Prévisions

Comment Ganni utilise l’IA et les données : durabilité, revente et défilé sur le thème de l’IA
Ganni a publié une stratégie de durabilité, un programme de revente et de réparation et un défilé sur le thème de l’IA. Les sources publiques ne montrent aucune IA de planification de la demande, et cette étude de cas le dit.

Comment lululemon aborde l’IA dans le produit, la planification et les stocks
lululemon a nommé un directeur de l’IA et de la technologie et fixé un objectif de nouveaux modèles, mais a publié peu de détails sur l’IA dans la planification. Voici ce qui est établi.

Ce que Columbia Sportswear a divulgué sur l’IA, la planification et la supply chain
Columbia n’a publié aucun déploiement d’IA, mais ses rapports annuels décrivent comment l’entreprise planifie la demande, s’appuie sur des outils de planification dans le cloud et traite l’IA comme un risque technologique.

Comment Kontoor Brands (Wrangler, Lee) gère le wholesale et la planification : ce que le groupe divulgue
Le wholesale est le premier canal de Kontoor, planifié via des fonctions de contrôle régionales et un ERP. Ses documents réglementaires ne mentionnent l’IA que comme un risque et ne nomment aucun showroom digital.

Comment Abercrombie and Fitch planifie ses assortiments et ses stocks : ce que l'on sait publiquement de l'IA
Abercrombie and Fitch parle peu d'IA, mais son modèle Read and React, le remplacement de son ERP et sa discipline de stocks montrent comment fonctionne un planificateur piloté par les données. Un regard sobre sur ce qui est documenté.

IA et fenêtres de livraison : adapter les livraisons à la surface de vente et à la trésorerie des détaillants
Le calendrier de livraison relève d'une négociation entre la production de la marque et l'espace comme la trésorerie du détaillant. L'IA peut modéliser les deux côtés, mais seulement si les données de base sont propres.

Prévoir les promotions : référence, effet de levier et cannibalisation
Une prévision de promotion distingue ce qui se serait vendu de toute façon, ce que la promotion ajoute et ce qu'elle prend aux autres articles. Chaque étape exige ses propres données et sa propre prudence.

Prévoir par modèle, coloris, taille et magasin : les hiérarchies décryptées
La demande de mode peut être prévue à de nombreux niveaux, et les prévisions doivent s'additionner. Les méthodes hiérarchiques et la réconciliation sont la réponse standard à ce problème.

Le stock de sécurité dans la mode : pourquoi les formules classiques échouent et ce qui les remplace
La formule de manuel du stock de sécurité suppose une demande normale, indépendante et stable. La mode offre rarement l'une de ces trois conditions ; les planificateurs ont donc besoin d'autres outils.

Valeur ajoutée de la prévision : prouver qu'un modèle bat le planificateur
La valeur ajoutée de la prévision compare chaque étape d'un processus de prévision à une référence simple, afin qu'une équipe voie si les modèles et les corrections manuelles améliorent la précision ou ne font qu'ajouter de l'effort.

Prévisions de trésorerie par l'IA pour les marques à forte part de wholesale
Les marques wholesale immobilisent de la trésorerie dans les stocks et les créances pendant des mois. L'IA peut affiner les prévisions de calendrier, mais le comportement de paiement des clients reste l'élément le plus difficile à prévoir.

Comment l'IA est-elle utilisée pour la réservation de capacités et la planification de la production dans la mode ?
L'IA peut améliorer les prévisions de capacité et la planification par scénarios, mais la qualité des réservations dépend toujours de la stabilité des commandes, de délais honnêtes et des relations avec les fournisseurs.

L'IA peut-elle prédire les délais et les retards de fret des expéditions de mode ?
L'apprentissage automatique peut resserrer la fourchette des dates d'arrivée probables, mais il ne peut pas supprimer les chocs tels que les déroutements, les droits de douane ou les perturbations portuaires.

Check-list des données de merchandising : dix champs dont les outils de planification IA ont besoin
Dix champs de données qui déterminent si un outil de planification ou de prévision peut fonctionner, et les pièges propres à chacun.

Comment Tapestry utilise-t-il la data et l'IA pour la planification de la demande et la personnalisation chez Coach ?
Tapestry, propriétaire de Coach et Kate Spade, a construit une couche de données partagée, utilisé l'IA pour prévoir la demande et positionner les stocks, et exploite désormais un système d'IA générative interne baptisé Mira pour ses planificateurs et merchandisers.

Comment Decathlon utilise l'IA pour la prévision de la demande et la planification des approvisionnements
Decathlon prévoit la demande hebdomadaire de jusqu'à 25 000 produits par zone d'approvisionnement et est passé à un modèle de fondation pour séries temporelles affiné. Ce que l'enseigne a publié sur la précision, les coûts et les limites.

Comment l'IA peut-elle alerter tôt sur la santé du carnet de commandes pendant une campagne de vente ?
Comparer les prises de commandes de la saison avec celles des campagnes passées, par jour, par compte et par modèle, permet à l'IA de signaler les manques plusieurs semaines avant la clôture du carnet. Ce qui fonctionne, et ce qui exige encore du jugement.

Quels modèles retirer avant la campagne de vente ? Comment l'IA aide à éditer la collection
Présenter trop de modèles pendant la campagne de vente coûte des échantillons, des minimums et de la marge. Comment l'IA note les modèles avant que la collection ne soit montrée aux acheteurs, et où les merchandisers doivent passer outre.

Comment prévoir la demande d'un produit de mode sans historique de ventes ?
L'essentiel d'une collection de mode est nouveau à chaque saison : la prévision classique par séries temporelles n'a donc rien sur quoi s'appuyer. Comment l'IA emprunte l'historique de produits similaires, d'images, d'attributs et des premières ventes, et où elle reste limitée.

Comment mesurer la précision des prévisions dans la mode ? MAPE, WAPE, biais et MASE
La précision des prévisions détermine si un outil de planification par IA vaut son coût, et pourtant l'indicateur le plus répandu est mal adapté à la mode. Un guide pratique du MAPE, du WAPE, du biais et du MASE, et de ce qu'est un bon résultat.

Comment choisir un outil de prévision de la demande : la check-list des marques de mode
Les logiciels de prévision de la demande promettent moins de stock et moins de ruptures, mais les résultats dépendent de leur adéquation aux cycles produits de la mode et de vos données. Une check-list neutre pour évaluer les outils avant de signer.

Comment la météo et les signaux externes améliorent-ils la prévision de la demande dans la mode ?
Une météo hors saison fait régulièrement bouger les ventes de mode, et les détaillants l'invoquent souvent dans leurs résultats. Ce que la météo, les événements et les données de recherche peuvent apporter à la planification de la demande par IA, dans quelle mesure, et où les preuves sont minces.

Comment l'IA peut-elle aider à fixer la profondeur d'achat et les quantités de production dans la mode ?
Acheter trop profond crée des démarques et du gaspillage ; acheter trop peu fait perdre des ventes. Comment l'IA combine prévisions de la demande, incertitude et délais pour fixer les quantités de production, et pourquoi la flexibilité compte autant que la précision.

Les bases du machine learning pour les merchandisers : modèles, variables et données d'entraînement
Ce que sont réellement un modèle, une variable, une étiquette et des données d'entraînement, expliqué à l'aide d'exemples de merchandising mode, et les questions qu'un merchandiser devrait poser avant de se fier à une prévision.

La prévision des tendances par l'IA dans la mode : fonctionnement, signaux et limites
Des outils d'IA analysent désormais les images de défilés, les réseaux sociaux et les données de ventes pour repérer les styles émergents. Ce que ces signaux peuvent et ne peuvent pas dire à une équipe design ou achats, et pourquoi les prévisionnistes humains restent indispensables.

L'IA dans le merchandising de mode : ce qu'elle fait, ce dont elle a besoin et où elle échoue
Le machine learning soutient désormais les décisions de prévision, d'assortiment, de prix et de planification dans la mode. Ce guide explique les cas d'usage, les données dont ils dépendent et comment les merchandisers gardent la main.

Comment l'optimisation des stocks par l'IA réduit-elle les invendus et les ruptures dans la mode ?
Le stock de mode est périssable : trop de stock finit en démarques, trop peu en ventes perdues. Comment les modèles d'IA équilibrent les deux, quelles preuves existent et ce dont ils ont besoin pour fonctionner.

Comment fonctionnent l'allocation et le réapprovisionnement par l'IA entre magasins et canaux ?
L'allocation décide où va le stock en premier ; le réapprovisionnement décide de ce qui suit. L'IA prend ces deux décisions au niveau de la taille et du point de vente. Son fonctionnement, ses besoins et ses difficultés.

Qu'est-ce que l'optimisation des courbes de tailles et comment l'IA aide-t-elle à acheter les bonnes tailles ?
Acheter le mauvais mix de tailles laisse les tailles extrêmes sur les portants et épuise les tailles centrales. Comment l'IA estime la demande réelle par taille, pourquoi les ruptures faussent les données et à quoi faire attention.

Comment l'IA peut-elle soutenir la planification des collections dans la mode ?
La planification des collections détermine combien de modèles une collection doit compter, à quels prix et avec quelle profondeur. L'IA peut prévoir les nouveaux articles et tester des scénarios, mais la décision créative et stratégique reste humaine.

Qu'est-ce que le demand sensing et comment fonctionne-t-il dans la mode ?
Le demand sensing met à jour les prévisions à court terme avec les ventes les plus récentes et des signaux externes. Dans la mode, il améliore surtout les décisions en cours de saison : réapprovisionnement, transferts et démarques.

Pourquoi les données de sell-out sont-elles essentielles à l'IA dans le wholesale de mode ?
Les marques qui vendent via des détaillants voient ce qu'elles livrent, pas ce que les consommateurs achètent. Les données de sell-out comblent cet écart ; sans elles, la plupart des prévisions par IA dans le wholesale travaillent à moitié à l'aveugle.

Comment l'IA peut-elle améliorer l'open-to-buy et la planification budgétaire des achats ?
L'open-to-buy indique aux acheteurs combien ils peuvent encore dépenser sans compromettre les objectifs de ventes et de stock. L'IA peut maintenir ce chiffre à jour et le rendre plus réaliste, à condition que le plan qui le sous-tend soit solide.

Comment fonctionnent la prévision des réassorts par l'IA et le réapprovisionnement automatisé pour les détaillants ?
Les réassorts portent sur des modèles qui ont déjà fait leurs preuves. L'IA peut les suggérer ou les déclencher avant qu'un partenaire retail ne soit en rupture, à condition que les données de sell-out et de stock soient partagées.

Comment l'IA est-elle utilisée dans la supply chain de la mode ?
De la planification de la demande aux robots d'entrepôt et à la surveillance des fournisseurs : où l'IA fonctionne déjà dans les supply chains de la mode, de quelles données elle a besoin et où se situent ses limites.

L'IA peut-elle rendre la mode plus durable ?
L'IA peut aider la mode à fabriquer moins de produits dont personne ne veut et à faire face aux nouvelles règles européennes, mais elle consomme aussi de l'énergie et ne peut pas corriger seule un modèle économique. Un regard lucide sur les deux versants.

Comment H&M utilise l'IA : demande, allocation et jumeaux numériques
Depuis 2018, H&M applique l'analytique et l'IA aux quantités d'achat, à l'allocation en magasin et à la tarification, et depuis 2025 à l'imagerie de campagne. Ce qui est documenté et ce que l'entreprise n'a pas communiqué.

Comment Nike utilise l'IA : données de vente directe et création de produits générative
De la détection de la demande pour ses propres canaux aux concepts de chaussures générés par IA et à une version bêta d'assistant d'achat IA : ce que Nike a construit, ce qu'il a communiqué et ce qui a changé sous la nouvelle direction.

Comment Uniqlo et Fast Retailing utilisent l'IA et les données dans le projet Ariake
Le projet Ariake de Fast Retailing vise à fabriquer et vendre exactement ce que veulent les clients, au moment où ils le veulent. La place de l'IA, des données partagées et des entrepôts automatisés, et ce que le groupe a communiqué.

Comment Shein utilise les données et les algorithmes : le modèle à la demande et ses critiques
Shein affirme commander ses nouveaux modèles par lots de 100 à 200 pièces et augmenter les volumes en fonction des signaux de demande. Comment fonctionne ce modèle piloté par les données, ce qui est affirmé et pourquoi régulateurs et designers le critiquent.

L'IA pour les acheteurs mode : ce qui change dans les achats et comment démarrer
Où l'IA aide déjà les acheteurs mode pour la veille tendances, les revues de collection, les quantités et les réassorts, de quelles données elle a besoin, ce qui reste du ressort du jugement humain, et un plan de 30 jours pour démarrer.

L'IA pour les merchandisers et les planificateurs : un guide pratique
Comment l'IA soutient la planification financière merchandising, les prévisions, l'allocation, le réapprovisionnement et les démarques dans la mode, de quelles données elle a besoin, ce que les planificateurs décident encore et comment démarrer.

L'IA pour les responsables sourcing et supply chain de la mode
Comment les responsables sourcing et supply chain de la mode utilisent l'IA pour la planification de la demande et de la production, les scénarios de coûts et de droits de douane, les risques fournisseurs, la conformité et la qualité, avec les besoins en données, les limites et un plan sur 30 jours.

L'IA dans le sportswear : comment elle façonne le produit de performance, les communautés et la demande
Les marques de sportswear combinent produits techniques, storytelling autour des athlètes et volumes de lancement considérables. L'IA aide dans le design, les contenus et la demande, mais les allégations de performance et les données des athlètes placent la barre plus haut.

L'IA dans la fast fashion : vitesse, signaux de demande et problème de la surproduction
La fast fashion vit de sa capacité à lire tôt la demande et à réagir vite. L'IA affûte ces deux atouts, mais elle peut aussi accélérer les volumes, et les nouvelles règles européennes rendent les invendus plus coûteux.

L'IA dans la mode enfant et les basiques : prévoir les gammes pilotées par le réassort
Les basiques et la mode enfant se vendent régulièrement, dans de nombreuses tailles, avec des marges faibles. Ils se prêtent donc idéalement aux prévisions et au réapprovisionnement par l'IA, et sont sensibles lorsque le client est un enfant.

Le réapprovisionnement dans la mode : comment fonctionnent les programmes never-out-of-stock
Les programmes never-out-of-stock garantissent aux détaillants une disponibilité permanente des produits essentiels. Simples en apparence vus du magasin, ils reposent sur une planification, un stock et des données rigoureux.

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.

La surproduction dans la mode : causes et leviers
Produire plus que ce qui peut être vendu à plein prix est inscrit dans la façon dont la mode planifie, achète et produit. Pourquoi cela arrive, pourquoi la réglementation augmente désormais les enjeux et quels leviers fonctionnent vraiment.