Rééquilibrer les stocks entre magasins et e-commerce grâce à l'IA

Rééquilibrer les stocks entre magasins et e-commerce, c'est déplacer les articles vers l'endroit où ils ont le plus de chances de se vendre, ou utiliser les magasins pour exécuter les commandes web. L'IA y contribue en prévoyant la demande par point de vente, en classant les transferts possibles selon leur bénéfice net des coûts et en tenant les calculs à jour. L'opération n'est rentable que si les données de stock sont fiables et si le coût du déplacement des marchandises reste inférieur au gain de ventes ou de marge.

Ce guide pratique explique dans quels cas le rééquilibrage vaut la peine, ce qu'apporte l'IA, de quelles données elle a besoin et comment conduire un déploiement contrôlé. Il s'appuie sur des déclarations publiques d'entreprises et signale les chiffres qui relèvent d'affirmations d'éditeurs.

Quand le rééquilibrage vaut-il la peine ?

Un article d'éditeur consacré au rééquilibrage des stocks dans la mode en décrit les déclencheurs : l'évolution du comportement des consommateurs, des articles qui se retrouvent dans le mauvais canal ou le mauvais magasin, des conditions de marché qui changent, et des réseaux de distribution complexes qui rendent parfois plus judicieux de déplacer le stock d'un point de vente à l'autre que de passer par l'entrepôt. Le même article reconnaît que le rééquilibrage est traditionnellement traité comme un dernier recours, les responsables déconseillant les déplacements fréquents, sauf pour les articles uniques ou de prix élevé, et que calculer les transferts à la main est pratiquement impossible à grande échelle. Il précise aussi que les bénéfices doivent être calculés après déduction des coûts logistiques, ce qui est le bon critère.

En termes simples, un transfert vaut la peine lorsque la marge supplémentaire attendue au point de réception, diminuée du coût de manutention et d'expédition et des ventes perdues au point d'envoi, est positive et dépasse un seuil couvrant l'erreur de prévision.

Qu'apporte l'IA à la décision ?

• Demande par point de vente : des prévisions par magasin et pour le canal en ligne, intégrant l'effet des événements locaux et de la météo lorsque les données existent.
• Génération de candidats : la liste des transferts qui augmenteraient les ventes attendues, avec une vue taille par taille qu'un humain ne peut pas vérifier à grande échelle.
• Prise en compte des coûts : comparaison du gain attendu avec le coût du transfert, ce qui écarte les mouvements de faible valeur.
• Calendrier : recalcul au fil des ventes, pour qu'une recommandation émise en début de semaine ne soit pas suivie aveuglément en fin de semaine.

Les documents d'éditeurs montrent le type d'affirmations en circulation. Nextail, un éditeur, annonce des gains d'écoulement pouvant atteindre 3 %, jusqu'à 80 % de travail manuel en moins et jusqu'à 86,5 % des stocks de fin de saison écoulés grâce aux transferts entre magasins. Ce sont des affirmations d'éditeur, non vérifiées de manière indépendante, et l'article ne donne aucun chiffre sur le coût des transferts. Elles servent à cadrer un pilote, pas à fixer des objectifs.

Lire aussi

L'omnicanal dans le commerce de mode : ce qu'il exige vraiment

Que disent les distributeurs de la collaboration entre magasins et e-commerce ?

Pacsun a déclaré dans une annonce de 2022 avoir intégré la technologie d'allocation d'Antuit.ai à ses processus d'allocation et de préparation des commandes, afin d'allouer les stocks en fonction de la demande des magasins comme de celle du canal en ligne, et utiliser ses magasins comme points de préparation des commandes web. L'annonce indique que les deux entreprises ont doublé le nombre d'expéditions complètes (ship completes), réduit la distance d'expédition des commandes, amélioré les prévisions de la demande en magasin et en ligne, et équilibré les stocks entre les magasins et l'entrepôt web. Le co-directeur général de Pacsun y est cité, expliquant que l'entreprise a alloué ses stocks en fonction de la demande omnicanale et réduit au minimum les expéditions fractionnées. Le seul résultat chiffré de l'annonce est le doublement des expéditions complètes, et il s'agit d'une déclaration de l'entreprise et de l'éditeur.

Inditex fournit un exemple plus ancien de visibilité sur les stocks en magasin. Retail Dive rapportait en septembre 2018 que Zara disposait, dans 25 marchés, d'une gestion des stocks en magasin par RFID, qui donne à l'entreprise une vue en temps réel de ce que contient chaque magasin, et que ce système permet à Zara de servir les commandes en ligne depuis le stock des boutiques, avec une livraison le jour même dans les villes qui comptent à la fois des magasins et du e-commerce et une expédition le lendemain ailleurs. L'article faisait état du projet de déployer le système de suivi des stocks en magasin à toutes les enseignes d'Inditex d'ici 2020, dans les pays où elles exploitent des magasins physiques. Il décrit la situation de 2018 : les pratiques actuelles peuvent différer.

De quelles données et de quelles règles faut-il disposer d'abord ?

Un moteur de rééquilibrage ne vaut que par la qualité de son référentiel de stock. Les magasins qui réalisent des inventaires réguliers ou utilisent un marquage au niveau de l'article peuvent se fier aux chiffres, les autres non. Au-delà du stock, le moteur a besoin de règles qui reflètent le fonctionnement réel de l'entreprise.

1. Fiabilité des stocks par magasin : mesurer l'écart entre le stock système et le stock compté avant d'automatiser quoi que ce soit.
2. Coût de transfert : manutention, expédition et délai, par liaison, afin que le moteur puisse le déduire.
3. Stock protégé : quantités minimales d'exposition, nouveautés et articles de campagne qui ne doivent pas être déplacés.
4. Capacité de préparation : le nombre de commandes web qu'un magasin peut préparer par jour sans nuire à la surface de vente.
5. Règles par canal : le canal en ligne dispose-t-il d'une position de stock mutualisée ou d'une part réservée pour chaque magasin ?

Comment déployer la démarche ?

1. Commencer par un sous-ensemble de catégories et de magasins où la fiabilité des stocks est élevée.
2. Faire d'abord tourner les recommandations en mode consultatif et les comparer à ce que les planificateurs auraient décidé.
3. Mesurer trois éléments : les ventes et l'écoulement par rapport aux magasins témoins, le coût de transfert par unité déplacée et la part des recommandations acceptées.
4. Ajouter la préparation de commandes en ligne depuis les magasins dans quelques points de vente, en surveillant les expéditions fractionnées et la distance d'expédition, les indicateurs mis en avant par Pacsun.
5. Réviser les règles à chaque saison, car les coûts de transfert et les calendriers de campagne évoluent.

Lire aussi

La visibilité des stocks cross-canal : les bases pour les entreprises de mode

Quelles sont les limites et les risques ?

• Erreur de prévision : les petits écarts entre magasins relèvent du bruit statistique, et les déplacements fondés sur eux font perdre de l'argent une fois le coût de transfert déduit.
• Inexactitude des stocks : un transfert fondé sur un stock qui n'existe pas génère des annulations et des clients mécontents.
• Retours et stock en transit : s'ils ne sont pas visibles, le moteur risque de déplacer des marchandises déjà en mouvement.
• Durabilité : les expéditions supplémentaires ont un coût et une empreinte d'émissions qui doivent entrer dans le calcul.
• Marques à dominante wholesale : le stock détenu par les partenaires échappe au contrôle de la marque, le rééquilibrage ne concerne donc que le retail en propre et la vente en ligne.

La démarche raisonnable est progressive : fiabiliser les stocks, définir les règles de transfert, tester sur quelques magasins et ne généraliser que lorsque le gain net après coûts logistiques est visible dans la comparaison avec les magasins témoins.