Comment construire des propositions d'assortiment générées par IA pour les comptes retail

Une proposition d'assortiment générée par IA est une suggestion de commande d'ouverture pour un compte retail : quels modèles, coloris, tailles et quantités la marque estime adaptés à ce magasin, compte tenu de son historique et de la nouvelle collection. Pour la construire, il faut des données de ventes fiables au niveau du compte, un moyen de rapprocher les nouveaux modèles des anciens, des règles commerciales explicites et un commercial qui revoit le résultat avec l'acheteur. Bien conçue, elle raccourcit les rendez-vous et rend les assortiments plus cohérents ; mal conçue, elle ne fait que répéter la saison précédente.

Qu'est-ce qu'une proposition d'assortiment par IA dans le wholesale ?

Dans le wholesale, les acheteurs commencent généralement une saison avec une commande vierge ou une copie de celle de la saison précédente. Une proposition d'assortiment remplace cette page blanche par un brouillon pré-rempli généré pour chaque compte. Les plateformes wholesale commercialisent déjà de telles fonctions : l'étude de JOOR de décembre 2025 sur les tendances du wholesale cite les recommandations d'assortiment parmi les fonctions d'IA qu'elle utilise, aux côtés de l'analytique et des suggestions de mise en relation avec des détaillants. De nombreuses marques construisent aussi des propositions en interne à partir des données de leur ERP et de leur application de vente.

La proposition est une recommandation, pas une décision. Gartner a indiqué en mai 2026, sur la base d'une enquête menée auprès de 645 acheteurs B2B, que 69 % d'entre eux préfèrent vérifier les analyses générées par IA avec les commerciaux. Dans la mode, où les acheteurs défendent leurs propres goûts et objectifs de marge, le rôle du commercial pour expliquer et ajuster la proposition est central.

De quelles données avez-vous besoin avant de commencer ?

Lire aussi

Comment l'IA peut-elle aider les commerciaux de la mode à préparer, vendre et assurer le suivi ?

Comment construire la proposition étape par étape ?

1. Nettoyer et relier l'historique des comptes. Rattacher au moins deux à trois saisons de lignes de commande à un identifiant de compte stable et aux attributs des modèles. Sans cela, le modèle apprend du bruit.
2. Décrire chaque nouveau modèle par ses attributs. La catégorie, la gamme de prix, le tissu, la coupe, la famille de couleurs et le thème permettent au système de trouver des modèles passés comparables, puisque les nouveaux modèles n'ont pas de ventes propres.
3. Segmenter les comptes. Regrouper les magasins aux profils et comportements d'achat similaires, afin qu'un petit compte à l'historique limité puisse s'appuyer sur les informations de ses pairs.
4. Générer un brouillon par compte. Noter chaque nouveau modèle pour chaque compte, sélectionner les lignes les plus adaptées dans la limite du budget et proposer des quantités et des courbes de tailles à partir de l'historique.
5. Appliquer les règles commerciales. Imposer les minimums, exclusivités, limites de distribution et modèles phares incontournables après la notation par le modèle, afin que la politique commerciale ne soit jamais laissée à l'algorithme.
6. Expliquer chaque ligne. Montrer au commercial une brève justification, par exemple « un modèle similaire s'est bien écoulé dans ce magasin l'automne dernier », afin que la proposition puisse être défendue devant l'acheteur.
7. Revoir la proposition en rendez-vous et enregistrer les modifications. Chaque ligne acceptée, modifiée ou rejetée constitue une donnée d'entraînement pour la saison suivante.

Comment les commerciaux doivent-ils utiliser les propositions lors du rendez-vous d'achat ?

Les commerciaux devraient présenter la proposition comme un brouillon qui reflète l'historique propre de l'acheteur, puis l'inviter à la modifier. Une bonne pratique consiste à convenir d'abord du budget total et de la répartition par catégorie, puis à passer en revue les lignes sur lesquelles le modèle est le moins sûr. Gartner a indiqué en mai 2026 que les organisations commerciales qui fournissent à leurs vendeurs des recommandations de prochaines actions fondées sur l'IA avaient 2,6 fois plus de chances d'atteindre une croissance commerciale ; dans un rendez-vous d'achat, l'équivalent est une courte liste d'ajouts et de suppressions suggérés, et non un tableur de cent lignes.

Les commerciaux détiennent aussi des connaissances qui échappent au système : la rénovation d'un magasin, un nouvel acheteur, l'ouverture d'un concurrent à proximité. Un simple champ dans l'application de vente pour consigner ce contexte, et la possibilité de modifier la proposition en indiquant un motif, améliorent à la fois la commande en cours et le modèle suivant.

Le calendrier compte aussi. Envoyer la proposition à l'acheteur quelques jours avant le rendez-vous lui permet de la comparer à son propre open-to-buy et d'arriver avec des questions, ce qui rend généralement la réunion plus courte et plus ciblée. Pour les comptes qui commandent sans rendez-vous, la proposition peut être partagée directement dans le portail de commande sous forme de brouillon modifiable, le commercial restant disponible pour répondre aux questions. Dans les deux cas, la marque devrait enregistrer la version vue par l'acheteur, afin que les comparaisons ultérieures entre proposition et commande finale aient un sens et que le modèle apprenne de décisions réelles plutôt que de suppositions.

Quels sont les principaux risques des propositions d'assortiment par IA ?

• Uniformisation : des comptes similaires reçoivent des propositions quasi identiques, ce qui érode la différenciation à laquelle tiennent les détaillants.
• Biais en faveur des comptes riches en données : les grands comptes au long historique reçoivent de meilleures propositions que les petits indépendants.
• Fausse précision : des quantités à l'unité près suggèrent une certitude que les données ne justifient pas.
• Confusion sur la responsabilité : si une proposition déçoit, il doit être clair que l'acheteur et la marque ont pris la décision finale.
• Accès aux données : les données de sell-out partagées par les détaillants ne doivent être utilisées que dans le cadre de la finalité convenue.

Les conditions de marché accentuent la pression. McKinsey et The Business of Fashion ont indiqué en novembre 2025 que 46 % des dirigeants s'attendaient à une dégradation des conditions du secteur en 2026. Dans un marché prudent, une proposition qui surestime la profondeur entame rapidement la confiance ; des quantités prudentes assorties d'options de réassort claires sont donc généralement plus judicieuses.

Lire aussi

Comment mener des sessions d'achat à distance avec les grands comptes dans un showroom digital

Comment mesurer l'efficacité des propositions ?

Suivez chaque saison un petit nombre d'indicateurs : la part des lignes de proposition acceptées sans modification, l'ampleur des modifications par catégorie, la durée de chaque rendez-vous et le taux d'écoulement en fin de saison des lignes de proposition acceptées, comparé à celui des lignes ajoutées manuellement. Comparez avec un groupe témoin de comptes ou avec une simple proposition fondée sur des règles. Si les propositions de l'IA sont acceptées mais ne se vendent pas mieux que les choix propres de l'acheteur, le bénéfice relève du confort plutôt que de la performance, ce qui peut tout de même valoir la peine mais doit être présenté honnêtement.