Prévision de la demande mode
La prévision est difficile. Prévoir l’avenir de la mode est d’une difficulté incroyable. En conséquence, pour la plupart, l’industrie de la mode s’appuie encore sur des méthodes rudimentaires telles que Open-To-Buy qui ne sont rien d’autre que des moyennes mobiles hiérarchisées glorifiées. Pourtant, la plupart des praticiens de Supply Chain soutiendraient que tant qu’il n’existe rien qui puisse réellement surpasser Open-To-Buy dans le monde réel, alors Open-To-Buy n’est pas démodé, peu importe la rudesse de la méthode. En fait, jusqu’à récemment, nos propres observations étaient en accord avec ce que les entreprises de mode nous disaient : rien ne fonctionne vraiment pour la mode, et l’intuition demeure la meilleure option parmi toutes les autres alternatives, même moins satisfaisantes.
Notre moteur de prévisions probabilistes, lancé l’année dernière, a changé la donne pour la mode. Après des années à lutter contre les schémas de demande dans la mode, nous disposons enfin d’un moteur de prévision conçu nativement pour relever les défis spécifiques du secteur de la mode. Au cours des derniers mois, nous avons piloté les Supply Chain de plusieurs entreprises de mode, et eh bien, cela fonctionne réellement ! Compte tenu du palmarès des fournisseurs de prévisions dans l’industrie de la mode, les chances n’étaient pas vraiment en notre faveur.
La demande dans la mode est généralement stimulée par la nouveauté, et les nouveaux produits se regroupent au sein de collections. Les collections sont essentielles d’un point de vue mode ; cependant, elles représentent en même temps un défi colossal de prévision.
La demande doit être prévue pour des produits qui n’ont pas encore été vendus.
La mode ne concerne pas les produits qui restent invendus depuis longtemps, la mode concerne les produits qui ne se sont jamais vendus. Cette perspective est fondamentalement en décalage avec l’approche de prévision par séries temporelles qui constitue la base de presque tous les systèmes de prévision - pas celui de Lokad toutefois. En effet, d’un point de vue des séries temporelles, dans le cas de la mode, les séries temporelles n’ont aucune profondeur historique, il n’y a donc rien sur quoi s’appuyer pour réaliser des prévisions.
Le moteur de prévisions probabilistes de Lokad adopte une approche complètement différente : il exploite activement les différents attributs des produits : marque, style, couleur, tissu, taille, gamme de prix, catégorie, etc., afin d’établir une prévision de la demande basée sur la performance de produits similaires dans les collections précédentes.
L’une des choses que le moteur de prévisions de Lokad ne fait pas est d’exiger que les produits soient appariés manuellement entre les collections. Premièrement, établir ces appariements est très compliqué et extrêmement chronophage. Les praticiens de Supply Chain ne sont pas censés être les esclaves de leurs propres systèmes ; si les systèmes exigent que des milliers de produits soient appariés manuellement, il y a de fortes chances que ce temps soit mieux investi dans l’élaboration d’une prévision manuelle qui bénéficie directement des connaissances humaines. Deuxièmement, dans la mode, l’association 1-à-1 entre l’ancienne et la nouvelle collection n’a en réalité aucun sens la plupart du temps. Les nouvelles collections sont susceptibles de redéfinir les codes de manière subtile mais importante : un produit peut devenir plusieurs, et inversement. Une méthodologie qui repose exclusivement sur des associations 1-à-1 est garantie de fournir des résultats assez naïfs concernant les futures collections.
Le moteur de prévisions de Lokad consiste à calculer toutes ces similitudes de manière entièrement automatisée grâce à des algorithmes d’apprentissage automatique. Artificial Intelligence est actuellement très en vogue dans les médias, mais en réalité, cela se résume à des algorithmes d’apprentissage automatique qui ont connu des progrès constants et graduels au cours des trois dernières décennies. Lokad exploite plusieurs catégories d’algorithmes d’apprentissage automatique, adaptés aux besoins de Supply Chain.
De plus, Lokad fournit des prévisions probabilistes. Plutôt que de proposer une unique prévision de la demande – la médiane ou la moyenne – qui est (presque) garantie d’être incorrecte, Lokad fournit les probabilités pour (presque) tous les scénarios de demande. Cet aspect est d’une importance cruciale pour l’industrie de la mode, car l’incertitude est irréductible ; et une bonne commande d’approvisionnement se résume fréquemment à une analyse des risques.
Dans la mode, les deux principaux risques sont les opportunités manquées s’il n’y a pas assez de stocks, et les dépréciations de stocks si les marchandises doivent être vendues avec une remise très agressive pendant la période des soldes – afin de liquider les stocks restants d’une collection. Lokad dispose de capacités natives pour traiter cette analyse des risques si importante dans la mode.
Intrigué par les capacités de Lokad pour la mode ? N’hésitez pas à réserver un appel de démonstration avec nous.
