêtements, accessoires vestimentaires et chaussures invendus, ce qui renchérit le coût des achats excessifs.

L'IA aide à fixer la profondeur d'achat en convertissant une prévision de la demande en une fourchette de résultats probables et en choisissant la quantité qui équilibre au mieux le coût du stock résiduel et celui des ventes perdues. Elle le fait par modèle, coloris et taille, en tenant compte des délais, des quantités minimales de commande et des possibilités de réassort. Les meilleurs résultats sont obtenus lorsque l'IA dimensionne non pas un seul achat mais une séquence : un engagement initial suivi de compléments flexibles à mesure que la demande réelle apparaît.

Pourquoi la profondeur d'achat est-elle si difficile à fixer dans la mode ?

Les quantités de production des produits saisonniers sont souvent engagées des mois avant la première vente, au moment où l'incertitude est la plus forte. Trop de stock entraîne des démarques, des coûts de stockage et, de plus en plus, une pression réglementaire et réputationnelle sur les invendus. Trop peu de stock signifie des ruptures sur des produits que les clients voulaient, ce qui masque en outre la demande réelle dans les données de la saison suivante. Les quantités minimales de commande, les engagements sur les tissus et les délais longs limitent la possibilité de corriger ces décisions par la suite.

Comment l'IA décide-t-elle de la quantité à produire ?

La logique de base est un arbitrage classique de gestion des stocks. Pour chaque produit, le planificateur se demande : si j'achète une unité de plus, le profit attendu de sa vente est-il supérieur à la perte attendue si elle ne se vend pas à plein prix ? L'IA améliore chacune des données de ce calcul.

• Distribution de la demande : au lieu d'un chiffre unique, le modèle prévoit une fourchette, par exemple la quantité qu'il s'attend à vendre avec une probabilité de 50 %, 70 % ou 90 %.
• Économie : marge à plein prix, valeur récupérée en démarque, coût de conservation ou d'élimination des invendus, et coût d'une rupture, y compris la perte de confiance des clients.
• Contraintes : quantités minimales de commande, disponibilité des tissus, capacité des usines et délais.
• Options : possibilité ou non d'un réassort, d'une réserve conservée ou d'une production ultérieure.

Le choix de la prévision compte. Forecasting: Principles and Practice note que minimiser l'erreur absolue moyenne produit des prévisions de la médiane, tandis que minimiser l'erreur quadratique produit des prévisions de la moyenne. Pour la profondeur d'achat, aucune des deux n'est automatiquement la bonne : la quantité cible dépend de l'économie du produit, si bien que des articles permanents à forte marge peuvent justifier un achat au-dessus de la médiane, tandis que des articles tendance à faible marge et à faible valeur de liquidation peuvent justifier un achat en dessous.

Lire aussi

Comment l'IA est-elle utilisée dans la supply chain de la mode ?

Pourquoi fractionner l'achat en plusieurs étapes ?

La plus grande amélioration vient souvent du fait de ne pas tout engager d'un coup. Les premières ventes sont les données les plus riches qu'un nouveau produit génère : garder ouverte une partie de la quantité, sous forme de stock entrepôt non alloué, de position de tissu réservée ou de créneau de production ultérieur, permet de corriger la prévision avant que l'investissement complet ne soit réalisé.

Les travaux de Zara avec des universitaires, publiés dans Operations Research en 2015, illustrent ce principe au stade de l'allocation. Le système d'aide à la décision arbitrait entre des envois initiaux plus importants vers les magasins, qui réduisent les ventes perdues en début de saison, et la conservation de stock en entrepôt pour réapprovisionner une fois les premières ventes observées. Lors d'une expérience de terrain contrôlée portant sur 34 articles pendant la saison 2012, il a augmenté les ventes moyennes totales de la saison d'environ 2 % et réduit d'environ 4 % les invendus à la fin de la saison régulière.

Quelles données améliorent les décisions de profondeur d'achat ?

1. Plusieurs saisons d'historique de ventes, corrigé des ruptures de stock, afin que la demande ne soit pas sous-estimée là où des produits ont été épuisés.
2. Des attributs produit cohérents pour rapprocher les nouveaux articles d'articles passés comparables.
3. Des courbes de tailles par canal, région ou cluster de magasins.
4. Des signaux de demande précoces avant la production, comme les précommandes wholesale, les retours du showroom ou l'intérêt en ligne avant le lancement.
5. Des données fournisseurs : quantités minimales, délais, capacité et coût de la réservation de tissus ou de créneaux de production.

La correction des ruptures de stock est indispensable. Les chercheurs travaillant avec le détaillant en ligne Rue La La ont d'abord utilisé l'apprentissage automatique pour estimer les ventes perdues sur les articles épuisés avant de prévoir la demande des nouveaux produits, comme le rapporte Working Knowledge de la Harvard Business School. Sans cette étape, un modèle apprend que les produits à succès étaient moins populaires qu'ils ne l'étaient, et recommande de les acheter de nouveau en quantité insuffisante.

Pour les marques qui vendent via le wholesale, les précommandes des partenaires de distribution sont un signal précoce précieux, car elles arrivent avant que la production ne soit finalisée. Leur utilité dépend de la mesure dans laquelle le sell-in a historiquement prédit le sell-out pour des produits comparables, ce qu'il vaut la peine de mesurer avant de s'y fier.

Comment la réglementation modifie-t-elle le coût des achats excessifs ?

Dans l'UE, le règlement (UE) 2024/1781 sur l'écoconception des produits durables crée un cadre visant à empêcher la destruction des produits de consommation invendus. Ses considérants expliquent que la destruction des vêtements, accessoires vestimentaires et chaussures de consommation invendus est interdite, que les micro et petites entreprises en sont exemptées, et que l'interdiction s'applique aux moyennes entreprises six ans après l'entrée en vigueur du règlement. Les entreprises autres que les micro et petites entreprises doivent également publier chaque année le nombre et le poids des produits de consommation invendus dont elles se défont. Un achat excessif ne se termine donc plus par une élimination : le stock résiduel doit être vendu, donné, réutilisé ou conservé, ce qui augmente son coût dans le calcul de l'achat.

Lire aussi

L'IA pour les responsables sourcing et supply chain de la mode

Quelles sont les limites de l'IA pour les quantités de production ?

• L'incertitude des prévisions pour les nouveaux produits reste élevée : l'IA réduit le risque plutôt qu'elle ne le supprime.
• Les contraintes fournisseurs dominent souvent : une quantité minimale de commande peut prendre le pas sur une quantité optimale.
• Les modèles dépendent de données de coûts exactes, notamment du coût réel des invendus et des ruptures, que de nombreuses entreprises ne suivent pas.
• Les recommandations doivent être examinées par les acheteurs pour les produits stratégiques, les lancements et les collaborations, pour lesquels l'historique est un guide peu fiable.

Bien utilisée, l'IA fait passer la discussion sur l'achat d'un chiffre unique à un ensemble de scénarios aux risques explicites, ce qui rend visibles les arbitrages entre marge, disponibilité et gaspillage avant que l'argent ne soit engagé.

Questions fréquentes

Comment les marques de mode décident-elles de la quantité à produire ?

Les marques combinent une prévision de la demande avec l'économie du produit, les contraintes fournisseurs et les délais. Les outils d'IA prévoient une fourchette de demande probable et recommandent la quantité qui équilibre au mieux le coût des invendus et celui des ventes perdues, en fractionnant souvent l'achat entre une commande initiale et des réassorts ultérieurs.

Qu'est-ce que la profondeur d'achat dans la mode ?

La profondeur d'achat est la quantité achetée par modèle ou par modèle-coloris, par opposition à la largeur d'achat, qui correspond au nombre de modèles différents. Les achats profonds conviennent aux valeurs sûres présentant un faible risque d'invendus ; les achats peu profonds conviennent aux articles incertains ou tendance, idéalement avec une option de réassort.

L'IA peut-elle réduire la surproduction dans la mode ?

L'IA peut réduire la surproduction en améliorant les prévisions de la demande, en quantifiant l'incertitude et en soutenant des achats échelonnés fondés sur les premières ventes. Les résultats publiés montrent des gains progressifs, comme environ 4 % d'invendus en moins dans l'expérience de terrain menée par Zara en 2012, plutôt qu'une élimination complète des excédents.

Est-il illégal de détruire des vêtements invendus dans l'UE ?

Le règlement (UE) 2024/1781 interdit la destruction des vêtements, accessoires vestimentaires et chaussures de consommation invendus ; les micro et petites entreprises en sont exemptées et les moyennes entreprises sont concernées six ans après l'entrée en vigueur. Les entreprises autres que les micro et petites entreprises doivent aussi publier chaque année le nombre de produits invendus dont elles se défont.

GuideLe guide complet de l’IA dans la supply chain et la durabilité de la modeLire le guide complet