Comment Shein utilise les données et les algorithmes : le modèle à la demande et ses critiques

Shein utilise les données et les algorithmes pour faire fonctionner ce qu'elle appelle un modèle de production à la demande : elle commande les nouveaux modèles par petits lots, mesure la réaction des clients en ligne et transmet ces signaux de demande aux fournisseurs, qui augmentent la production des articles qui se vendent. Cette approche est au cœur de l'activité de Shein, et elle est aussi au centre des critiques de régulateurs, de designers et de défenseurs de la durabilité, pour qui cette même rapidité et ce marketing piloté par les données encouragent la surconsommation et la copie.

Qu'a construit Shein ?

Dans sa propre description du modèle, Shein indique que « les nouveaux modèles sont commandés par petits lots de 100 à 200 pièces pour mesurer la demande » et que « les signaux de demande des clients déterminent si les modèles sont abandonnés ou réassortis, et orientent les nouveaux modèles ». Selon l'entreprise, ses fournisseurs partenaires « utilisent notre technologie propriétaire, qui fournit des informations en temps réel sur la mesure de la demande, la planification de la production et la visibilité de la supply chain ».

Concrètement, ce modèle combine trois éléments :

• Tester et répéter : de très petites premières commandes sur un grand nombre de nouveaux modèles.
• Détection de la demande : le comportement en ligne sur l'application et le site de Shein sert de signal pour décider quoi recommander.
• Intégration des fournisseurs : une plateforme technologique partagée qui transmet ces signaux directement aux fabricants.

Pourquoi Shein a-t-elle investi dans les données et les algorithmes ?

La logique commerciale est la réduction du risque à l'échelle de chaque modèle. Les achats traditionnels dans la mode engagent de grandes quantités des mois avant la saison, et le stock invendu est soldé ou détruit. En commandant d'abord de très petites quantités, Shein limite le coût d'un modèle qui échoue et ne s'engage sur des volumes que lorsque la demande est avérée. Shein présente cela comme un avantage en matière de durabilité, affirmant réduire les invendus « à un pourcentage à un chiffre, bien en dessous de la moyenne du secteur ».

Analyse : le modèle est aussi un moteur de croissance. Tester de nombreux modèles à faible coût produit un flux continu de nouveautés, et les données d'engagement en ligne montrent rapidement lesquelles pousser. C'est sur ce point que se concentrent les critiques : un système optimisé pour trouver ce qui se vend et en produire rapidement davantage peut réduire le gaspillage par modèle tout en augmentant le nombre total de vêtements fabriqués et vendus.

Lire aussi

Comment Levi Strauss & Co. utilise l'IA : le programme data et ses enseignements

Comment cela fonctionne-t-il (données, modèles, processus) ?

Shein n'a pas publié de détails techniques sur ses systèmes de prévision ou de recommandation : leur fonctionnement est donc connu principalement par le résumé qu'en donne l'entreprise et par les allégations formulées dans des procédures judiciaires. Le tableau distingue ce que Shein affirme de ce que d'autres allèguent.

Dans une proposition d'action collective déposée le 5 avril 2024 devant le tribunal fédéral du district sud de New York, l'artiste Alan Giana a allégué que Shein utilise « des algorithmes, l'IA et des systèmes de surveillance informatisés associés » pour repérer des designs tendance en ligne et les transmettre aux usines. Il s'agit d'allégations dans le cadre d'une procédure, et non de constatations d'un tribunal ; en réponse à une plainte antérieure de trois designers, rapportée par NBC News, Shein a déclaré « prendre au sérieux toutes les accusations de contrefaçon » et vouloir se défendre vigoureusement.

Quels résultats Shein a-t-elle publiés ?

Le principal résultat publié par Shein pour son modèle est l'affirmation d'invendus à un pourcentage à un chiffre. Nous n'avons trouvé aucun audit indépendant de ce chiffre dans les sources publiques. Shein n'a pas communiqué de données sur la précision de ses prévisions, la part des modèles testés dont la production est augmentée ou l'empreinte environnementale par vêtement, qui permettraient à des observateurs extérieurs de vérifier son argument de durabilité.

Quelles sont les limites et les questions ouvertes ?

La pression réglementaire est la limite la plus concrète. Le 25 mai 2025, le réseau de coopération en matière de protection des consommateurs (CPC) de l'UE, selon la communication de la CCPC irlandaise, a estimé que Shein enfreignait le droit européen de la consommation par :

1. de fausses réductions ne reposant pas sur de véritables prix antérieurs ;
2. des ventes sous pression avec de faux délais d'achat ;
3. l'absence d'informations sur les droits des consommateurs, comme les retours et les remboursements ;
4. des étiquettes trompeuses présentant des caractéristiques légalement obligatoires comme particulières ;
5. des allégations de durabilité trompeuses ;
6. des coordonnées du service client difficiles à trouver.

En juillet 2025, FashionUnited rapportait que l'autorité française de protection des consommateurs, la DGCCRF, avait infligé à Shein une amende de 40 millions d'euros pour pratiques trompeuses, constatant que 11 pour cent des réductions annoncées étaient en réalité des hausses de prix, et qu'une amende de 150 millions d'euros de l'autorité de protection des données CNIL liée aux cookies publicitaires était en attente d'une décision définitive.

Analyse : ces affaires concernent le marketing, les prix et la protection des données plutôt que l'algorithme de production lui-même, mais elles comptent pour le modèle. Un système à la demande ne réduit le gaspillage global que s'il ne se contente pas de stimuler davantage d'achats, et un faible taux d'invendus par modèle en dit peu sur le volume total produit. Les allégations relatives au design posent une question distincte : lorsque la détection de la demande s'appuie sur ce qui est tendance en ligne, où s'arrête l'inspiration et où commence la copie ?

Lire aussi

Comment adidas utilise l'IA : des archives de design au contenu génératif

Que peuvent en retenir les autres entreprises de mode ?

Plusieurs principes du modèle à la demande sont pertinents bien au-delà de l'ultra fast fashion, à condition d'être appliqués avec des garde-fous plus solides :

• De petits achats initiaux et des réassorts rapides réduisent le risque de chaque nouveau modèle, à condition que les fournisseurs puissent produire de petites séries de façon rentable.
• Partager les données de demande avec les fournisseurs raccourcit davantage les délais de réaction que n'importe quel modèle de prévision isolé.
• Les affirmations doivent être étayées. Les allégations de durabilité et de prix fondées sur des données doivent être vérifiables, faute de quoi elles deviennent un risque réglementaire.
• Les contrôles de propriété intellectuelle ont leur place dans le processus. Tout processus qui transforme des signaux de tendance en ligne en produits exige une revue explicite du design et des droits.