Optimisation prédictive pour la mode
La mode est animée par la nouveauté. Une marque de mode doit concevoir et promouvoir le bon produit au bon moment, au bon prix et avec une quantité de stocks juste suffisante pour répondre au marché. Ensuite, les promotions sont utilisées d'abord pour amplifier la demande et ensuite pour liquider tout excès de stocks. Lokad offre une solution logicielle statistique qui fournit une optimisation prédictive à chaque étape du cycle de vie du produit, de sa conception à sa liquidation. Notre technologie intègre exactement ce qui rend la mode si incroyablement difficile : des cannibalismes et substitutions omniprésents, des tendances et des saisonnalités erratiques, des flux incessants de nouveaux produits, des prix hautement dynamiques, etc.
Éd. Le contenu suivant ne s'applique pas au grand luxe, qui obéit à un ensemble de règles et de contraintes très différent. Pour plus d'informations, voir Optimisation prédictive pour le grand luxe.
Vizions by Zalando: La première conférence européenne de plateforme, 20 avril 2017 Berlin
Commençons par une question innocente. Pourquoi pensez-vous qu'il y a des soldes ? De nos jours, les soldes d'hiver, d'été, et de nombreux autres événements plus petits entre ces périodes sont une institution, notamment dans la mode. (...) Mais pourquoi existent-ils en premier lieu ? Ils existent pour permettre aux détaillants de se débarrasser du surstock. En premier lieu, les soldes sont la manifestation d'une prévision ratée. On peut soutenir qu'aujourd'hui, ils sont bien plus que cela. Certes, mais l'objectif initial demeure.
Joannes Vermorel, Fondateur de Lokad
LOKAD TV
Découvrez nos interviews sur Lokad TV et apprenez-en plus sur la Supply Chain et la mode.
Optimisation de bout en bout sur l'ensemble du cycle de vie du produit
Phase 1 - pré-collection
De nombreuses marques de mode lancent des milliers de nouvelles références par collection - en tenant compte des tailles, des couleurs, des points de vente, etc.
Au cours de la dernière décennie, les marques les plus performantes ont démontré leur capacité à s'aligner toujours davantage sur les dernières tendances, augmentant leur nombre de collections par an et réduisant leurs délais.
La technologie d’optimisation prédictive de Lokad aborde chaque décision tout au long du cycle de vie de chaque produit de la marque. Notre technologie est un mélange de machine learning - utilisé pour extraire des motifs ou des prévisions à partir des données - et d’optimisation numérique - utilisée pour générer des décisions optimisées.
La préparation de la nouvelle collection débute par la délivrance d’une optimisation d’assortiment - également appelée plan de gamme. La technologie Lokad vous permet de composer la bonne gamme de tailles, couleurs et formes à partir des designs initiaux. Ce plan de gamme est conçu pour correspondre au plus près aux souhaits et attentes de votre clientèle. Lokad peut vous aider à générer le business case qui soutient le plan de gamme, et offre aux planificateurs la possibilité de le peaufiner grâce à leurs insights de haut niveau - contrairement à une micro-gestion de chaque variante de produit.
Dès que le plan de gamme est finalisé, nous délivrons une optimisation des achats, suggérant exactement combien d’unités doivent être produites ou achetées pour chaque variante de produit - et quand passer commande également. Naturellement, la plupart des produits n’ont jamais été vendus auparavant. Cette tâche est généralement compliquée par de multiples contraintes de MOQ (quantités minimales de commande), des remises de prix, ainsi que par des délais variables (par exemple, le Nouvel An chinois ralentissant la production en Asie). Lokad peut également optimiser le mix de transport (par exemple, fret maritime vs. aérien) et le mix de fournisseurs (par exemple, fournisseurs étrangers vs locaux).
À titre d’exemple, notre solveur de MOQ peut traiter plusieurs contraintes de MOQ qui se chevauchent : il peut y avoir un MOQ au niveau du produit (par exemple, un minimum de 100 unités par produit pour chaque bon de commande), un autre MOQ au niveau du tissu (par exemple, un minimum de 3000 mètres de tissu par couleur), et un dernier MOQ au niveau du fournisseur (par exemple, un minimum de 50 000 $ de marchandises achetées par commande). Traiter tous ces MOQ tout en maintenant les niveaux de stocks sous contrôle est un casse-tête majeur lorsque les MOQ sont traités manuellement. Lokad rationalise entièrement le processus grâce à des solveurs numériques qui permettent d’identifier l’enveloppe de bon de commande la plus rentable satisfaisant toutes les contraintes données.
Phase 2 - après le lancement de la collection
Lorsque le lancement de la collection approche, nous délivrons une optimisation d’allocation de stocks, déterminant exactement combien d’unités allouer à chaque centre de distribution et/ou à chaque magasin. En magasin, les stocks ont deux objectifs : non seulement répondre à la demande, mais aussi attirer la clientèle. L’optimisation d’allocation prend correctement en compte cet angle de marchandisage, optimisant chaque magasin. L’optimisation tient compte des limites de capacité de stockage (par exemple, l’espace en rayon), ainsi que de la capacité limitée des équipes sur le terrain à faire face à de gros lots de produits entrants. Les bundles et les lots - qui sont pratiques pour réduire les coûts de manutention - sont également pris en charge.
Pour rester à la pointe des tendances, nous identifions les best-sellers et les slow-movers. L’identification des best-sellers, destinée à déclencher des réapprovisionnements anticipés, peut être effectuée avec des quantités de stocks limitées, en sondant le marché dans un nombre restreint de magasins - possiblement uniquement via le e-commerce. Inversement, l’identification précoce des slow-movers est également importante afin de retirer le plus rapidement possible ces produits des rayons qu’ils occupent au détriment de produits meilleurs.
Pour la plupart des marques de fast fashion, les remises et autres mécanismes promotionnels font partie de l’ADN de la marque. Lokad offre des capacités d’optimisation de tarification, suggérant quand baisser le prix afin de garantir qu’il n’en restera aucun à la fin de la collection, tout en maximisant le montant global de la marge brute
Nous prenons également en compte les remises issues des programmes de fidélité - appliquées uniformément sur de nombreux produits - qui peuvent remplacer et parfois compléter les remises au niveau du produit.
Optimisation d'assortiment, optimisation des achats, optimisation d'allocation de stocks, identification des best-sellers et des slow-movers, optimisation de tarification : Lokad peut être utilisé pour optimiser toutes ces décisions - et bien plus encore - avec une perspective end-to-end cohérente sur l'ensemble du cycle de vie des produits. Cependant, il est également possible de commencer petit avec un périmètre plus restreint. Pour toute demande, envoyez-nous un email à contact@lokad.com
La mode requiert des prévisions de demande non classiques
L’optimisation des décisions impliquant des stocks et des prix nécessite des prévisions précises sur l’avenir. Cependant, la perspective classique de prévision de la demande est généralement dysfonctionnelle en ce qui concerne la mode. Lokad a donc développé des capacités de prévision uniques, conçues spécifiquement pour relever les défis auxquels sont confrontées les entreprises de mode.
Nous utilisons des prévisions probabilistes : nous considérons tous les futurs possibles, et nous calculons leurs probabilités respectives. En effet, l’incertitude de la demande est irréductible dans la mode. Il n’y a aucun espoir de produire une prévision « parfaite ». Les méthodes traditionnelles s’attendent à ce que les décisions soient prises sur la base d’une seule prévision, rendant ces décisions fragiles face aux erreurs de prévision.
Plutôt que d’ignorer l’incertitude, nous l’acceptons. Grâce aux prévisions probabilistes, nous équilibrons risques et opportunités.
Les prévisions s’opèrent au niveau de l’assortiment afin de prendre en compte les effets de cannibalisation et de substitution. Prévoir la demande d’un produit isolément n’a aucun sens, car la demande pour ce produit est fortement influencée par la présence - ou l’absence - de produits similaires qui se disputent les mêmes clients. Les méthodes traditionnelles se concentrant sur les prévisions de séries temporelles passent complètement à côté de ce point, et la situation se dégrade généralement lorsque les stocks de sécurité ou les taux de service sont également utilisés.
La demande est conditionnée par la tarification, qui fait partie intégrante de notre prévision. Non seulement la demande future est une question de probabilités, mais ces probabilités sont influencées par le prix du produit - un levier exploitable à la disposition de l’entreprise.
Une fois de plus, l'assortiment compte, et l'augmentation de la demande dépend de l'intensité promotionnelle globale. Il est imprudent d'attendre la même augmentation si le produit est le seul à être promu dans le magasin, par rapport à une promotion appliquée à l'ensemble du magasin. Les prévisions ne s'arrêtent pas uniquement à la demande ; les retours et les délais doivent également être prévus.
Chaque source d'incertitude nécessite des prévisions statistiques appropriées, et bien que la demande future soit centrale, il existe des besoins au-delà de la prévision de la demande et nous avons conçu notre technologie en conséquence. Ces prévisions sont également généralement probabilistes et tendent à être combinées avec les prévisions de demande elles-mêmes - par exemple, la prévision de la demande sur le délai. La dernière génération de notre technologie de prévision s'appuie sur differentiable programming. Ce descendant du deep learning est particulièrement adapté pour traiter une demande rare et intermittente, comme on l'observe communément dans l'industrie de la mode.
Qu'en est-il de la météo et des réseaux sociaux ?
Notre expérience indique que la plupart des entreprises sous-exploitent de manière significative leurs propres données historiques « de base ». La plupart des prévisions de demande n'exploitent même pas les données de fidélité client, et la plupart des bons de commande sont émis sans prévision formelle des délais. Ainsi, bien que nous ne négligions pas de nous inspirer de sources de données externes comme les réseaux sociaux ou les données météorologiques, nous croyons fermement que les entreprises devraient commencer par tirer le meilleur parti des données dont elles disposent déjà.
Mise à l'échelle pour relever le défi
La mode à grande échelle implique des centaines de magasins et des dizaines de milliers de variantes. Par conséquent, le moteur de prévision doit être capable de monter en charge jusqu'à des millions de positions SKU. Notre moteur de prévision a été conçu nativement pour le cloud computing. Contrairement aux solutions traditionnelles, le cloud computing n'est pas une réflexion après coup pour Lokad : Lokad peut traiter des téraoctets de données quotidiennement.
De plus, contrairement aux approches traditionnelles, notre capacité de prévisions ne repose pas sur le lien manuel entre les produits anciens et nouveaux en indiquant au système quel produit ancien doit être considéré comme le plus pertinent pour la prévision du nouveau produit.
Au lieu de cela, notre moteur de prévisions s’appuie exclusivement sur des algorithmes avancés de machine learning pour détecter automatiquement les similitudes pouvant exister entre les produits, et pour identifier, par lui-même, quels produits spécifiques sont pertinents pour la prévision d’un nouveau produit dans la collection.
Cette détection automatique des similitudes repose sur les nombreux attributs produits qui sont généralement présents dans la mode : type de produit, famille de produit, taille, couleur, tissu, style, niveau de prix, marque, etc. Bien qu’on puisse s’inquiéter de la quantité de données requise, notre expérience chez Lokad indique que les données de catalogue, telles qu’elles existent pour exploiter les facettes d’un front-end du e-commerce par exemple, sont généralement suffisantes pour obtenir de bons résultats.
Les solutions traditionnelles de prévisions qui reposent sur l’appariement manuel entre les produits sont trop chronophages pour être efficaces - il y a trop de paires à considérer - puisque c’est précisément cet appariement qui constitue l’ingrédient principal des prévisions.
En raison de l’inefficacité de cette méthode, les entreprises tendent à revenir à leurs tableurs, car la solution de prévisions par appariement manuel ne parvient pas à fournir la valeur nécessaire. Lokad s’attaque au défi de front, en se concentrant sur la difficulté principale du problème, plutôt que de confier le fardeau aux utilisateurs.
Cependant, chez Lokad, bien que nous puissions qualifier ce processus de prévisions par appariement de produits, nous ne supposons pas qu’il existe une correspondance 1 pour 1 entre les produits d’une collection ancienne et ceux d’une nouvelle collection. Par exemple, un produit peut être divisé en plusieurs variantes, pouvant engendrer des cannibalisations. Ensuite, un autre produit pourrait être véritablement « nouveau », sans qu’il n’existe de produits passés similaires. Dans ce cas, le moteur de prévisions se base sur des considérations plus larges, telles que la catégorie de produit, la famille, la marque ou le niveau de prix.
Facteurs économiques et whiteboxing
Les décisions doivent être optimisées en fonction de leurs rendements attendus exprimés en dollars ou en euros, et non en pourcentages.
Tous les facteurs qui déterminent le coût et la récompense d'une décision sont collectivement appelés facteurs économiques : ils comprennent la marge brute, le coût de portage des stocks, le coût de transport, le coût d'opportunité de l'espace sur les rayons, la fidélité du client, etc. Lokad modélise explicitement tous ces facteurs économiques, en tenant compte des spécificités du marché de la mode.
Par exemple, chaque fois qu'un produit est vendu avec une réduction, cela crée une attente chez le client de bénéficier d'une réduction similaire à l'avenir.
Le premier objectif de ces facteurs économiques est de soutenir le processus d’optimisation numérique qui génère les décisions (par exemple, les quantités de commande ou les remises sur les produits). Il n’y a pas d’optimisation sans mesure : les facteurs économiques sont littéralement ce qui fait fonctionner le processus d’optimisation.
Lokad n’est pas un substitut aux profondes perspectives stratégiques (celles-ci proviennent de l’expertise de votre équipe), notre technologie est simplement conçue pour permettre de déployer à grande échelle ces perspectives stratégiques - telles que reflétées par les facteurs économiques - dans chaque décision prise par l’entreprise.
Le deuxième objectif de ces facteurs est le processus de whiteboxing. Le but du whiteboxing est d’offrir à vos équipes un haut degré de transparence pour chaque décision générée par Lokad. Votre équipe doit comprendre pourquoi cette décision est suggérée par Lokad. Pour y parvenir, chaque décision générée par Lokad est accompagnée d’un ensemble de métriques - mesurées en euros ou en dollars - qui expliquent l’intention commerciale de la décision. Ces métriques sont les différentes reflets des facteurs économiques. Notre expérience indique que cette approche est supérieure à une tentative d’élucider les subtilités algorithmiques du calcul, qui sont non seulement incroyablement fastidieuses, mais également en grande partie dénuées de sens, sauf pour les experts en machine learning ou en optimisation numérique.
D’un point de vue managérial, les facteurs économiques constituent un levier puissant pour orienter l’entreprise dans la bonne direction. Ces facteurs ne sont pas considérés comme “immuables” mais, au contraire, sont en réalité toujours susceptibles de changer, afin de refléter l’évolution du marché. La technologie de Lokad est conçue pour offrir un haut degré d’agilité : avec des efforts limités, il est possible d’élaborer des scénarios complexes du type « et si… » présentant diverses stratégies alternatives.