L'IA pour l'optimisation des démarques : quand appliquer une remise et de combien

Un détaillant de vêtements réalisant environ 45 millions de dollars de ventes annuelles via sa boutique en ligne avait une stratégie de démarque simple : si un produit n'avait pas écoulé 60 % de son stock à la moitié de sa période de vente prévue, il bénéficiait d'une remise de 25 %. S'il restait encore du stock à 75 % de la période de vente, la remise passait à 40 %. Le déstockage final était à 60 % de réduction.

En analysant les résultats sur 1 800 styles saisonniers, ils ont découvert que 34 % des produits démarqués se seraient vendus au prix fort ou avec une remise moindre si on leur avait laissé plus de temps. 22 % supplémentaires nécessitaient des remises plus importantes plus tôt, car le démarrage lent indiquait un problème fondamental de demande, et non un problème de timing. Cette approche uniforme leur coûtait environ 2,1 millions de dollars par an en érosion de marge inutile.

Pourquoi les règles de démarque standard détruisent la marge

L'approche standard des démarques traite tous les produits de la même manière en se basant uniquement sur la vitesse d'écoulement. Le produit A a vendu 40 % de son stock alors qu'il reste 50 % de la fenêtre de vente, donc il obtient une remise. Mais cela ignore un contexte crucial. Le produit venait-il d'être lancé et était-il encore en phase de notoriété ? Appartient-il à une catégorie où les ventes s'accélèrent vers la fin de la saison (comme les décorations de Noël) ? Le produit a-t-il reçu des avis positifs mais n'a tout simplement pas été suffisamment promu ?

Différents produits ont des courbes de demande fondamentalement différentes, et appliquer le même déclencheur de démarque à tous garantit des résultats sous-optimaux. Les produits à demande concentrée en début de période (articles tendance, produits liés à un événement spécifique) nécessitent des démarques agressives précoces s'ils ratent leur fenêtre initiale, car la demande ne fera que diminuer. Les produits à demande concentrée en fin de période (basiques saisonniers, articles cadeaux à l'approche des fêtes) peuvent maintenir le prix fort plus longtemps car la demande s'accélérera naturellement.

Le coût d'une remise trop précoce est invisible mais réel. Une démarque de 25 % sur un produit qui se serait vendu au prix fort deux semaines plus tard détruit la marge sur chaque unité vendue pendant cette période. Si 200 unités se vendent pendant la fenêtre de démarque qui n'avait pas besoin de remise, et que le prix de vente moyen passe de 50 $ à 37,50 $, cela représente 2 500 $ de perte de marge inutile sur un seul produit.

Comment le modèle d'IA aborde les démarques

Un modèle d'optimisation des démarques par IA évalue chaque produit individuellement en fonction de sa trajectoire de demande spécifique, du stock restant, du temps de vente restant et de la réponse attendue à différents niveaux de remise. Le modèle répond à trois questions : ce produit doit-il être remisé maintenant, si oui quel est le niveau de remise optimal, et quand la prochaine démarque doit-elle être appliquée si la démarque actuelle n'atteint pas l'objectif d'écoulement.

L'analyse de la trajectoire de demande ajuste une courbe à l'historique des ventes du produit et la compare à des produits similaires des saisons précédentes. Si une veste d'hiver a vendu 300 unités sur 800 au cours des six premières semaines, le modèle vérifie comment des vestes similaires ont performé au même stade les années précédentes. Si des produits similaires avaient généralement vendu 35 à 40 % de leur stock à la semaine six puis accéléré, le rythme actuel est normal et aucune démarque n'est nécessaire. Si des produits similaires n'ayant vendu que 37 % à la semaine six ont historiquement fini par nécessiter des démarques de 50 % ou plus pour écouler le stock, une action précoce est justifiée.

L'estimation de l'élasticité-prix indique au modèle quel volume supplémentaire une remise donnée générera. Une remise de 20 % sur un produit à forte élasticité-prix pourrait augmenter les ventes hebdomadaires de 80 %, tandis que la même remise sur un produit inélastique pourrait n'augmenter les ventes que de 20 %. Le modèle apprend les élasticités au niveau produit à partir des données historiques de démarque, en observant ce qui est arrivé au volume des ventes lorsque des produits similaires ont été remisés par le passé.

L'optimisation calcule ensuite la marge attendue à chaque niveau de remise possible. Aucune remise signifie une marge plus élevée par unité mais le risque de stock invendu en fin de saison. Une remise de 20 % réduit la marge par unité mais accélère l'écoulement. Une remise de 40 % accélère davantage mais à un coût de marge élevé. Le modèle sélectionne la remise qui maximise la marge totale attendue sur la période de vente restante, y compris la probabilité de devoir appliquer une démarque plus importante ultérieurement.

Considérations spécifiques par catégorie

Les produits de mode et d'habillement présentent l'exposition aux démarques la plus élevée car les styles entrent et sortent de la tendance, les tailles fragmentent le stock restant (beaucoup de XS et XXL, rupture de M et L), et la fenêtre de vente est relativement courte. Le modèle d'IA doit tenir compte de l'épuisement de la courbe des tailles : même si l'écoulement total semble adéquat, un produit en rupture sur les tailles populaires peut nécessiter une démarque car les tailles restantes se vendront lentement.

L'électronique grand public suit un schéma différent. Les lancements de nouveaux produits par les concurrents peuvent rendre votre stock existant moins attractif du jour au lendemain. Le modèle doit intégrer le stade du cycle de vie du produit et les lancements concurrentiels comme variables. Un ordinateur portable lancé il y a 10 mois et sur le point d'être remplacé par un nouveau modèle nécessite un calendrier de démarque agressif différent de celui d'un ordinateur portable dans son troisième mois de commercialisation.

Les produits maison et jardin présentent souvent une forte saisonnalité avec des schémas de demande relativement prévisibles. Le modèle de démarque pour ces catégories peut s'appuyer davantage sur les courbes saisonnières historiques car la forme de la demande d'une année sur l'autre est plus constante que dans la mode. Un salon de jardin suit à peu près la même courbe de demande chaque année, décalée par les conditions météorologiques.

L'approche de mise en œuvre

La plupart des détaillants mettent en œuvre l'optimisation des démarques par IA en plusieurs phases. La phase un remplace les règles statiques par des recommandations générées par le modèle que l'équipe merchandising examine et approuve. Le modèle produit un rapport hebdomadaire montrant chaque produit pour lequel il recommande une démarque (ou un retrait de démarque), le niveau de remise suggéré et la justification. Le merchandiser accepte ou annule chaque recommandation.

La phase deux introduit l'automatisation pour les décisions à faible risque. Les produits en dessous d'une certaine valeur de stock ou dans des catégories où le modèle a prouvé sa précision peuvent voir leurs démarques appliquées automatiquement dans des limites définies (remise maximale de 30 %, seuil de marge minimum, pas plus d'un changement par semaine). Le merchandiser examine les décisions automatisées après coup et peut les modifier pour le cycle suivant.

La phase trois étend le modèle pour optimiser le calendrier des démarques sur l'ensemble du portefeuille saisonnier. Plutôt que d'évaluer chaque produit indépendamment, le modèle considère comment les événements promotionnels interagissent (appliquer des démarques sur trop de produits simultanément dilue leur impact) et répartit le budget de démarque sur l'assortiment pour maximiser la récupération totale de marge.

Les exigences en matière de données sont gérables. Vous avez besoin de données de ventes quotidiennes par SKU sur au moins deux ans pour capturer les schémas saisonniers, des événements de démarque historiques avec le niveau de remise et la date pour chacun, des positions de stock actuelles, des périodes de vente prévues pour les produits saisonniers, et des attributs produit (catégorie, marque, gamme de prix) pour l'analyse de similarité.

Pour les détaillants e-commerce gérant des stocks saisonniers, la différence entre une bonne stratégie de démarque et une mauvaise représente souvent 5 à 15 % de la marge brute sur les produits concernés. Appliquée à un assortiment saisonnier valant des millions en valeur de vente au détail, cette récupération de marge s'additionne pour atteindre un montant substantiel, souvent suffisant pour financer le système d'optimisation plusieurs fois tout en ayant un impact significatif sur le résultat net.