Ces dernières années, le marché de la mode traverse une crise structurelle, aggravée par celle de la COVID-19, mettant de nombreuses enseignes en grande difficulté. Devant ce bouleversement, les marques se doivent à la fois de garantir leur survie à court terme, par une gestion draconienne de leur trésorerie mais aussi de réussir leur transformation vers un business model plus durable à la fois économiquement et écologiquement.
Dans ce contexte, la prévision de la demande n’a jamais été aussi cruciale pour ces enseignes de la mode. En effet, il ne s’agit plus seulement d’avoir le bon produit au bon moment, mais d’avoir les justes quantités, afin d’optimiser ses marges, maîtriser ses stocks et simultanément réduire l’impact environnemental des son entreprise.
Derrière cette notion de prévision de la demande se cache en fait deux sujets principaux, en lien avec les deux temporalités propres à l’industrie textile : la prévision de demande avant saison (Pre-Season Sales) et pendant la saison de vente (In-Season Sales). Intéressons-nous à la première temporalité lorsqu’il faut estimer les futures quantités de chaque article 6 à 12 mois avant le démarrage des ventes
POURQUOI LA PRÉVISION DE DEMANDE EN PRÉ-SAISON EST-ELLE PRIMORDIALE ?
Avant la saison, les marques consolident un budget, construisent une collection, organisent leur assortiment, par rapport à une stratégie de conquête de marché et des historiques de ventes des anciennes collections. Ces marques réservent alors des capacités chez leurs fournisseurs et s’engagent sur des quantités globales estimées sur la saison. Elles cadencent aussi les livraisons fournisseurs afin d’avoir toujours la plus juste quantité de produits pour optimiser les ventes tout en minimisant les risques de sur-stockage ou de rupture. C’est donc une étape très importante de la gestion d’une collection.
QUELLES PARTICULARITÉS POUR LE RETAIL TEXTILE ?
Un fort renouvellement des gammes
La grande particularité de la distribution d’articles de mode par rapport aux autres secteurs du retail est la proportion importante de nouveaux produits dans l’assortiment. En effet, selon les enseignes, on peut avoir de 60% à 95% de nouveaux articles dans chaque collection. Or, les modèles classiques de prévisions se basent tous sur un historique de ventes. La reconstruction de l’historique est donc un sujet primordial à traiter. Les solutions existantes basent la plupart du temps les prévisions sur les historiques de ventes d’un produit similaire (appelé parfois “petit frère”). La difficulté réside alors dans le choix du bon article similaire pour avoir une bonne prévision.
Multiplicité des produits et erraticité de la demande
Dans le retail textile, les gammes sont souvent très larges, avec des articles qui ont des défilements faibles, voire très faibles (moins de 1 quantité par semaine et par magasin). Or, les algorithmes de machine learning sont particulièrement efficaces avec des données nombreuses. L’enjeu sera alors de trouver la bonne granularité pour faire ses prévisions afin d’avoir la meilleure précision possible. Selon les cas d’usage, cette bonne granularité pourra être le sku, la référence/couleur, la référence, ou même la sous-famille.
Les tendances mode
La mode est changeante d’une saison à l’autre. Il est donc difficile de se baser sur les données historiques seules pour prévoir les ventes futures. En effet, si le lilas est la couleur de l’été 2021, le sera-t-il encore en 2022 ? L’enjeu est alors double pour assurer une prévision de vente fiable : premièrement, comment prendre en compte les données de tendances de mode dans la prévision, et, deuxièmement, comment lier les attributs d’une saison à l’autre pour prendre ces changements en compte dans les modèles de prévision ?
Stratégie et identité de marque
Les achats ne découlent pas seulement d’une prévision de la demande mais aussi d’une stratégie de marque, combinée avec les intuitions des merch’planners. Dès lors, comment repenser les interactions entre cette stratégie et les données produites par les algorithmes prédictifs.
ESTIMER LE POTENTIEL DES VENTES PASSÉES
Lorsque l’on base la prévision sur les données historiques de ventes, le challenge consiste à ne pas reproduire les mêmes erreurs que dans le passé ce qui nécessite de retraiter les ventes des biais externes telles que la promotion, la rupture des stocks ou encore la mise en avant des produits en magasin (merchandising).
LES ENJEUX DATA : DEMANDE VS VENTES
Demande vs Ventes : quelle métrique pour entraîner un modèle ?
Pour entrainer et évaluer un modèle de prévision des ventes, il faut simuler ce qu’aurait prédit l’algorithme si nous l’avions utilisé pour les saisons passées et ainsi comparer les résultats avec le réel. Il est alors nécessaire de définir en amont la métrique que nous souhaitons améliorer afin d’entraîner et d’optimiser le modèle pour obtenir la meilleure prévision possible. Or, dans le cadre de la prévision de la demande, les métriques habituellement utilisées en machine learning sont peu pertinentes car l’historique de ventes est “polluée” par les décisions parfois erronées des années précédentes. Par exemple, le potentiel réel d’un produit peut être de 1000 unités alors que la marque n’en a acheté que 300 lors de la dernière collection ce qui biaise les prévisions futures si on s’appuie sur les ventes passées. Les travaux de R&D réalisés par Fashion ont confirmé qu’il faut, pour cela mixer un grand nombre de métriques afin de construire un algorithme fiable, le KPI magique n’existant pas.
Qualité et disponibilité des données
Comme expliqué plus haut, il est très important de choisir le ou les bons produits similaires des précédentes collections afin de reconstruire un historique de ventes pertinent pour faire une prévision précise. Pour cela, l’enjeu pour la marque, consiste à disposer de données de qualité, notamment les attributs produits. 
Or, par expérience, ces informations ne sont souvent pas suffisamment précises ni stables dans le temps. Disposer d’un PIM (Product Information Management) est un atout pour simplifier et accélérer le travail de saisie par les équipes métier. Autre axe d’amélioration : le Deep Tagging, qui consiste à enrichir automatiquement le référentiel articles présent et passé grâce à une IA d’analyse d’images qui extrait les attributs produits à partir des photos.
GLASS BOX VS BLACK BOX
Certains modèles de prévision sont beaucoup plus explicables que d’autres, il vous faudra alors décider si “l’explicabilité” de la prévision est un critère important pour favoriser la compréhension des préconisations et ainsi renforcer la confiance des utilisateurs, pré-requis nécessaire au change management. De nôtre côté, la vision que nous avons est que cela dépend de la temporalité de la prévision. En effet en pré-saison, nous pensons que la la prédiction se doit d’être explicable car les achats dépendent aussi d’une stratégie d’entreprise, le merch’planner devant alors comprendre la prédiction pour prendre la bonne décision. En revanche, pendant la saison des ventes, les prédictions se doivent avant tout d’être automatiques et prescriptions pour laisser les utilisateurs se concentrer sur les actions à valeur ajoutée.
DEVENIR ECO-RENTABLE
Comme disait Auguste Detoeuf :
Il ne faut jamais oublier de prévoir l’imprévu.
Le contexte actuel en est le parfait exemple. Il met en lumière la nécessité pour les marques de combiner prédiction et agilité afin de maximiser les capacités d’une entreprise à perpétuellement s’adapter aux circonstances.
Les solutions de Demand Forecasting pre-seson et in-season permettent donc d’améliorer durablement la performance économique et écologique d’une enseigne de la mode en renforçant ses capacités à mieux prévoir à long terme tout en étant plus réactif face aux aléas du business.
