L'optimisation prédictive pour la mode
La mode est propulsée par la nouveauté. Une marque de mode doit concevoir et lancer le bon produit au bon moment, au bon prix et avec la quantité de stocks qui se révèle être juste suffisante pour satisfaire le marché. Ensuite, les promotions sont utilisées d'abord pour amplifier la demande et ensuite pour liquider tout excès de stocks. Lokad propose une solution logicielle statistique qui offre une optimisation prédictive à chaque étape du cycle de vie du produit, de sa conception à sa liquidation. Notre technologie embrasse exactement ce qui rend la mode si incroyablement complexe : des cannibalisations et substitutions omniprésentes, des tendances erratiques et des saisonnalités, des flux incessants de nouveaux produits, des prix extrêmement dynamiques, etc.
Ed. Le contenu suivant ne s'applique pas au grand luxe, qui suit un ensemble de règles et de contraintes très différent. Pour plus d'informations, voir L'optimisation prédictive pour le grand luxe.
Vizions by Zalando: la première conférence de plateforme d'Europe, le 20 avril 2017 à Berlin
Commençons par une question innocente. Pourquoi pensez-vous qu'il y a des soldes ? De nos jours, les soldes d'hiver, les soldes d'été, et un certain nombre d'événements plus modestes entre les deux sont une institution, surtout dans la mode. (...) Mais pourquoi existent-ils en premier lieu ? Ils existent pour permettre aux détaillants de se débarrasser des surstocks. À l'origine, les soldes sont le résultat d'une prévision erronée. On pourrait dire qu'aujourd'hui, ils sont bien plus que cela. Certes, mais l'objectif initial demeure.
Joannes Vermorel, Fondateur de Lokad
LOKAD TV
Jetez un œil à nos interviews sur Lokad TV et découvrez-en davantage 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 se conformer de plus en plus aux dernières tendances, en augmentant leur nombre de collections par an et en réduisant leurs délais.
La technologie d’optimisation prédictive de Lokad aborde chaque décision à travers l’ensemble 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 - utilisé pour générer des décisions optimisées.
La préparation de la nouvelle collection commence par la livraison d’une optimisation d’assortiment - également appelée plan de gamme. La technologie Lokad vous permet de composer la bonne gamme de tailles, de couleurs et de formes à partir des designs initiaux. Ce plan de gamme est conçu pour correspondre le plus fidèlement possible 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 d’affiner le plan avec leurs insights de haut niveau - contrairement à une micro-gestion de chaque variante de produit.
Dès que le plan de gamme est finalisé, nous livrons une optimisation des achats, suggérant exactement combien d’unités doivent être produites ou achetées pour chaque variante de produit - et quand passer commande. 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), remises sur volume, ainsi que par des délais de livraison 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. fret aérien) et le mix de sources (par exemple, fournisseurs étrangers vs. fournisseurs locaux).
À titre d’exemple, notre solveur de MOQ peut traiter plusieurs contraintes de MOQ qui se chevauchent : il peut y avoir une MOQ au niveau du produit (par exemple, un minimum de 100 unités par produit pour chaque commande), une autre MOQ au niveau du tissu (par exemple, un minimum de 3000 mètres de tissu par couleur), et une dernière au niveau du fournisseur (par exemple, un minimum de 50 000 $ de marchandises achetées par commande). Répondre à toutes ces MOQ tout en gardant les niveaux de stocks sous contrôle est un véritable casse-tête lorsque les MOQ sont traitées manuellement. Lokad rationalise entièrement le processus grâce à des solveurs numériques qui permettent d’identifier l’enveloppe de commande la plus rentable respectant toutes les contraintes imposées.
Phase 2 - post-lancement de collection
Lorsque le lancement de la collection approche, nous livrons 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 dans le magasin. L’optimisation de l’allocation prend correctement en compte cet angle merchandising, en tirant le meilleur parti de chaque magasin. L’optimisation tient compte des limites de capacité de stockage (par exemple, l’espace sur les étagères), ainsi que de la capacité limitée des équipes sur le terrain à gérer de grosses arrivées de produits. Les lots et les palettes - pratiques pour réduire les coûts de manutention - sont également pris en charge.
Pour rester en phase avec les dernières tendances, nous identifions les best-sellers et les produits à faible rotation. L’identification des best-sellers, visant à déclencher des réapprovisionnements précoces, peut être réalisée avec des quantités de stocks limitées, en ne sondant le marché que dans un nombre restreint de magasins - éventuellement en sondant le marché uniquement via le e-commerce. Inversement, l’identification précoce des produits à faible rotation est également importante afin de retirer dès que possible ces produits des rayons qui occupent l’espace 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 s’assurer qu’il n’en reste aucun à la fin de la collection, tout en maximisant le montant global de la marge brute
Nous prenons également en compte les réductions provenant 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 de l'allocation des stocks, identification des best-sellers et des produits à faible rotation, optimisation de tarification : Lokad peut être utilisé pour optimiser toutes ces décisions - et bien plus encore - avec une vision cohérente de bout en bout sur l'ensemble du cycle de vie des produits. Toutefois, 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 la demande non classiques
L’optimisation des décisions impliquant les stocks et les prix nécessite une connaissance précise de l’avenir. Cependant, la perspective classique de prévision de la demande est en grande partie dysfonctionnelle lorsqu’il s’agit de mode. C’est pourquoi Lokad a développé des capacités de prévision uniques, conçues dès le départ autour des 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’est pas question de produire une prévision « parfaite ». Les méthodes traditionnelles s’attendent à ce que les décisions soient prises en se basant sur une unique prévision, rendant ainsi ces décisions fragiles face aux erreurs de prévision.
Au lieu de rejeter l’incertitude, nous l’embrassons. Grâce aux prévisions probabilistes, nous équilibrons les risques et les opportunités.
Les prévisions sont réalisées au niveau de l’assortiment afin de prendre en compte les effets de cannibalisation et de substitution. Prévoir la demande d’un produit de manière isolée est dénué de sens, car la demande pour ce produit est fortement influencée par la présence - ou l’absence - de produits similaires qui se font concurrence pour les mêmes clients. Les méthodes traditionnelles se concentrant sur les prévisions des séries temporelles passent complètement à côté de ce point, et la situation s’aggrave généralement lorsque des stocks de sécurité ou des 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 relève de la probabilité, mais ces probabilités sont influencées par le prix du produit - un levier actionnable à la disposition de l’entreprise.
Encore une fois, l'assortiment est important, et l'augmentation de la demande dépend de l'intensité globale des promotions. Il est imprudent de s'attendre à 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 se limitent pas 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 qui vont 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 pour prévoir la demande sur le délai de livraison. La dernière génération de notre technologie de prévision repose sur differentiable programming. Ce descendant du deep learning est particulièrement adapté pour gérer une demande sporadique et intermittente comme on l'observe couramment dans l'industrie de la mode.
Que dire de la météo et des réseaux sociaux ?
Notre expérience indique que la plupart des entreprises sous-exploitent de manière dramatique leurs propres données historiques « basiques ». La plupart des prévisions de la demande ne tirent même pas parti des données de fidélité des clients, et la plupart des commandes sont passées sans prévision formelle des délais. Ainsi, bien que nous ne rejetions pas l'utilisation d'indices provenant de sources de données externes telles que les réseaux sociaux ou les données météorologiques, nous sommes convaincus que les entreprises devraient commencer par tirer le meilleur parti des données qu'elles possèdent déjà.
Passer 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 passer à l'échelle jusqu'à des millions de références 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 prévision 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 prévoir le nouveau produit.
Au lieu de cela, notre moteur de prévision repose exclusivement sur des algorithmes avancés de machine learning pour détecter automatiquement les similarités pouvant exister entre les produits, et pour identifier, de manière autonome, quels produits spécifiques sont pertinents pour prévoir un nouveau produit de la collection.
Cette détection automatique de similarités repose sur les nombreux attributs produits typiquement présents dans la mode : type de produit, famille de produit, taille, couleur, tissu, style, gamme de prix, marque, etc. Bien que l’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 de le e-commerce par exemple, sont généralement suffisantes pour obtenir de bons résultats.
Les solutions de prévisions traditionnelles, qui reposent sur une association manuelle entre les produits, sont trop chronophages pour être efficaces - il y a trop de paires à considérer - car c’est précisément cette association qui constitue l’ingrédient principal des prévisions.
En raison de l’inefficacité de cette méthode, les entreprises ont tendance à revenir à leurs tableurs, car la solution de prévisions par association manuelle ne parvient pas à fournir la valeur nécessaire. Lokad relève le défi de front, en se concentrant sur la difficulté centrale du problème, plutôt que de faire porter le fardeau aux utilisateurs.
Cependant, chez Lokad, même si nous pouvons désigner ce processus de prévisions comme une association de produits, nous ne supposons pas qu’il existe une correspondance un-à-un entre les produits d’une collection ancienne et ceux d’une collection nouvelle. Par exemple, un produit peut être scindé en plusieurs variantes, ce qui peut engendrer des cannibalismes. Ensuite, un autre produit peut être véritablement « nouveau », sans produit antérieur similaire. 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 la gamme 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 influent sur le coût et la récompense d'une décision sont collectivement désignés sous le terme de facteurs économiques : ils incluent la marge brute, le coût de détention des stocks, le coût de transport, le coût d'opportunité de l'espace en rayon, la bonne volonté 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 remise, il crée chez le client l'attente de bénéficier d'une remise 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 commandes ou les remises sur les produits). Il n’y a pas d’optimisation sans mesure : ce sont littéralement les facteurs économiques qui font fonctionner le processus d’optimisation.
Lokad n’est pas un substitut aux éclairages stratégiques approfondis (ceux-ci proviennent de l’expertise de votre équipe), notre technologie est simplement conçue pour permettre de déployer à grande échelle ces éclairages stratégiques - tels que reflétés par les facteurs économiques - dans chacune des décisions prises par l’entreprise.
Le deuxième objectif de ces facteurs est le processus de whiteboxing. Le but du whiteboxing est de fournir à vos équipes un haut degré de transparence pour chacune des décisions générées par Lokad. Votre équipe doit comprendre pourquoi cette décision est suggérée par Lokad. Pour ce faire, chaque décision générée par Lokad est accompagnée de son propre ensemble de métriques - mesurées en euros ou en dollars - qui expliquent l’intention commerciale de la décision. Ces métriques sont les diverses expressions des facteurs économiques. Notre expérience indique que cette approche est supérieure à celle qui tente de lever le voile sur les subtilités algorithmiques du calcul, lesquelles sont non seulement incroyablement fastidieuses, mais également largement dénuées de sens, sauf pour les experts en machine learning ou en optimisation numérique.
Du point de vue de la gestion, les facteurs économiques constituent un mécanisme 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 d’évoluer, 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 what-if complexes illustrant diverses stratégies alternatives.