Le problème métier
Les équipes achats pilotent le taux d'écoulement, les ruptures et la couverture de stock en réaction, pas en anticipation :
- On découvre les ruptures quand le best-seller est déjà à zéro depuis 3 jours en magasin
- On découvre les surstocks en arrivant en milieu de saison avec un sell-through à 35 % au lieu des 60 % prévus — trop tard pour une démarche progressive, on subit la solde
- Les arbitrages se prennent à l'aveugle : faut-il relancer la production ? faut-il transférer entre magasins ? faut-il geler un OF ? Pas de prédiction projetée par référence pour informer la décision
Conséquences chaque saison :
- Marge structurellement érodée par les invendus écoulés en fin de saison à 8-15 % du prix plein chez les soldeurs
- CA perdu sur les ruptures non anticipées (les clients ne reviennent pas pour le même produit)
- Bande passante achats absorbée par le pilotage Excel manuel — peu de temps pour la stratégie fournisseur
Pour un retailer mode à 200-300 M€ de CA, ces inefficiences se mesurent en plusieurs centaines de k€ à plusieurs M€ par an de marge laissée sur la table.
La solution
Un modèle ML qui projette le taux d'écoulement par référence à fin de saison, en croisant :
- L'historique des ventes par référence et par jour (24+ mois)
- La situation actuelle : stock disponible, commandes en cours, transferts en attente
- Les attributs produits (catégorie, matière, prix, fournisseur, image)
- Le calendrier commercial (soldes, promos, événements, météo prévisionnelle)
- Les signaux faibles (engagement social, taux de retour, vélocité par magasin type)
Le modèle produit deux livrables opérationnels :
- Une projection d'écoulement par référence à fin de saison, avec intervalle de confiance
- Une liste d'alertes priorisées : risques de rupture, risques de surstock, références à arbitrer cette semaine
L'acheteur garde la décision finale — réassort, démarque anticipée, transfert, arrêt de réapprovisionnement — mais informée d'une projection que ses outils actuels ne lui donnent pas.
Comment estimer votre ROI
Le ROI a trois composantes principales.
Composante 1 — Marge préservée sur stock résiduel évité
Marge préservée/an =
(différentiel de prix entre soldes magasin et bradage soldeur)
× (volume de stock résiduel mieux dimensionné)
× (% capture du modèle : 25-40 %)
Exemple pour un retailer écoulant 1 M€/an de stock résiduel chez les soldeurs (à 10 % du prix plein) au lieu de soldes magasin (60 %) :
- Différentiel de 50 % de prix sur 1 M€ = 500 k€ de marge perdue/an
- Capture par le modèle (30 %) : +150 k€/an de marge préservée
Composante 2 — CA capturé sur ruptures anticipées
CA additionnel/an =
(CA perdu actuel sur ruptures best-sellers)
× (% capture du modèle : 25-40 %)
Exemple pour un retailer avec 800 k€/an de CA perdu sur ruptures non anticipées :
- Capture par le modèle (30 %) : +240 k€/an de CA additionnel
Composante 3 — Temps achats libéré
Réduction typique de 30-50 % du temps de pilotage Excel manuel — réaffecté à la stratégie fournisseur, à la négociation et à l'arbitrage des cas complexes.
Total typique
Pour un retailer mode/textile à 200-300 M€ de CA, le ROI cumulé se situe typiquement entre 300 k€ et 800 k€/an, à calibrer sur votre saisonnalité, votre ratio sell-through actuel, et votre exposition aux ruptures.
Phases de déploiement
| Phase | Durée | Livrable décisionnel |
|---|---|---|
| Cadrage | 2 sem | Audit historique 24 mois, périmètre catalogue pilote, validation des features disponibles |
| V1 — Modèle baseline | 4-6 sem | Modèle entraîné sur 1 catégorie pilote, validation rétrospective sur la saison passée |
| V2 — Système d'alertes | 3-4 sem | Logique d'alerte priorisée (rupture, surstock, arbitrage), interface acheteur |
| Pilote saison | 4-8 sem | Test en condition réelle sur une vague achats, mesure du gain incrémental |
| Roll-out | Continu | Extension à toutes les catégories, intégration ERP/PIM/BI |
Quelles entreprises sont concernées
- Retailers avec catalogue saisonnier ou semi-saisonnier (mode, textile, équipement saisonnier, beauté thématique)
- 24+ mois d'historique de ventes consolidé par référence et par jour
- Volume d'achats : >10 M€/an sur le périmètre concerné (en dessous, le ROI est marginal vs coût de mise en place)
- Présence d'une fenêtre d'ajustement post-commande initiale (réassort, transferts, démarque) — sans ça le modèle a peu de leviers
Moins pertinent pour : retailers au catalogue fond ultra-stable (alimentaire), entreprises avec cycle de production rigide non ajustable, retailers <50 M€ de CA (ROI marginal).
Pièges à éviter
1. Vouloir un modèle universel pour toutes les catégories. Le pull en cachemire et le tee-shirt basique ont des dynamiques d'écoulement totalement différentes (saisonnalité, élasticité, sensibilité météo, durée de vie). Un modèle unique aplatit ces différences et sous-performe partout. La séquence saine : un modèle par groupe de catégories homogènes, mutualisant l'infrastructure mais avec calibrations spécifiques. Comptez +30 % de précision sur ce découpage vs un modèle global.
2. Sous-estimer la qualité de l'historique. Si vos ruptures ne sont pas comptabilisées (ventes à zéro = rupture, pas demande nulle), si vos transferts inter-magasins ne sont pas rapprochés, si vos retours ne sont pas déduits, le modèle apprend du bruit. Plus pernicieux : une saison passée affectée par un événement exceptionnel (Covid, rupture fournisseur, météo extrême) peut être généralisée à tort. Audit historique en amont indispensable, et flag des saisons « anormales » à traiter spécifiquement.
3. Mesurer la précision sans groupe témoin. Tentation : « le modèle a prédit 1 000 unités, on en a vendu 950, donc 95 % de précision ». Mauvais calcul — peut-être que sans modèle on aurait commandé 1 100 et écoulé 1 050. Pour mesurer rigoureusement le gain incrémental du modèle, il faut un protocole où une partie du catalogue passe par les recommandations modèle et une partie reste sur la décision humaine seule, sur des références comparables.
4. Ignorer le change management côté achats. Un acheteur expérimenté qui voit débarquer un algorithme « qui décide à sa place » va résister. La parade : impliquer les acheteurs dès la conception (choix des features, validation rétrospective), garantir la transparence (références analogues qui justifient la prédiction), positionner clairement comme aide à la décision. Sans cela, l'outil est ignoré dans les 6 mois post-déploiement.
5. Confondre prédiction et action. Un modèle qui prédit qu'une référence va terminer la saison à 35 % de sell-through est utile uniquement si on a un levier d'action : démarque progressive anticipée, arrêt du réassort, transfert vers les magasins qui écoulent mieux. Sans process opérationnel pour transformer l'alerte en décision, le modèle finit en rapport hebdomadaire que personne ne lit. Construire le workflow décisionnel en parallèle du modèle, pas après.