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

L'optimisation des courbes de tailles consiste à décider comment répartir une quantité d'achat entre les tailles, à partir d'une estimation de la demande réelle pour chaque taille plutôt que d'un ratio fixe reconduit chaque saison. L'IA y contribue en apprenant la demande par taille à partir de l'historique des ventes et des stocks, en corrigeant l'effet des tailles épuisées et en produisant des courbes différentes selon les produits, les coupes et les points de vente.

Qu'est-ce qu'une courbe de tailles dans les achats de mode ?

Une courbe de tailles, parfois appelée profil de tailles ou ratio de tailles, est la part de chaque taille dans un achat ou une allocation. Une maille femme peut par exemple être achetée à 10 % en XS, 25 % en S, 30 % en M, 25 % en L et 10 % en XL (une répartition donnée à titre d'illustration, et non une référence). De nombreuses entreprises utilisent une seule courbe par catégorie, ajustée de temps à autre. Le problème est que la demande par taille varie selon la coupe, l'élasticité du tissu, le positionnement prix, la région et le magasin, et qu'une courbe unique garantit que certains points de vente manqueront de tailles centrales tandis que d'autres conserveront des tailles extrêmes jusqu'aux soldes.

Pourquoi les ventes sont-elles un mauvais indicateur de la demande par taille ?

Les ventes n'enregistrent la demande que lorsque le stock est disponible. Si la taille M est épuisée dès la troisième semaine, le système n'affiche plus aucune vente de M pour le reste de la saison, et la courbe de l'année suivante attribue moins de M. Cette boucle de rétroaction, souvent appelée demande censurée, éloigne insidieusement les courbes des tailles qui se vendent le mieux.

La recherche quantifie une partie de cet effet. Akchen et Caro, dans un article à paraître dans Manufacturing & Service Operations Management, ont étudié les bottes femme d'un distributeur de chaussures et constaté que près de 25 % de la demande non satisfaite du fait de ruptures se reportait sur les tailles voisines, environ pour moitié sur la taille supérieure et pour moitié sur la taille inférieure. Les ventes enregistrées pour les tailles voisines incluent donc des clients qui voulaient une autre taille. Les auteurs ont constaté que, dans les contextes à fort volume comme l'e-commerce, planifier les tailles sans modéliser la substitution est proche de l'optimum, tandis que dans les contextes de faible demande comme le commerce physique saisonnier, un modèle tenant compte de la substitution pourrait améliorer les bénéfices jusqu'à 28 %.

Lire aussi

Utiliser l'IA dans la planification de l'assortiment sans perdre la marque

Comment l'IA estime-t-elle la bonne courbe de tailles ?

1. Recueillir les ventes et les stocks par taille et par jour pour chaque point de vente, afin que le modèle sache quand chaque taille était réellement disponible.
2. Estimer la demande uniquement sur les périodes de disponibilité, puis en déduire ce qu'aurait été la demande pendant les périodes où une taille était épuisée.
3. Mutualiser les données d'articles et de magasins similaires, car un seul magasin et un seul modèle vendent rarement assez d'unités pour estimer une courbe fiable à eux seuls.
4. Distinguer selon les attributs pertinents, comme la coupe (slim, regular, oversize), la catégorie, la tranche de prix et la région.
5. Convertir les courbes en décisions d'achat et de conditionnement, en respectant les ratios de colisage des fournisseurs et les quantités minimales.

L'étape de mutualisation mérite attention. Une étude précoce publiée sur arXiv, portant sur un discounter de mode comptant de nombreuses petites succursales, soutenait qu'estimer la demande par taille directement à partir des ventes de chaque succursale pose problème sur le plan statistique, car les volumes sont trop faibles. Les auteurs proposaient un indicateur des tailles systématiquement les plus rares et les plus abondantes par succursale, l'utilisaient pour adapter la répartition des tailles dans les lots pré-assortis, et faisaient état d'un rendement brut supérieur de près d'un point de pourcentage dans les succursales test par rapport aux succursales témoins.

De quelles données les courbes de tailles par IA ont-elles besoin ?

La donnée essentielle est constituée des ventes et des stocks par taille pour chaque point de vente et chaque canal. GS1 prévoit que chaque variante de produit, c'est-à-dire chaque taille, chaque coloris et chaque combinaison, doit avoir son propre GTIN ; l'identification au niveau de la taille est donc la norme partout où des codes-barres sont scannés. Les marques wholesale dépendent pour cela de leurs partenaires : les rapports de ventes des détaillants échangés dans des formats standard, comme le message EDIFACT SLSRPT décrit par GS1 Austria pour le secteur de la mode, transmettent les quantités vendues par GTIN, point de vente et période.

• Historique des ventes et des stocks par taille, idéalement quotidien, par point de vente.
• Un codage des tailles cohérent d'une saison et d'un fournisseur à l'autre (un M dans une base de coupe doit signifier la même chose dans la suivante).
• Les attributs produit qui influencent les tailles : coupe, élasticité, catégorie, client cible.
• Les données de retours pour les canaux en ligne, car les retours par taille révèlent des problèmes d'ajustement plutôt que de demande.

Quelles sont les limites de l'optimisation des courbes de tailles par l'IA ?

Les courbes de tailles ne peuvent que redistribuer un achat fixe ; elles ne peuvent pas corriger une quantité totale erronée. Elles sont aussi contraintes par les ratios de colisage des fournisseurs, qui peuvent imposer un mix standard par carton. Les très petits magasins et les tailles de niche restent difficiles à prévoir, et les hypothèses de mutualisation peuvent masquer de véritables différences locales. Enfin, les gammes de tailles étendues sont souvent sous-représentées dans l'historique parce qu'elles ont été sous-stockées ; les modèles entraînés sur cet historique peuvent donc perpétuer l'écart si les acheteurs ne testent pas délibérément des gammes de tailles plus profondes.

Lire aussi

Le vocabulaire de l'IA que tout acheteur de mode devrait connaître

Comment une équipe achats doit-elle commencer ?

Choisissez une catégorie aux coupes stables et aux données de bonne qualité, calculez des courbes corrigées des ruptures en parallèle des ratios actuels, et appliquez-les à un groupe test de magasins ou à une partie de l'achat. Mesurez la disponibilité des tailles centrales pendant la saison et la part des tailles extrêmes restantes à la fin. Comme le changement se limite à la manière de répartir une quantité, les courbes de tailles constituent l'un des points d'entrée les moins risqués pour l'IA dans les achats.

Convenez des critères de réussite avant le début du test. Une courbe qui améliore la disponibilité des tailles moyennes mais laisse davantage de stock en XL en fin de saison peut tout de même être le bon arbitrage, mais seulement si les achats, l'allocation et la finance se sont mis d'accord à l'avance sur la manière de pondérer les ventes perdues par rapport au coût des démarques.