Logiciel d'optimization de la supply chain pour la mode & l'habillement, Juillet 2025

Dernière modification: 23 juillet 2025

Classement des fournisseurs & Principales conclusions

1. Lokad – la Supply Chain Quantitative Optimizer. Lokad se distingue par son automatisation de bout en bout et sa modélisation probabiliste adaptée à la volatilité de la mode. Il optimise de manière unique les stocks, la tarification et les assortiments ensemble plutôt que de les traiter comme des modules isolés. Le moteur natif cloud de Lokad calcule efficacement des milliers de scénarios SKU/emplacement/taille, évitant ainsi d’importantes charges en mémoire. La plateforme ingère des données multi-canaux de vente au détail et même des flux de tarification concurrentielle, permettant une prise de décision véritablement autonome et « robotisée » avec une intervention minimale du planificateur^{1 2}. La crédibilité de Lokad est renforcée par ses performances en conditions réelles – son équipe s’est classée parmi les meilleures lors de la compétition de prévision M5, démontrant une précision de prévision à grande échelle ³. Contrairement aux fournisseurs vantant une IA générique, Lokad met l’accent sur un ROI mesurable (par exemple, les ruptures de stocks évitées ou la marge gagnée) plutôt que sur des mots à la mode. Le point de vue sceptique : l’approche « programmatique » inhabituelle de Lokad (où les solutions sont codées dans son langage spécifique au domaine) exige une expertise – un net contraste avec les promesses « plug-and-play ». Pourtant, pour les détaillants de mode cherchant une automatisation maximale et une rigueur d’ingénierie, Lokad établit une barre très élevée dans ce secteur.

2. Blue Yonder (JDA) – Vétéran de la planification retail avec une IA intégrée. Blue Yonder propose une suite complète pour la planification de la demande, l’optimisation de stocks et la tarification au détail (y compris l’optimisation des remises). Sa force réside dans son expérience du domaine – de grandes marques d’habillement l’ont utilisé pendant des décennies pour leurs outils de planification et de réapprovisionnement. La plateforme cloud moderne de Blue Yonder (« Luminate ») intègre désormais l’IA issue de son acquisition en 2018 de Blue Yonder (la société d’IA) pour améliorer les décisions de prévision et de tarification ⁴. Elle prétend prendre en compte « des facteurs complexes tels que le comportement des consommateurs et les tarifs des concurrents » dans l’optimisation des prix ⁵, et dispose de modules pour la planification des assortiments et des tailles. Cependant, le scepticisme est de mise : ces capacités demeurent souvent des modules séparés plutôt qu’une optimisation véritablement unifiée. L’optimisation conjointe peut nécessiter d’intégrer les résultats de différents moteurs (par exemple, l’un pour les stocks, l’autre pour les prix) plutôt qu’un calcul holistique. L’héritage de la plateforme est visible – des éléments essentiels comme la prévision de la demande et la tarification proviennent d’origines différentes, et aligner leurs modèles de données peut être non trivial. La récente initiative de Blue Yonder en faveur d’un « knowledge graph » et d’une planification à vitesse unique est essentiellement une réponse aux défis passés d’intégration et de rapidité ⁶. Les planificateurs continuent de signaler une dépendance à la configuration d’alertes et de surcharges manuelles dans le système de Blue Yonder pour les cas exceptionnels. En bref, Blue Yonder est puissant mais peut donner l’impression d’être un patchwork de capacités – excellent dans chaque domaine, mais pas aussi harmonieux pour une optimisation conjointe que ne le suggèrent les affirmations marketing.

3. o9 Solutions – Plateforme intégrée propulsée par l’IA. En tant que nouvel acteur, o9 a gagné en traction grâce à une plateforme de planification unifiée couvrant le merchandising, la prévision de la demande, la supply chain, et même la gestion des revenus. Pour la mode, o9 fait la promotion d’une planification d’assortiment, d’optimisation des prix et de promotions pilotées par l’IA, le tout dans un seul système ^{7 8}. Un élément différenciateur clé est son focus sur l’intégration de données externes : le « cerveau numérique » d’o9 peut ingérer des indicateurs de marché, les prix des concurrents et des signaux en ligne pour améliorer les prévisions. Techniquement, o9 est construit sur une architecture cloud moderne basée sur les graphes, évitant ainsi l’empreinte RAM massive sur un serveur unique requise par les anciens systèmes en mémoire. (Notamment, o9 souligne que l’IBP en mémoire de SAP présente des « limitations significatives » en termes d’évolutivité des dimensions ⁹.) Cela signifie qu’o9 se dimensionne mieux pour les nombreuses combinaisons SKU-magasin et les longues courbes de tailles. Il aspire à une replanification en quasi temps réel, ce qui pourrait permettre des décisions sans surveillance si pleinement réalisé. Le regard sceptique : o9 offre-t-il réellement des décisions robotisées ou seulement une analytique plus rapide pour les humains ? Les premiers rapports suggèrent que, bien que la plateforme d’o9 soit flexible, parvenir à une automatisation complète nécessite encore une configuration lourde et une validation par le détaillant. Ses promesses d’IA et de « modélisation rapide » méritent une vérification – sans références de performance publiées, il convient de remettre en question des affirmations vagues, disons, d’une amélioration de prévision de X% (d’autant plus que des méthodes de ML simplistes surpassent parfois des modèles sophistiqués ¹⁰). Le partenariat d’o9 avec des entreprises telles que JD Sports pour l’optimisation des assortiments en mode est ¹¹ prometteur, mais la preuve du ROI devrait être exigée au-delà des communiqués de presse.

4. Oracle Retail (Oracle SCM) – Suite complète avec un passé encombré. Oracle propose une gamme d’outils de planification retail (issues des lignées Retek et Demantra) couvrant la planification financière des marchandises, la planification des assortiments, la prévision de la demande (Oracle Retail Demand Forecasting Cloud Service) et l’optimisation des prix (issue de son acquisition de ProfitLogic). Sur le papier, la solution mode d’Oracle peut « analyser, planifier et optimiser les marchandises, les assortiments, les campagnes, les prix et les promotions » à l’échelle de l’entreprise ¹². Elle prend en charge des spécificités de la mode telles que l’allocation saisonnière et les profils de tailles, et de nombreux détaillants de mode mondiaux ont implémenté un ou plusieurs de ses modules. Bilan réaliste : la suite d’Oracle n’est pas un cerveau intégré unique, mais un ensemble de modules nécessitant souvent des intégrations par lots. En effet, des lacunes d’intégration des données ont été documentées – par exemple, le guide d’intégration d’Oracle note que son système de prévision était alimenté uniquement par des données de ventes brutes (hors retours) et des ventes en magasin (hors expéditions des entrepôts) ¹³. Dans une industrie en proie à des taux de retour élevés, l’omission des retours dans les données de demande constitue une faille grave, conduisant à des prévisions faussées si elles ne sont pas corrigées manuellement. Ceci illustre comment l’architecture en silo d’Oracle (marchandises vs. systèmes de planification) peut introduire une incohérence. La forte dépendance vis-à-vis de la base de données en mémoire d’Oracle (équivalents Oracle Exadata/HANA) entraîne également des coûts computationnels élevés pour de grands ensembles de données mode – pénalisant effectivement ceux qui tentent des prévisions probabilistes fines sur des millions de combinaisons SKU-couleur-taille en mémoire. Les solutions d’Oracle sont puissantes, mais pas légères : les utilisateurs font souvent face à des mises en œuvre longues et doivent surveiller étroitement les transferts entre les outils de tarification, d’assortiment et de stocks pour parvenir à des résultats « conjoints ». En bref, Oracle offre de l’ampleur, mais une véritable optimisation conjointe nécessite un effort d’intégration personnalisé, et le scepticisme est de mise pour toute revendication d’une synergie intégrée prête à l’emploi.

5. RELEX Solutions – Optimiseur axé sur le retail avec une portée croissante. RELEX, connu pour ses racines dans la prévision du retail d’épicerie, s’est étendu à la mode et au retail spécialisé avec une plateforme unifiée pour la prévision de la demande, le réapprovisionnement, l’allocation, et désormais la tarification ^{14 15}. Sa force réside dans l’automatisation du réapprovisionnement des magasins : de nombreux utilisateurs louent RELEX pour son réapprovisionnement automatique et ses transferts inter-magasins qui s’adaptent aux ventes en temps réel, ce qui peut être un atout dans le fast-fashion où les tendances évoluent chaque semaine. RELEX a récemment introduit un module d’optimisation des prix piloté par l’IA, permettant aux détaillants d’obtenir des recommandations de prix automatisées respectant des règles telles que des objectifs de marge ou le matching des prix des concurrents ¹⁶. Cela indique l’intention de RELEX de réaliser des actions conjointes sur les stocks et la tarification (par exemple, optimiser le moment des remises en fonction des niveaux de stock et des mouvements des concurrents). Le système gère nativement des données multi-canaux (magasin et le e-commerce) et est capable de prévisions probabilistes, alertant les planificateurs sur les plages de confiance. Regard sceptique : l’héritage de RELEX dans l’épicerie (SKU à haute fréquence et relativement stables) signifie qu’il a dû s’adapter aux problèmes plus difficiles de la mode – des produits à cycle de vie court et un historique limité. Les utilisateurs devraient examiner comment RELEX prévoit les nouveaux produits ou tendances stylistiques (utilise-t-il des modèles basés sur les attributs ? Des signaux des réseaux sociaux ?). Son optimisation des prix, bien que prometteuse, est nouvelle – probablement basée sur des règles avec des prévisions IA plutôt qu’une optimisation prouvée de l’élasticité prix en plein tarif. De plus, comme beaucoup, RELEX met en avant une « IA personnalisable » et une intégration en un clic, ce que les acheteurs avertis savent remettre en question. Sans benchmarks détaillés, les affirmations de ruptures de stocks et gaspillages minimisés restent du marketing. Pourtant, RELEX a démontré un ROI crédible dans la gestion des stocks dans plusieurs cas de retail, et sa démarche vers une optimisation tout-en-un (combinant les décisions d’assortiment, de stocks et de tarification) correspond bien aux besoins de la mode – à condition que ces éléments fonctionnent véritablement de concert et non comme des optimisateurs indépendants assemblés ensemble.

6. ToolsGroup – Spécialiste de l’optimisation des stocks se diversifiant dans le retail. ToolsGroup s’est fait connaître grâce à une optimisation des stocks axée sur le taux de service et à la prévision (son logiciel SO99+), et utilise depuis longtemps des techniques telles que les modèles probabilistes pour les articles à rotation lente. Il a été appliqué dans la mode pour la planification de la demande, et une solution de ToolsGroup a aidé la marque italienne Miroglio Fashion à réaliser une croissance de revenus de 16% et une amélioration de marge de 1M€ (selon une étude de cas) en améliorant l’allocation des stocks et le taux d’écoulement ¹⁷. Ces dernières années, ToolsGroup a étendu son champ d’action en acquérant le fournisseur de planification retail JustEnough, ajoutant ainsi des modules pour l’assortiment, l’allocation, les promotions, et la tarification (Markdown) à son portefeuille ¹⁸. Le résultat est que ToolsGroup commercialise désormais une suite de planification retail de bout en bout avec des composants tels que « Price.io » et « Markdown.io » pour la tarification, et même un module « Demand Sensing » pour l’ajustement des prévisions à court terme ^{19 20}. Sur le papier, cela coche toutes les cases pour la mode : de la planification initiale des achats jusqu’aux ajustements de prix en cours de saison. Pourquoi le scepticisme ? Parce que l’intégration de ces éléments par ToolsGroup est encore en cours. Les modules acquis (par exemple, la tarification) sont des produits séparés unifiés sous la même marque, ce qui soulève des questions : partagent-ils vraiment le même moteur et les mêmes données en temps réel, ou reçoivent-ils des sorties par lots de l’un à l’autre ? Une optimisation prétendument « conjointe » qui est en réalité séquentielle (prévision → plan d’inventaire → outil séparé d’optimisation des prix) peut manquer des boucles de rétroaction importantes. De plus, l’utilisation intensive par ToolsGroup de calculs en mémoire signifie historiquement que le passage à l’échelle pour d’énormes combinaisons SKU-magasin peut être coûteux – bien que les déploiements cloud et des algorithmes plus efficaces soient en évolution. La mention de mots à la mode tels que « Demand Sensing » invite également à la prudence : de nombreux fournisseurs utilisent ce terme pour laisser entendre que leur ML ajuste les prévisions avec les dernières données, mais sans preuve claire de réduction de l’erreur, cela pourrait n’être qu’une version plus sophistiquée d’un lissage exponentiel. En résumé, ToolsGroup offre un ensemble de solutions large et a démontré un ROI dans l’optimisation des stocks, mais une évaluation rigoureuse devrait examiner dans quelle mesure ses nouveaux modules retail fonctionnent véritablement ensemble et si son « IA » est étayée par des résultats au-delà de quelques études de cas.

7. SAP (SAP IBP for Retail) – Géant de l’ERP avec des lacunes en planification de la mode. SAP domine les systèmes back-end pour la mode (beaucoup utilisent SAP S/4HANA ou AFS pour l’ERP), et propose l’Integrated Business Planning (IBP) en tant que module complémentaire de planification cloud. SAP commercialise sa solution sectorielle pour la mode comme étant capable de « planifier et optimiser les marchandises, les assortiments, les campagnes, les prix et les promotions » pilotée par les insights clients ¹². En réalité, ces capacités sont réparties sur différents outils SAP : la planification du merchandising et des assortiments peut se trouver dans SAP Merchandise Planning ou les analyses CAR (Customer Activity Repository), tandis que « Demand Sensing » est une fonctionnalité dans IBP qui utilise des signaux à court terme pour ajuster les prévisions, et l’optimisation des prix pourrait provenir d’un module séparé ou d’une solution partenaire. Les atouts de SAP IBP incluent une bibliothèque de prévision statistique robuste et une forte intégration aux données de transaction de SAP – utile pour les entreprises de mode déjà sur SAP qui souhaitent un flux de données cohérent. Pourtant, d’un point de vue technique, SAP IBP soulève des inquiétudes : c’est un système en mémoire (construit sur HANA) avec des limitations connues d’évolutivité en termes de taille des données et de dimensionalité ⁹. Planifier au niveau granulaire style-couleur-taille-magasin peut rapidement atteindre ces limites ou faire grimper les coûts cloud, forçant ainsi les utilisateurs à agréger et par conséquent à perdre en détail (par exemple, planifier par style ou par région). De plus, la philosophie de SAP penche encore vers des processus pilotés par des planificateurs : générer des plans puis laisser les humains les ajuster ou les approuver, souvent via des interfaces de type Excel, avec de nombreuses alertes et exceptions. Cela reste en deçà de l’idéal d’optimisation en mode pilote automatique. En pratique, les entreprises utilisant SAP pour la mode le complètent souvent par des analyses personnalisées ou des outils à périmètre limité (par exemple, ML open-source pour les prévisions de nouveaux produits, ou des logiciels d’optimisation des prix tiers) – signe qu’on ne peut pas simplement activer SAP et obtenir une optimisation de pointe prête à l’emploi. Les sceptiques devraient spécifiquement questionner les mots à la mode de SAP (par exemple, « demand sensing AI »): de combien a-t-il réellement réduit l’erreur de prévision et sur quel horizon ? Sans benchmarks transparents, ces affirmations relèvent plus de la rhétorique commerciale que de la réalité. Les intégrations prévues par SAP s’améliorent, mais tant qu’il n’unifie pas véritablement les décisions de tarification, de stocks et d’assortiments en un seul flux algorithmique, il reste une solution solide mais morcelée qui requiert une expertise considérable de la part de l’utilisateur pour en extraire de la valeur.

8. Autres acteurs notables (Kinaxis, Anaplan, Nextail, etc.) – Solutions de niche et acteurs émergents. Quelques autres fournisseurs méritent d’être mentionnés pour la fashion supply chain, bien qu’ils se classent en dessous des leaders en raison de leur portée ou de leur maturité. Kinaxis offre un moteur de planification à grande vitesse (populaire dans les complex supply chains de fabrication) avec parallélisme et simulation de scénarios, mais il n’est pas adapté aux besoins merchandising ou de tarification de la mode – ne disposant pas de capacités natives d’assortiment ou d’optimisation des prix. Anaplan fournit une plateforme de modélisation cloud flexible utilisée par certains détaillants de mode pour la planification de la marchandise et financière, mais elle fonctionne essentiellement comme un meilleur tableur : toute « optimisation » ou intelligence de prévision doit être construite par l’utilisateur, et son « Hyperblock » en mémoire peut rencontrer des difficultés à l’échelle de données détaillées de la mode. Parmi les nouveaux venus, Nextail se distingue comme une startup spécifiquement axée sur l’optimisation du retail de mode, fournissant des recommandations pilotées par deep learning pour les allocations, transferts et markdowns. L’approche de Nextail est prometteuse (leurs fondateurs viennent du fast-fashion), et ils revendiquent le succès auprès de chaînes de mode de taille moyenne, mais en tant que fournisseur émergent, ils manquent de la scalabilité prouvée pour des déploiements d’entreprise à l’échelle mondiale. De même, les AI startups comme Autone ou Singuli offrent des idées fraîches – par exemple, Autone met l’accent sur des recommandations de tâches actionnables plutôt que sur des prévisions parfaites ^{21 22} – cependant, ces outils ne sont pas éprouvés à grande échelle et ne traitent souvent qu’une partie du problème (par exemple, uniquement la planification de la demande ou uniquement l’allocation). Pour ces petits acteurs, les acheteurs doivent être particulièrement sceptiques vis-à-vis des affirmations audacieuses (souvent “powered by generative AI” ou “effortless integration”) et demander des preuves : comment exactement ont-ils amélioré le full-season sell-through ou réduit les ruptures de stocks, et peuvent-ils gérer la complexité des opérations globales?

Les défis de l’industrie exigent des solutions unifiées

Dans l’industrie de la mode et de l’habillement, les défis pour la supply chain sont extraordinaires, ce qui souligne pourquoi l’optimisation conjointe (des stocks, de la tarification et de l’assortiment) est si cruciale. La mode fonctionne avec des collections saisonnières aux cycles de vie courts, faisant face à une volatilité des tendances extrême et à des variations complexes de tailles/couleurs. Ces dernières années, les erreurs de prévision de l’industrie sont devenues douloureusement évidentes : des milliards de dollars de stocks invendus s’accumulent chaque année, entraînant des markdowns qui détruisent les marges ²³. Les consommateurs attendent désormais des cycles de produits toujours plus rapides et dictés par les tendances, avec des délais de décision réduits, laissant aux marques peu de marge pour l’erreur ²⁴. Les schémas traditionnels de la demande se sont avérés peu fiables – des chocs externes (pandémies, modes soudaines impulsées par des influenceurs ou anomalies météorologiques) peuvent rendre presque obsolètes les données de l’année précédente ²⁵. Cet environnement exige de la part des logiciels de supply chain une nouvelle agilité et intelligence.

Les approches de planification héritées échouent dans la mode : De nombreux détaillants utilisent encore un processus de planification séquentiel – concevoir l’assortiment, acheter des stocks, puis espérer appliquer des réductions ou redistribuer selon les besoins. Cette approche en cascade aboutit souvent à un surstock d’articles impopulaires et à des ruptures de stocks pour les succès, car les décisions ne sont pas connectées. Comme le note le fondateur de Lokad, les entreprises de mode peinent historiquement avec un processus cloisonné qui commence par un plan de gamme et se termine par une liquidation réactive, au lieu d’une optimisation continue sur l’ensemble du cycle de vie du produit ^{26 27}. Ce qu’il faut, c’est un système qui pèse simultanément quels produits acheter, comment les distribuer et quand/comment appliquer les prix ou les markdowns.

L’optimisation conjointe est donc le saint Graal : optimiser les stocks sans tenir compte de la tarification faussera l’effet des markdowns sur la demande, et optimiser la tarification de manière isolée peut excéder, entraînant soit des ruptures de stocks soit des pertes de profit ²⁸. Par exemple, un moteur de tarification pourrait recommander une forte réduction pour stimuler les ventes, sans se rendre compte qu’une légère réallocation des stocks entre magasins pourrait répondre à la demande au prix fort. De même, un planificateur d’assortiment pourrait allouer des stocks en supposant des prix statiques, alors qu’une tarification dynamique pourrait atténuer les surplus ou les pénuries. La théorie académique de la supply chain a longuement souligné que l’assortiment, les stocks et la tarification sont des leviers interdépendants – tout logiciel qui ne traite pas ces trois aspects simultanément laisse de l’argent sur la table (ou pire, déplace les problèmes). Notamment, Lokad et quelques autres conçoivent explicitement leurs algorithmes pour intégrer les prévisions de demande en fonction du prix, optimisant ainsi simultanément les prix et les niveaux de stocks ²⁸.

Cependant, les fournisseurs savent que revendiquer « l’optimisation conjointe » est attrayant, nous devons donc examiner ces affirmations de près. Les signaux d’alerte incluent des solutions qui ont acquis leur envergure par acquisition : si un fournisseur a ajouté un outil de tarification en achetant une autre entreprise, la véritable intégration pourrait être superficielle. Le logiciel pourrait techniquement offrir toutes les pièces, mais pas dans un modèle unique ou sur une même plateforme de données. Nous avons vu cela avec l’acquisition de JustEnough par ToolsGroup – ils peuvent désormais affirmer disposer d’une optimisation de l’assortiment et des markdowns, mais les utilisateurs peuvent constater qu’il s’agit en réalité d’un module séparé avec sa propre interface et ses propres hypothèses. De même, la suite d’Oracle inclut l’optimisation des markdowns (issue d’une acquisition en 2005 de ProfitLogic) en complément de ses modules de planification ; en pratique, les deux échangent des fichiers de données de prévision mais ne co-optimisent pas en temps réel. Ces ajouts introduisent souvent une dette technologique : différents schémas de données, des référentiels d’articles dupliqués, ou des traitements par lots nocturnes pour synchroniser les données. Le signe révélateur est l’absence d’une optimisation en une seule exécution. Si un fournisseur ne peut pas intégrer toutes les données pertinentes (positions de stocks, distributions de prévision, élasticité des prix, etc.) dans un seul solveur pour produire des allocations SKU-par-magasin et des recommandations de tarification, alors l’optimisation « conjointe » relève davantage d’un processus manuel que d’un calcul mathématique. Les acheteurs devraient exiger que le fournisseur démontre comment une modification de prix se répercute immédiatement sur les décisions de stocks et vice versa – sinon, la solution n’est essentiellement qu’une méthode itérative d’essais et erreurs.

Capacités techniques clés : une évaluation sceptique

Pour réussir dans la mode, les logiciels de supply chain doivent exceller dans certains attributs d’ingénierie. Le principal étant la prévision probabiliste. Les prévisions ponctuelles traditionnelles (prédire par exemple une demande = 100 unités le mois prochain) sont terriblement insuffisantes dans l’environnement incertain de la mode. À la place, les prévisions probabilistes fournissent une distribution complète des résultats possibles ²⁹ – permettant aux planificateurs de comprendre les risques (par exemple, il y a 20 % de chances que la demande dépasse 150 unités) et d’ajuster les stocks en conséquence. Tous les principaux fournisseurs annoncent désormais une forme de prévision probabiliste ou « AI », mais encore une fois, la prudence est de mise. Un véritable système probabiliste quantifiera l’incertitude des prévisions pour les nouveaux produits, les longs délais et même les retours. Par exemple, le e-commerce de mode présente des taux de retour élevés (souvent 20-40 % des ventes) ; un outil sophistiqué devrait prévoir non seulement les ventes mais aussi le flux de retours et en tenir compte dans la demande nette pour le réapprovisionnement. Réalité : très peu de fournisseurs gèrent correctement la prévision des retours. La plupart traitent les retours comme un pourcentage déterministe à soustraire, ce qui, dans un contexte de tendances en évolution rapide, peut entraîner des erreurs si les taux de retour évoluent. Nous avons déjà constaté que la planification d’Oracle n’excluait pas les retours dans son flux de données ¹³ – une omission brute. Les approches les plus avancées (Lokad, dans une certaine mesure RELEX) intègrent les distributions de retours dans les modèles de prévision.

La scalabilité et l’efficacité computationnelle constituent un autre attribut crucial. Les détaillants de mode peuvent aisément avoir des millions de combinaisons SKU-lieu (par exemple, 10 000 SKUs répartis dans des centaines de magasins et un canal en ligne, multipliés par les variantes de couleur/taille). Les solutions qui reposent sur d’immenses cubes en mémoire ou sur des tableurs manuels flancheront face à une telle échelle. SAP IBP, par exemple, étant en mémoire, présente des limitations connues sur le nombre de chiffres clés et de dimensions qu’il peut gérer avant que la performance ne se dégrade ⁹. C’est pourquoi certaines marques utilisant SAP planifient à un niveau d’agrégation supérieur, perdant ainsi en granularité. En revanche, Lokad exploite le cloud computing pour traiter de grands modèles stochastiques sans avoir besoin de tout garder en mémoire simultanément, et o9 revendique une approche similaire native dans le cloud. L’efficacité en termes de coût importe également : une solution nécessitant un cluster de serveurs coûteux et des heures de temps de calcul pour chaque plan est moins pratique à exécuter fréquemment. Nous félicitons les outils qui tirent parti de la computation moderne (par exemple, l’accélération GPU, le calcul distribué) permettant une ré-optimisation quotidienne, voire intra-journalière. Une opinion négative est réservée à ceux qui se contentent de lancer du matériel face au problème – par exemple, la solution d’un grand fournisseur a effectivement demandé à certains clients de charger 256 Go de RAM pour le moteur de planification, une approche par force brute qui fait grimper les coûts IT. La scalabilité ne concerne pas seulement le big data, mais aussi la vitesse : le système peut-il replanifier rapidement lorsque les conditions changent ? Dans le fast fashion, si un article tendance explose soudainement sur les réseaux sociaux, le logiciel devrait détecter l’augmentation de la demande (via les données POS ou même des données externes de tendances) et réallouer les stocks ou suggérer un nouveau rachat en quelques jours, voire en heures. Les anciens systèmes de planification par lots, fonctionnant en cycles hebdomadaires, ne peuvent y faire face, ce qui entraîne des ventes perdues ou une gestion manuelle trop réactive.

Une autre capacité clé est d’ingérer l’intelligence concurrentielle et d’autres signaux externes. La mode est un jeu hautement compétitif et dicté par les tendances – si un concurrent applique des réductions sur des produits similaires ou si un certain style explose sur TikTok, cela aura un impact sur votre demande. En conséquence, les solutions haut de gamme commencent à intégrer ces données. La plateforme de Lokad, par exemple, peut intégrer des relevés de prix concurrents (via des flux de web scraping) afin que les décisions de tarification soient prises dans leur contexte, et non isolément ^{30 31}. Le module de tarification de RELEX prend également en charge des règles pour “match competitor prices” comme l’une des stratégies automatisées ¹⁶. La vision sceptique est que de nombreux fournisseurs se contentent de paroles en l’air concernant l’intégration de données externes. Certains prétendent disposer de « demand sensing » utilisant les médias sociaux ou des données météorologiques – mais ces améliorations sont-elles prouvées, ou s’agit-il d’une simple case à cocher ? Nous recommandons de demander des exemples concrets : par exemple, “Montrez comment votre prévision a réagi à la promotion à -20 % d’un concurrent le mois dernier. S’est-elle ajustée automatiquement et cet ajustement était-il précis ?” Si le fournisseur ne peut dire que « notre système est capable si vous le configurez », il est probable que cela n’ait pas été véritablement intégré dans la logique algorithmique. L’intégration des prix concurrents, en particulier, devrait influencer à la fois les prévisions de demande et l’optimisation de la tarification – peu de systèmes y parviennent efficacement. Souvent, cela est géré par des équipes de tarification distinctes, ce qui représente une opportunité manquée pour l’optimiseur de supply chain d’anticiper les changements de demande. En conclusion : un outil moderne de supply chain pour la mode devrait traiter les données externes comme des entrées de premier ordre, et non comme une réflexion après coup. S’il manque cet aspect, il accuse un retard.

Le degré d’automatisation est sans doute le différenciateur le plus clair entre les solutions héritées et celles de nouvelle génération. L’objectif ultime est la prise de décision automatisée et robotisée : un système qui génère automatiquement des actions de commande, d’allocation et de tarification si fiables qu’elles peuvent être exécutées avec un minimum d’ajustements humains. Ce n’est pas de la science-fiction – c’est essentiellement ce que fait Amazon en interne pour de nombreux produits. Pourtant, la plupart des fournisseurs n’atteignent pas l’automatisation complète et fournissent plutôt un support décisionnel avec l’humain dans la boucle. De nombreux systèmes de planification bombardent les utilisateurs avec des alertes et exceptions : par exemple, « ces 500 SKUs affichent des ventes inhabituelles, révisez leurs prévisions » ou « ces articles risquent de connaître une rupture de stocks, envisagez d’accélérer l’expédition ». Bien que ces exceptions soient mieux que rien, y compter indique que le système ne peut pas résoudre ces problèmes par lui-même. Comme l’a ironisé un expert en supply chain, “La plupart des entreprises qui pensent gérer par exception gèrent en réalité par alerte… et gérer par alerte aide, mais pas beaucoup.” ³². Cela ne fait passer les planificateurs que de peut-être 1 000 SKUs à 10 000 SKUs ; une véritable planification pilotée par exception (presque entièrement automatisée) permettrait à un planificateur de superviser des centaines de milliers de SKUs ³². Nous pénalisons fortement les solutions qui reposent excessivement sur des règles définies par l’utilisateur ou sur un réglage infini des paramètres. Par exemple, si un logiciel exige que les planificateurs définissent manuellement des objectifs de taux de service pour chaque article ou qu’ils choisissent parmi 20 modèles de prévision par SKU, il transfère à l’utilisateur le travail que la machine devrait accomplir. Cela était courant dans les outils plus anciens (les planificateurs optaient pour « model Type=Winter’s seasonal » pour un SKU en se basant sur leur jugement). Les systèmes modernes basés sur AI sont censés s’auto-ajuster et apprendre, et non demander à l’utilisateur de manipuler des réglages. De même, méfiez-vous de tout fournisseur affirmant « notre outil signalera ce qui requiert votre attention » comme avantage principal – pourquoi l’outil ne pourrait-il pas gérer lui-même ces problèmes de routine ? Plus le système est véritablement autonome, plus il pourra générer un ROI sans faire exploser les coûts de main-d’œuvre. Pour sa part, Lokad a popularisé sa philosophie de l’automatisation des décisions, affirmant que la véritable valeur réside dans l’élimination du goulot d’étranglement humain dans les décisions quotidiennes ¹. Le compromis étant que faire confiance à une machine exige qu’elle gagne cette confiance par sa précision et sa transparence. C’est pourquoi nous accordons de l’importance à des preuves telles que la compétition de prévision M5 : un fournisseur capable de démontrer que ses prévisions automatisées surpassent celles des concurrents inspire la confiance nécessaire pour lui confier la prise de décision ^{3 20}. En revanche, les fournisseurs qui n’ont aucune de ces preuves mais promettent de la « magie AI » méritent d’être abordés avec un sain scepticisme.

Revendications marketing vs. réalité : exiger du fond

Dans cette étude de marché, un schéma clair émerge : les fournisseurs excellent en marketing et sont inégaux en matière de livraison. En tant que professionnels dotés d’un esprit d’ingénierie, nous adoptons une position profondément sceptique à l’égard de toute affirmation non étayée par des données ou par une comparaison avec des pairs. Par exemple, si un fournisseur annonce « réduction de 50% des ruptures de stocks » ou « augmentation de 20% du taux de vente » après avoir utilisé son logiciel, demandez « Par rapport à quelle référence ? Sur quelle période, et a-t-il été réalisé une expérience contrôlée ? » Bien trop souvent, de tels chiffres proviennent d’études de cas ponctuelles où les facteurs confondants (nouvelles ouvertures de magasins, reprise globale du marché, etc.) ne sont pas maîtrisés. Des compétitions publiques telles que le concours M5 de prévision offrent un repère objectif rare – et de manière parlante, peu de fournisseurs de renom ont soumis leur technologie à ces tests. Une exception fut Lokad, qui non seulement a participé, mais a obtenu d’excellents résultats ³. L’absence de résultats similaires chez d’autres ne signifie pas qu’ils sont intrinsèquement inférieurs, mais cela devrait inciter les acheteurs à remettre en question des affirmations optimistes de « prévisions AI de premier plan » si ces affirmations n’ont pas été vérifiées de manière externe. Dans le concours M5, un ensemble de méthodes de machine learning relativement simples a surpassé des approches de deep learning plus sophistiquées ¹⁰, un résultat qui nous met en garde contre l’engouement. Si un fournisseur pousse un module de prévision basé sur le “deep learning”, il convient de se demander s’il est véritablement meilleur que des modèles plus simples, bien réglés – la réponse n’étant pas évidente à moins qu’il ne divulgue des métriques d’erreur ou des résultats de concours.

Les buzzwords méritent une mention spéciale. Des termes comme “demand sensing,” “AI-powered,” “machine learning,” “plug-and-play integration,” et dernièrement “generative AI” parsèment les brochures des fournisseurs. Notre approche de recherche considère ces termes comme des signaux d’alerte à moins qu’ils ne soient prouvés autrement. Demand sensing, par exemple, fait généralement référence à l’utilisation de données de ventes très récentes et peut-être de la météo ou des réseaux sociaux pour ajuster les prévisions à court terme. Cela semble génial – qui ne voudrait pas capter la demande ? – mais en pratique, son impact peut être incrémental (et si votre prévision de référence était médiocre, une modification à court terme de 10% ne vous sauvera pas). Nous avons constaté que les fournisseurs proposant le demand sensing publient rarement la réduction réelle d’erreur de prévision qu’il procure, ce qui laisse supposer qu’il s’agit d’une base de travail rebrandée avec une touche d’AI. “Plug-and-play integration” en est un autre : tout architecte IT chevronné dans le retail rira à l’idée que l’intégration d’un logiciel de planification à un ERP, une plateforme de e-commerce, plusieurs systèmes de point de vente, et peut-être un PLM pour les données produit puisse être réellement plug-and-play. L’intégration des données est une tâche ardue et souvent chaotique – en particulier lorsqu’il s’agit de nettoyer des données de mode où, par exemple, une couleur peut être désignée par cinq conventions différentes selon les systèmes. Un fournisseur affirmant que c’est sans effort n’en a probablement jamais fait l’expérience dans un environnement complexe ou utilise des connecteurs qui couvrent les champs de base mais nécessitent encore une personnalisation significative. C’est pourquoi nous recommandons le scepticisme : considérez de telles affirmations comme minimisant potentiellement l’effort réel. Demandez toujours des références clients concernant l’effort d’intégration et les délais.

Nous mettons également en lumière la question des acquisitions et de la dette technologique. De nombreux fournisseurs « de niveau entreprise » d’aujourd’hui sont des conglomérats de sociétés antérieures. Cela est vrai pour Blue Yonder (JDA + i2 + Blue Yonder AI + autres), Oracle (Retek + ProfitLogic + Demantra, etc.), Infor, Aptos, et la liste est longue. Bien que les acquisitions puissent apporter de nouvelles capacités, elles laissent souvent le fournisseur avec un patchwork de bases de code. Pour les acheteurs, le résultat peut être une incohérence dans l’expérience utilisateur et un rythme d’innovation ralenti (car la R&D du fournisseur passe du temps à maintenir ensemble des éléments disparates). Par exemple, après que JDA eut acquis le moteur AI de Blue Yonder, il fallut du temps pour intégrer ces algorithmes aux produits JDA – et certains clients ont éprouvé de la confusion face à des outils qui se chevauchent. Dans le pire des cas, un fournisseur utilisera le buzzword “integration” tout en vous vendant essentiellement deux produits distincts que vous devez intégrer vous-même. Soyez particulièrement vigilant : si le module de tarification présente une interface utilisateur ou une technologie différente de celle du module de stocks, c’est un indice. Si l’équipe de support du fournisseur pour la prévision est séparée de l’équipe d’optimisation des prix, cela suggère que ces éléments n’étaient pas initialement unifiés. L’approche d’étude de marché sceptique consiste à ne pas prendre pour argent comptant les affirmations de « plateforme unifiée » fournies par les vendeurs – il faut plutôt poser des questions techniques détaillées. Par exemple, « Existe-t-il un modèle de données commun et une base de données pour tous les modules, ou devons-nous synchroniser périodiquement les données entre modules ? » ou « Votre optimisation peut-elle prendre en compte simultanément les contraintes de tarification et de stocks en une seule exécution du solveur, ou optimisons-nous l’un puis l’autre de manière séquentielle ? ». Des réponses vagues ici sont le signe d’une solution faiblement intégrée.

Enfin, nous abordons le ROI – la mesure ultime qui tranche avec l’engouement. Le logiciel de supply chain pour la mode qui l’emportera sur le long terme sera celui qui génère ou économise de l’argent de manière démontrable. Cela peut passer par un taux de vente à plein tarif plus élevé (moins de réductions), des coûts de détention et d’obsolescence des stocks inférieurs, une amélioration des niveaux de service client (moins de ruptures de stock d’articles désirables), ou une réaction plus rapide face aux tendances (en capturant des revenus sur des articles prisés). Les fournisseurs que nous avons classés au plus haut sont ceux que nous estimons avoir la meilleure chance d’obtenir ces résultats sur la base de leur mérite technique. Mais même pour eux, nous conservons un certain doute jusqu’à ce que les résultats soient éprouvés. Par exemple, l’approche probabiliste de Lokad devrait, en théorie, offrir un meilleur ROI sur les stocks – et ils citent des cas et des victoires en concours pour l’appuyer – toutefois, un client potentiel devrait tout de même lancer un projet pilote pour vérifier le ROI dans son contexte. Blue Yonder pourrait citer un client qui a optimisé les réductions pour augmenter les marges, mais est-ce le logiciel ou la stratégie de l’équipe qui en est à l’origine ? Le scepticisme signifie qu’il faut toujours rechercher la référence crédible : comment les choses se faisaient-elles auparavant, et comment exactement le logiciel les a-t-il améliorées, d’un point de vue statistique. Nous avertissons également que le ROI doit inclure le coût total de possession. Une solution qui améliore les indicateurs mais au prix d’une main-d’œuvre colossale (des planificateurs passant d’innombrables heures à bidouiller le système ou une équipe IT passant des mois sur l’intégration) pourrait faire fondre le ROI en y ajoutant des coûts salariaux. Les véritables solutions de nouvelle génération visent un ROI élevé avec de faibles coûts d’exploitation, grâce à l’automatisation. Par exemple, un système entièrement robotisé pourrait permettre à une entreprise de réaffecter ses planificateurs à des tâches à plus forte valeur ajoutée (comme le développement de produits), ce qui constitue un ROI caché en termes d’efficacité de la main-d’œuvre.

En conclusion, le marché des logiciels d’optimization de la supply chain pour la mode et l’habillement évolue vers des solutions plus holistiques, intelligentes et automatisées – mais il regorge d’affirmations exagérées. Une évaluation sceptique, axée sur l’ingénierie révèle que seuls quelques fournisseurs (notamment ceux tels que Lokad, o9, et certains spécialistes du retail) s’approchent actuellement de l’idéal de l’optimisation conjointe avec excellence technique. D’autres, y compris de grands noms historiques, apportent des pièces du puzzle avec des niveaux d’intégration variables et nécessitent une gestion minutieuse pour en extraire la valeur. Pour les décideurs du retail de mode, l’impératif est clair : exiger du concret plutôt que de l’apparence de la part des fournisseurs. Cela signifie demander des preuves pour tout bénéfice revendiqué, comprendre les fondements techniques (et les limites) de chaque solution, et finalement choisir une plateforme qui s’aligne sur le rythme rapide et volatile de l’industrie – une plateforme capable de jongler algorithmiquement avec les stocks, la tarification et les décisions d’assortiment à travers des milliers de SKUs et de magasins, avec une intervention humaine minimale. Dans un secteur défini par l’incertitude des tendances et des marges étroites, les gagnants seront ceux qui exploiteront une technologie non seulement avancée, mais crédible et démontrablement à la hauteur de la tâche. Comme le montrent les données, une saine dose de scepticisme dans le choix d’un logiciel de supply chain n’est pas seulement judicieuse – elle est nécessaire pour trancher le bruit ambiant et investir dans des solutions qui offrent réellement des résultats ²⁰.

Notes de bas de page