Chez Etam, célèbre enseigne de lingerie, tout démarre par la prévision de la demande. Pour cela, Etam emploie un modèle d’intelligence artificielle adapté. Ce modèle est très sollicité mais il  n’a pas réponse à tout. Etam travaille encore sur la prévision de la demande pour ses nouveautés produits et pour le e-commerce, plus complexe à évaluer que la vente en magasin.

« D’un point de vue data, tous les cas d’optimisation de la supply chain, doivent être alimentés par un seul et même modèle d’IA qui est notre modèle de prévision de la demande » annonce Sophie Gallay, Global Data Director et Client Tech Director chez Etam. Elle est en charge de deux équipes au sein du groupe Etam, l’équipe Data Office, et l’équipe CRM Factory. Elle a pris la parole lors de l’événement Luxe, mode et beauté organisé par le Hub Institute, le 14 novembre.

Un modèle d’IA soumis à différentes contraintes

Comme tout part de la prévision de la demande, Etam a conçu un modèle d’IA qui est ensuite soumis à différents types de contraintes pour répondre aux diverses situations du commerçant. Cela va permettre d’optimiser les achats à partir du calendrier in-store.  Cela permet aux acheteurs qui achètent des produits finaux en usine d’acheter des quantités correctes et d’optimiser les stocks qu’il faudra distribuer dans les différents magasins et en e-commerce.

Dans une deuxième étape, le modèle de prévision de la demande est soumis à une autre contrainte qui est la disponibilité des stocks en entrepôt. Cela permet de gérer un deuxième type de cas d’usage qui est l’optimisation du réapprovisionnement. Chez Etam, les stocks sont traités de manière unifiée, en central. Il y a un stock global et pas de stocks pour le e-commerce, de stocks pour tel magasin, de stock pour tel marché. On peut ainsi redistribuer le stock en fonction du magasin et du marché qui en a besoin au bon moment.

On arrive alors à un troisième niveau d’optimisation qui consiste à adapter le stock qui a été distribué en magasin et où potentiellement, il y a pu y avoir une erreur dans l’attribution d’un stock à un magasin A ou à un magasin B. Etam reprend le modèle de prévision de la demande, ce même modèle clé qui sert à chaque fois. Là, ce modèle va être soumis à une contrainte de stock réel magasin et il va être possible de faire de l’équilibrage « load balancing » et réattribuer des stocks d’un magasin à l’autre.

Optimiser l’écoulement des produits grâce aux promotions

Quatrième étape, le même modèle de prévision de la demande va servir à l’optimisation de l’écoulement des produits. Cette optimisation de l’écoulement se fait grâce à l’optimisation des promotions. Il s’agit d’utiliser les promotions de manière intelligente pour écouler les produits sans pour autant impacter la marge.

Dernière étape, Etam réutilise toujours ce même modèle de prévision de la demande pour faire de l’optimisation de l’assortiment. Puisque Etam est en capacité de prévoir pour un magasin X comment écouler les différentes pièces, le commerçant peut optimiser son assortiment et potentiellement se dire qu’il va sortir de l’assortiment certaines références ou en rajouter en fonction des prévisions des ventes.

Mais même si le modèle de prévision de la demande est packagé et est utilisé pour tous les cas, il y a des spécificités à savoir traiter. Par exemple, le e-commerce, ne fonctionne pas exactement comme le retail en magasin. De même, un produit permanent dans l’offre d’Etam ne fonctionne pas en prévision comme une nouveauté. Etam toutefois est en capacité de pouvoir faire une prévision assez juste au bout de quelques jours de vente. Mais au jour 1, au jour 2 de lancement, pour une nouveauté, il est très compliqué d’être juste sur les prévisions, prévient  Sophie Gallay.

Rapprocher les nouveaux produits de produits existants

Prédire la demande pour des nouveautés est un enjeu pour Etam. Le commerçant utilise notamment la « substitution » de produits. Etam essaie de rapprocher ses nouveautés de produits historiques qu’il  maîtrise bien et que ses acheteurs connaissent bien. La manière la plus simple de procéder consiste à rapprocher des produits qui ont les mêmes attributs.

Par exemple, si Etam lance une culotte noire en dentelle de telle forme qui appartient à tel univers, il peut la rapprocher d’une culotte noire historique de l’enseigne qui est bien maîtrisée et dont il connaît les historiques de vente. Le seul hic, c’est qu’en lingerie, une culotte noire en dentelle peut être très différente d’une autre culotte noire en dentelle.

Dès lors, rapprocher les attributs est insuffisant. A cette étape, Etam essaie de s’appuyer sur l’IA générative. Elle doit réaliser des rapprochements liés au visuel, ce qui est un peu l’étape d’après. « Nous travaillons toujours dessus, mais cela nous apporte des gains de performance importants sur des produits qui, si on s’en tient aux attributs, sont finalement quasi identiques » déclare la responsable.

Prédire les ventes e-commerce est plus complexe pour les ventes en magasin

Le deuxième défi est la prévision des ventes en e-commerce. « Cette prévision est beaucoup plus complexe qu’en magasin. Les cycles de vente en magasin sont très stables » poursuit-elle. En e-commerce, les ventes sont beaucoup plus volatiles. Cela est  beaucoup plus lié aux campagnes d’acquisition de trafic web, aux campagnes paid qui sont menées au temps fort.

« On a besoin de pouvoir prédire dans un environnement qui est beaucoup plus variable. On a besoin d’alimenter, et c’est ce qu’on fait, les modèles [d’IA] avec des données que nous n’intégrions pas historiquement, c’est-à-dire les plans marketing, les plans commerciaux, la météo, pour avoir une prévision à court et moyen terme qui soit plus juste et de vraiment jouer sur ces deux temporalités de prévision » décrit-elle.

La responsable souligne qu’Etam a une prévision de très long terme et l’enseigne doit aussi avoir des prévisions sur des temporalités plus courtes, donc quatre mois pour le réapprovisionnement et même pour des sujets plus marketing, des temporalités sur plutôt deux, trois ou quatre semaines. « Et la dernière contrainte, c’est d’arriver à prédire les premiers jours » ajoute-t-elle.

Un modèle pour les ventes sur les dix premiers jours et un autre modèle au-delà

« Nous avons divisé notre ‘core model’ en deux. Nous avons un core model pour la prévision des dix premiers jours qui a été en entraîné spécifiquement pour les ventes sur les dix premiers jours, et on a un autre modèle post-dix jours » décrit-elle. Cela a vraiment fait la différence. « Cela a vraiment fait la différence, parce que lorsque on essayait d’avoir un seul modèle pour la prévision des ventes, que ça soit dès le démarrage de la mise en vente du produit, la performance était très moyenne » indique-t-elle.

« Séparer les fenêtres de prévisions temporelles a eu un gros impact sur notre performance » souligne-t-elle. Le but de l’usage du même modèle d’IA de prévision de la demande est d’optimiser la supply chain, d’optimiser la gestion des stocks, de diminuer le résiduel de produits non vendus qui coûte très cher, et c’est aussi de proposer au client une expérience sans couture. « C’est-à-dire que le client aille en magasin, qu’il se connecte en ligne sur l’application, le but, c’est de lui proposer le stock au moment où il en a besoin, peu importe le front où il vient se connecter. Et donc c’est grâce à la gestion des stocks unifiés que nous arrivons à cela » conclut-elle.