Comment Under Armour utilise les données, l’IA et la 3D dans la création de produits et la connaissance des consommateurs

Le dossier public d’Under Armour sur les données et la création de produits se partage entre une intervention ancienne et détaillée et des documents réglementaires plus récents et prudents. En 2018, un dirigeant a expliqué comment l’écoute des réseaux sociaux et les données de produits connectés avaient orienté une chaussure imprimée en 3D. Dans les rapports annuels de 2025 et 2026, l’IA apparaît comme un risque concurrentiel et de gouvernance, aux côtés d’une modernisation de la technologie de planification de l’entreprise. Aucune source examinée ne documente de processus actuels de conception par IA ou en 3D.

Cette étude de cas rend compte des deux strates et signale l’écart entre elles, afin que les lecteurs ne supposent pas qu’un exemple de 2018 décrit les opérations d’aujourd’hui.

Comment Under Armour a-t-elle utilisé les données pour orienter une chaussure imprimée en 3D ?

ASUG a rendu compte d’une session de la conférence BI and Analytics de 2018 au cours de laquelle David Roberts, alors vice-président de la transformation d’entreprise chez Under Armour, a décrit une chaussure à semelle intermédiaire imprimée en 3D, vendue directement aux consommateurs et fabriquée après une commande en ligne. Il l’opposait au modèle conventionnel, dans lequel la plupart des chaussures vendues aux États-Unis sont fabriquées en Asie, avec un cycle de la conception à la vente d’environ six mois qui, selon lui, était resté le même pendant des décennies.

Pour alimenter la conception, l’équipe a analysé les réseaux sociaux avec du traitement automatique du langage naturel dans SAP HANA plutôt que de solliciter directement l’avis des consommateurs. David Roberts a aussi indiqué qu’Under Armour avait racheté plusieurs sociétés d’applications de suivi de la condition physique et les avait connectées à ses chaussures pour collecter des données d’internet des objets, et que l’un des enseignements était que les clients utilisent souvent des chaussures de cross-training pour courir.

Quelle confiance Under Armour accordait-elle à chaque source de données ?

Un détail utile de l’intervention est la hiérarchie des données. Selon ASUG, David Roberts classait les données SAP ERP comme les plus fiables, puis les données que l’entreprise paie pour acquérir, les données de réseaux sociaux étant les moins fiables et utilisées avec prudence. Il a déclaré : « La technologie vous permet d’être à la table, mais c’est à vous de décider comment décomposer les données. »

L’article d’ASUG donne aussi des chiffres de coûts pour les chaussures imprimées en 3D par rapport aux chaussures fabriquées en usine, qui sont incohérents entre eux dans son propre texte ; ils ne sont donc pas repris ici. Pour les planificateurs, l’enseignement porte sur le modèle d’approvisionnement, la production à la demande après une commande, et non sur l’économie unitaire citée.

Lire aussi

Comment Moncler utilise-t-il la data et l'IA dans le design, le clienteling et la supply chain ?

Que disent les rapports annuels récents d’Under Armour sur l’IA ?

Le formulaire 10-K de l’exercice clos le 31 mars 2025 indique que les systèmes de stocks d’Under Armour, y compris son système mondial d’exploitation et de reporting financier, sont conçus pour améliorer les prévisions et la planification de l’approvisionnement. Il cite l’utilisation de l’analyse de données, de l’intelligence artificielle, de l’apprentissage automatique et de l’expérience numérique des consommateurs parmi les domaines où des concurrents peuvent avoir un avantage.

Le document de l’exercice clos le 31 mars 2026 évoque la modernisation du système technologique de planification de bout en bout, la nécessité de s’adapter à l’usage d’outils d’achat reposant sur l’IA et celle d’optimiser les données consommateurs disponibles. Il cite aussi les contrôles sur l’utilisation des technologies d’IA et d’apprentissage automatique, ainsi que l’AI Act de l’Union européenne, parmi les risques de conformité. Sur la création de produits, il dit seulement que les produits sont développés par des équipes internes de développement produit.

Que documente-t-on, et que ne documente-t-on pas, sur l’IA et la 3D dans la création ?

• Documenté : en 2018, l’usage du traitement automatique du langage naturel sur des données sociales et des données de produits connectés pour orienter une chaussure.
• Documenté : une modernisation de la technologie de planification, et l’IA citée comme enjeu concurrentiel et de gouvernance dans les documents réglementaires récents.
• Non documenté dans ces sources : la conception générative, la prévision des tendances par IA, l’échantillonnage vestimentaire en 3D ou la création numérique de produits à l’échelle actuelle.
• Non documenté : les effets mesurés sur les délais, le nombre d’échantillons ou le taux de succès.

Enseignements pour les équipes produit. Premièrement, la qualité du signal compte plus que son volume. Under Armour a ouvertement classé les données sociales comme l’entrée la moins fiable et les a utilisées avec prudence. Deuxièmement, les données d’usage des produits peuvent révéler des comportements que les enquêtes ne voient pas, comme des chaussures utilisées pour une autre activité que celle prévue. Troisièmement, les modernisations de la technologie de planification, même sans IA, sont un prérequis à tout usage ultérieur de l’apprentissage automatique sur les prévisions.

Pourquoi les études de cas datées demandent-elles un traitement soigneux ?

L’exemple de 2018 d’Under Armour reste largement cité parce qu’il est précis, avec des outils nommés et un enchaînement clair des données au produit. Mais cinq ans ou plus, c’est long en analytique. Les méthodes de traitement automatique du langage naturel, l’accès aux données sociales et les outils 3D ont tous changé, et l’activité d’Under Armour elle-même a été restructurée depuis. Citer cet exemple comme une pratique actuelle serait trompeur.

Sa valeur aujourd’hui est celle d’un modèle. L’entreprise a combiné trois types de signaux : la conversation publique, les données d’appareils issues de produits connectés et les données de transactions internes. Elle a ensuite appliqué des niveaux de confiance différents à chacun. Cette structure, une hiérarchie des preuves, est aussi pertinente pour un outil d’IA générative qui résume des retours clients qu’elle l’était pour l’analyse d’origine.

Comment une équipe produit pourrait-elle appliquer la même approche avec les outils actuels ?

1. Lister les signaux. Écoute des réseaux sociaux, avis, motifs de retour, données d’usage des produits et historique des ventes.
2. Les classer. Décider à l’avance quelles sources peuvent prévaloir sur lesquelles, comme Under Armour l’a fait de manière informelle.
3. Tester avant de s’y fier. Comparer les enseignements avec les résultats de ventes des saisons passées pour voir quelles sources ont bien prédit.
4. Garder un point de décision humain. Les designers et les merchandisers doivent relire tout enseignement généré par l’IA avant qu’il n’oriente un brief.

Tout programme de ce type exige aussi des règles sur les données des consommateurs. L’analyse des réseaux sociaux et les données de produits connectés relèvent du droit de la protection de la vie privée dans de nombreux marchés, et les rapports annuels examinés citent la protection des données et la réglementation de l’IA parmi les risques de conformité de l’entreprise.

Lire aussi

IA, 3D et prototypage virtuel : moins de prototypes, des décisions plus rapides

Qu’est-ce que la production à la demande change pour la planification ?

Un produit fabriqué sur commande inverse la logique habituelle de planification. Au lieu de prévoir la demande des mois à l’avance et de s’engager sur des quantités, la marque attend une commande et produit ensuite. Cela supprime l’erreur de prévision pour l’article, mais déplace le défi vers la capacité de production, le délai et le coût unitaire. L’intervention de 2018 présentait la chaussure comme une alternative au cycle conventionnel, et non comme un remplacement, et les documents réglementaires actuels de l’entreprise décrivent toujours les prévisions et la planification de l’approvisionnement comme centrales.

Pour la plupart des marques d’habillement, la production à la demande reste une niche, car les vêtements demandent beaucoup de main-d’œuvre et les matières varient. L’enseignement pertinent est le principe selon lequel les données des premiers clients peuvent orienter ce qui sera fabriqué ensuite, ce que les marques peuvent appliquer par des drops en petites séries, des précommandes et un réassort rapide, même sans impression 3D.

Les marques qui envisagent des démarches similaires devraient consigner les résultats, comme l’écoulement des séries limitées par rapport aux prévisions, afin que les futurs outils d’IA disposent d’un historique fiable pour apprendre.