Comment la météo et les signaux externes améliorent-ils la prévision de la demande dans la mode ?

Les signaux externes améliorent la planification de la demande dans la mode en expliquant pourquoi les ventes s'écartent du plan, et en ajustant les décisions à court terme comme l'allocation, le réapprovisionnement et le calendrier des démarques. La météo est le plus important de ces signaux pour les catégories saisonnières, car des températures hors saison décalent le moment où les clients achètent. Les gains de précision mesurés sont généralement modestes, et leur valeur dépend de la possibilité de déplacer encore le stock lorsque le signal arrive.

Comment la météo influe-t-elle sur les ventes de mode ?

La mode se vend par saisons, mais la météo ne suit pas le calendrier du commerce. Un automne doux retarde les achats de manteaux et de maille ; un printemps froid et pluvieux freine les sandales et les robes. Modern Retail rapportait en mars 2024 que les détaillants invoquent de plus en plus la météo dans leurs résultats. Parmi ses exemples figurent H&M, qui a imputé en septembre 2023 le retard des ventes à une météo automnale anormalement chaude aux États-Unis et en Europe et prévu une baisse de 10 % de ses ventes de septembre ; Dr Martens, qui a mis en avant des températures élevées aux États-Unis pour expliquer la faiblesse des ventes de bottes ; et JD Sports, qui a en partie attribué un avertissement sur résultats de janvier 2024 à des conditions clémentes.

La directrice générale de H&M à l'époque, Helena Helmersson, a déclaré que c'était sur les types de produits d'automne plus épais que le retard des ventes était le plus net. Just Style a rapporté que Next avait fait état d'une croissance des ventes irrégulière au troisième trimestre 2023, qu'il attribuait aux variations de la météo.

La météo est-elle un véritable facteur ou une excuse commode ?

Les deux. Le même article de Modern Retail note qu'Inditex a annoncé une hausse de 14 % de ses ventes sur la période pendant laquelle H&M invoquait la météo, et cite un analyste de GlobalData qui qualifie la météo d'excuse très facile à avancer et estime que les explications météorologiques doivent être précises. Pour les planificateurs, l'enjeu est pratique : la météo explique une partie de la variance des ventes, et quantifier cette part permet de distinguer les véritables effets météorologiques des problèmes d'assortiment ou de prix.

Les travaux universitaires plaident pour une approche mesurée. Bertrand et Brusset, dans un article de 2014 sur les effets de la météo sur les ventes d'habillement en France, ont utilisé des données de ventes mensuelles de l'Institut Français de la Mode et un indice national de température pondéré par la population. Ils ont modélisé les anomalies de ventes en fonction des anomalies de température, mesurées comme des écarts par rapport à une normale sur 30 ans, afin d'estimer la sensibilité à la météo de chaque catégorie de produits, canal et genre, ainsi que les périodes de l'année les plus exposées.

Lire aussi

Comment l'optimisation des stocks par l'IA réduit-elle les invendus et les ruptures dans la mode ?

Quels signaux externes sont utilisés dans la planification de la demande de mode ?

Dans quelle mesure les signaux externes améliorent-ils la précision des prévisions ?

Moins que ne le laisse parfois entendre le marketing des fournisseurs, mais assez pour compter à grande échelle. Dans des travaux sur de nouveaux produits de fast fashion menés sur le jeu de données VISUELLE de 5 577 articles, Skenderi et ses collègues ont constaté que l'ajout de séries Google Trends à un modèle fondé sur les images et les métadonnées produit améliorait l'erreur absolue pondérée en pourcentage de 1,5 %. La météo apporte généralement le plus aux horizons courts et dans les catégories sensibles à la météo, et très peu pour les produits dont la demande est tirée par les tendances ou le marketing.

Un autre bénéfice est indirect. Retirer les effets de la météo de l'historique des ventes donne une image plus nette de la demande sous-jacente, de sorte que la prévision de la saison suivante n'est pas faussée par la canicule ou l'été pluvieux de l'année précédente.

Les effets de la météo varient aussi selon la géographie. Un réseau de magasins répartis sur plusieurs zones climatiques peut connaître un automne doux dans une région et une vague de froid précoce dans une autre : c'est pourquoi les moyennes nationales masquent une grande partie du signal. Les planificateurs qui associent la météo à l'emplacement des magasins et qui regroupent les magasins en clusters climatiques sont mieux placés pour voir quelles régions sont en avance ou en retard sur le plan saisonnier et déplacer le stock en conséquence.

À quel moment du cycle de planification les données météo sont-elles les plus utiles ?

• Allocation et réapprovisionnement : déplacer le stock saisonnier entre régions selon la prévision météo à court terme.
• Calendrier des démarques : reporter une remise prévue sur les vêtements d'extérieur si une vague de froid est annoncée, ou l'avancer lors d'une saison douce.
• Merchandising en magasin et en ligne : mettre en avant des produits adaptés à la météo en vitrine, sur la page d'accueil et dans les campagnes.
• Nettoyage de l'historique : corriger les ventes passées des anomalies météorologiques avant d'entraîner les modèles de prévision.
• Planification des achats : usage direct limité, puisque les prévisions météo fiables ne portent pas à plusieurs mois ; la flexibilité de l'achat compte davantage.

Quelles données et compétences sont nécessaires ?

1. Un historique météo par magasin ou par code postal, rapproché des ventes quotidiennes ou hebdomadaires.
2. Une définition de la météo normale par emplacement, comme une moyenne de long terme, afin de calculer les anomalies.
3. Un étiquetage produit qui identifie les catégories sensibles à la météo.
4. Un modèle de prévision capable d'intégrer des variables externes et de présenter leur effet mesuré.
5. Des processus opérationnels capables d'agir dans l'horizon de la prévision, comme une réallocation hebdomadaire.

Lire aussi

Qu'est-ce que l'optimisation des courbes de tailles et comment l'IA aide-t-elle à acheter les bonnes tailles ?

Quels sont les risques et les limites ?

Les données météo peuvent créer une fausse assurance. Des signaux corrélés au cours d'une saison peuvent ne pas se vérifier la suivante, et des modèles complexes comportant de nombreuses variables externes peuvent surajuster l'historique. Chaque signal doit donc être testé sur des saisons mises de côté et conservé uniquement s'il améliore la précision au niveau de décision pertinent. Le changement climatique ajoute une couche supplémentaire : à mesure que les saisons se décalent, les normales historiques deviennent un guide moins fiable, ce qui plaide pour un réexamen du calendrier de lancement des collections saisonnières et pour des achats flexibles plutôt que pour un recours aux seules prévisions.

Il y a aussi une question de coût. Les données météo et de tendances détaillées, ainsi que le travail de modélisation nécessaire pour les exploiter, ne sont pas gratuits. Une marque doit estimer la part d'erreur de prévision que le signal élimine dans ses catégories sensibles à la météo, ce que vaut cette erreur en démarques et en ventes perdues, et comparer cette valeur au coût des données et de l'analyse. Pour certaines collections, la réponse sera clairement positive ; pour d'autres, des règles saisonnières plus simples pourront suffire.