Prévision de la demande de mode
Prévoir est difficile. Prévoir l’avenir de la mode est incroyablement difficile. Par conséquent, dans la plupart des cas, 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 descendantes glorifiées. Pourtant, la plupart des praticiens de la chaîne d’approvisionnement soutiendraient que tant qu’il n’y a rien qui puisse réellement surpasser Open-To-Buy dans le monde réel, alors Open-To-Buy n’est pas dépassé, peu importe à quel point la méthode peut être rudimentaire. En fait, jusqu’à récemment, nos propres observations étaient alignées sur ce que les entreprises de mode nous disaient : rien ne fonctionne vraiment pour la mode, et le travail au hasard reste la meilleure option parmi toutes les autres alternatives, encore moins satisfaisantes.
Notre moteur de prévision probabiliste, lancé l’année dernière, a révolutionné le secteur de la mode. Après des années de lutte avec les tendances de la demande de mode, nous disposons enfin d’un moteur de prévision spécifiquement conçu pour les défis particuliers du secteur de la mode. Au cours des derniers mois, nous avons piloté les chaînes d’approvisionnement de plusieurs entreprises de mode, et eh bien, ça fonctionne réellement ! Étant donné le bilan 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 dans des collections. Les collections sont essentielles du point de vue de la mode ; cependant, elles représentent également un défi de prévision massif.
La demande doit être prévue pour des produits qui n’ont pas encore été vendus.
La mode ne concerne pas les produits qui n’ont pas été vendus depuis longtemps, la mode concerne les produits qui n’ont pas été vendus du tout. Cette perspective est une incompatibilité fondamentale avec l’approche de prévision des séries temporelles qui constitue le fondement de presque tous les systèmes de prévision - sauf Lokad. En effet, d’un point de vue des séries temporelles, dans le cas de la mode, les séries temporelles n’ont aucune profondeur historique, donc il n’y a rien sur quoi s’appuyer pour la prévision.
Le moteur de prévision probabiliste de Lokad adopte une approche totalement différente : il exploite activement les différentes caractéristiques des produits : marque, style, couleur, tissu, taille, gamme de prix, catégorie, etc., afin de construire une prévision de la demande basée sur les performances de produits similaires dans les collections précédentes.
L’une des choses que le moteur de prévision 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 la chaîne d’approvisionnement ne sont pas censés être les esclaves de leurs propres systèmes ; si les systèmes nécessitent des milliers de produits à être appariés manuellement, il est probable que ce temps serait mieux investi dans la production d’une prévision manuelle qui bénéficie directement des connaissances humaines. Deuxièmement, dans la mode, une correspondance 1 à 1 entre les anciennes et les nouvelles collections 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 vice versa. Une méthodologie qui repose exclusivement sur des appariements 1 à 1 est garantie de fournir des résultats plutôt naïfs sur les futures collections.
Le moteur de prévision de Lokad consiste à calculer toutes ces similarités de manière entièrement automatisée grâce à des algorithmes d’apprentissage automatique. L’intelligence artificielle est maintenant très en vogue dans les médias, mais en réalité, cela se résume à des algorithmes d’apprentissage automatique qui ont connu des progrès constants mais graduels au cours des 3 dernières décennies. Lokad exploite plusieurs classes d’algorithmes d’apprentissage automatique, adaptés aux besoins de la chaîne d’approvisionnement.
De plus, Lokad fournit des prévisions probabilistes. Au lieu de fournir une seule 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 capitale pour l’industrie de la mode car l’incertitude est irréductible ; et une bonne commande d’approvisionnement se résume souvent à une analyse des risques.
Dans la mode, les deux principaux risques sont les opportunités manquées s’il n’y a pas assez de stock, et la dépréciation des 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 spécifique qui est 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.