La prévision de la demande par l'IA dans la mode : comment elle fonctionne et où elle échoue
Le machine learning peut améliorer les prévisions pour les lignes reconduites et le réapprovisionnement, mais les nouveaux modèles, les saisons courtes et les retournements de tendance restent difficiles. Ce que les dirigeants doivent en attendre, et ce qu'ils ne doivent pas en attendre.
L'ESSENTIEL Résumé de la rédaction
- Les modèles de prévision par IA apprennent à partir des ventes historiques et de signaux externes, et ne valent que par l'historique sur lequel ils sont entraînés.
- Les prévisions pour les articles reconduits et never-out-of-stock sont généralement bien plus fiables que celles des nouveaux modèles saisonniers.
- Les ventes enregistrées sous-estiment la demande réelle lorsque les articles sont en rupture : il faut donc corriger les ruptures avant d'entraîner tout modèle.
- Une prévision est une fourchette, pas un chiffre, et les décisions de planification doivent être construites autour de cette incertitude.
- Les données de précommande des comptes wholesale comptent parmi les signaux de demande précoces les plus solides dont dispose une marque de mode.
Chaque marque de mode s'engage en production avant de savoir ce qui se vendra. Le tissu est réservé des mois à l'avance, les capacités d'usine sont bloquées, et les quantités sont fixées à partir d'un mélange d'historique, de précommandes et d'intuition. La prévision de la demande par l'IA promet de rendre ce pari plus éclairé. Elle le peut, dans des limites qu'il vaut la peine de comprendre avant d'investir.
Comment fonctionne la prévision de la demande par l'IA ?
Fondamentalement, un modèle de prévision apprend les relations entre la demande passée et les facteurs qui l'ont influencée, puis applique ces relations à l'avenir. Les méthodes statistiques traditionnelles regardent principalement l'historique propre d'un produit et sa saisonnalité. Les modèles de machine learning peuvent combiner beaucoup plus de données d'entrée à la fois et mutualiser l'apprentissage entre produits similaires, ce qui est utile lorsque les modèles individuels ont une vie courte.
Les données d'entrée typiques comprennent :
- Les ventes historiques par modèle, coloris, taille, canal et point de vente
- Les attributs produit comme la catégorie, le niveau de prix, le tissu, la coupe et la famille de couleurs
- Les effets calendaires : début de saison, jours fériés, promotions et périodes de soldes
- Les précommandes wholesale et les premiers réassorts des partenaires détaillants
- La disponibilité du stock, afin de pouvoir corriger les périodes de rupture
- Des signaux externes lorsque c'est pertinent, comme la météo ou le trafic web
Le résultat doit être une distribution, par exemple une quantité la plus probable assortie d'une fourchette basse et haute, plutôt qu'un chiffre unique. Les planificateurs qui ne voient que le chiffre central ont tendance à le considérer comme certain.
Où fonctionne-t-elle bien ?
| Type de produit | Difficulté typique | Pourquoi |
|---|---|---|
| Basiques never-out-of-stock | Plus faible | Historique long et stable au niveau modèle, coloris et taille |
| Modèles reconduits dans de nouveaux coloris | Modérée | L'historique du modèle existe, la demande par coloris doit être déduite |
| Nouveaux modèles dans des catégories établies | Élevée | Repose sur la similarité avec des produits passés |
| Pièces tendance ou avant-gardistes | Très élevée | Peu d'historique comparable, la demande peut basculer rapidement |
| Répartition des tailles au sein d'un modèle | Modérée | Stable au niveau de la catégorie, bruitée pour les articles individuels |
Le terrain de prédilection pratique est le réapprovisionnement et l'allocation par taille pour les produits disposant d'un historique. Là, les modèles traitent de nombreux articles à la fois et réagissent aux ventes récentes plus vite qu'une planification manuelle. La prédiction des répartitions de tailles au niveau de la catégorie et du magasin est un autre domaine où la mutualisation des données donne des résultats utiles.
Où la prévision par l'IA échoue-t-elle ?
Les échecs sont prévisibles, ce qui les rend gérables s'ils sont reconnus.
- Demande censurée. Lorsqu'un produit est en rupture, les ventes enregistrées montrent ce qui était disponible, pas ce que voulaient les clients. Un modèle entraîné sur les ventes brutes apprend à sous-estimer les best-sellers.
- Démarrage à froid. Les nouveaux modèles n'ont pas d'historique. Le modèle s'appuie sur des produits similaires, et la définition de « similaire » dépend de la qualité avec laquelle les attributs sont renseignés.
- Ruptures structurelles. Un nouveau partenaire de distribution, un changement de prix ou une évolution du comportement des consommateurs rendent le passé moins représentatif de l'avenir.
- Promotions et démarques. Si les périodes de remise ne sont pas signalées dans les données, le modèle confond la demande induite par le prix avec la demande sous-jacente.
- Petits nombres. Au niveau magasin, modèle et taille, les quantités sont souvent si faibles que la variation aléatoire domine tout schéma.
Pourquoi les données wholesale sont-elles un signal de prévision solide ?
Les marques wholesale ont un avantage dont les purs détaillants sont privés : les acheteurs s'engagent sur des quantités avant le début de la saison. Les précommandes sont une expression précoce et réelle de la demande, émanant de professionnels qui connaissent leurs clients. Combiner les données de précommande avec la conversion historique de la précommande vers la demande finale (réassorts, annulations, sell-through chez les partenaires) donne aux prévisionnistes un signal des mois avant le début des ventes aux consommateurs.
La réserve est que les précommandes reflètent les attentes des acheteurs, qui peuvent collectivement se tromper. Le comportement de réassort dans les premières semaines de la saison est souvent la confirmation la plus fiable, c'est pourquoi un accès rapide aux données de réassort et de sell-out compte autant que le modèle lui-même.
Comment les dirigeants doivent-ils évaluer un outil de prévision ?
- Demander un back-test sur vos propres données : l'outil prévoit une saison passée sans en voir les résultats, et vous comparez avec le réel.
- Mesurer la précision séparément pour les modèles reconduits et les nouveaux modèles, car un chiffre agrégé masque les points faibles du modèle.
- Vérifier que les prévisions sont accompagnées de fourchettes et que les planificateurs peuvent voir les principaux facteurs derrière un chiffre.
- Comparer avec votre méthode actuelle, pas avec la perfection. La question est de savoir si l'outil fait mieux que le processus de planification actuel.
- Convenir de la manière dont les planificateurs peuvent ajuster les prévisions, et suivre si ces ajustements améliorent ou dégradent les résultats.
La précision doit aussi être pondérée par l'impact commercial. Une erreur de prévision sur un article essentiel à fort volume coûte plus cher que la même erreur sur un modèle de niche : l'évaluation doit donc refléter la valeur exposée, et pas seulement l'erreur moyenne sur l'ensemble des articles.
Quel rôle reste-t-il aux planificateurs ?
L'IA fait évoluer le métier de planificateur de la production de chiffres vers la gestion des exceptions. Le modèle prend en charge l'essentiel des articles stables ; les planificateurs se concentrent sur les nouveaux lancements, les paris stratégiques, les contraintes d'approvisionnement et l'information qualitative qui n'apparaît jamais dans les données, comme un changement de stratégie d'un grand compte ou la politique de prix agressive d'un concurrent.
Les marques qui tirent le meilleur de la prévision par l'IA sont claires sur cette répartition du travail. Elles laissent le modèle faire ce qu'il fait bien, maintiennent la responsabilité humaine sur l'engagement final et revoient la précision des prévisions à chaque saison comme un sujet de management permanent.
Questions fréquentes
L'IA peut-elle prévoir la demande de modèles entièrement nouveaux ?
Seulement de manière approximative. Les modèles estiment la demande des nouveaux modèles en les comparant à des produits passés similaires sur la base de leurs attributs, ce qui exige des données produit bien structurées. L'incertitude reste élevée : les planificateurs doivent considérer ces prévisions comme un point de départ et utiliser les premiers signaux de précommande et de réassort pour ajuster.
Qu'est-ce que la demande censurée et pourquoi est-ce important ?
La demande censurée apparaît lorsqu'un produit est en rupture : les ventes enregistrées sont alors inférieures à ce que les clients auraient acheté. Si elle n'est pas corrigée, les modèles sous-estiment systématiquement les articles les plus populaires et les ruptures se répètent saison après saison.
Comment savoir si une prévision par l'IA est meilleure que notre processus actuel ?
Réalisez un back-test sur une ou plusieurs saisons passées et comparez les prévisions du modèle avec les chiffres initiaux de vos planificateurs et les résultats réels. Évaluez séparément les modèles reconduits et les nouveaux modèles, et pondérez les erreurs par leur valeur commerciale.
Une édition chaque jour ouvrable. Lue en cinq minutes. Gratuite pour les professionnels.
SOURCES
- Hyndman & Athanasopoulos, Forecasting: Principles and Practice (3rd ed.): Distributional forecasts and prediction intervals
- MIT DSpace: Analytics for an Online Retailer: Demand Forecasting and Price Optimization (Ferreira, Lee, Simchi-Levi)
- London Business School: Inventory management of a fast-fashion retail network (Caro, Gallien)
