L'IA pourrait résoudre le taux de retour en flèche du secteur de la chaussure

Noël approche et les détaillants ont déjà du mal à répondre à la demande en raison de l'impact durable de la pandémie sur les chaînes d'approvisionnement. Alors que nous approchons de la fin de l'année, alors que les ventes et les achats des Fêtes règnent en maître, les entreprises doivent mettre en œuvre des stratégies proactives qui maximisent les stocks, sous peine de faire face à des défis d'approvisionnement qui écrasent les marges. L'intelligence artificielle peut offrir une solution.

Le segment de la vente au détail de chaussures présente des défis uniques pour la gestion des stocks, en raison de problèmes de variabilité des tailles et de modèles de retour. L'IA peut transformer la façon dont les entreprises de chaussures résolvent ces défis en les aidant à gérer leurs stocks, à prévoir la demande du marché et à surveiller leurs marges bénéficiaires.

Si les prévisions étaient un casse-tête, les prévisions de ventes constitueraient les pièces maîtresses et les prévisions de rendement constitueraient le centre. Vous ne pouvez pas avoir une image complète des prévisions de vente au détail sans les données sur les ventes et les retours. Malheureusement, la plupart des systèmes de prévision anticipent les ventes et négligent les retours, probablement parce que l'analyse des retours est beaucoup plus complexe.

Pour les entreprises de chaussures en particulier, où les taux de retour atteignaient 40 % avant la pandémie, les prévisions de ventes à elles seules présentent une image extrêmement limitée de l'activité globale d'une entreprise. Depuis les blocages de 2020, les ventes et les retours en ligne n'ont fait qu'augmenter.

Certaines entreprises de chaussures se rendent compte d'une tendance spécifique dans le comportement des consommateurs :les clients achètent trois paires de chaussures de tailles différentes pour pouvoir les essayer chez eux et retourner les deux qui ne leur vont pas. Il s'agit d'un tueur de profit énorme, car les détaillants de chaussures ne peuvent souvent pas revendre ce qui a été retourné d'un achat en ligne aussi facilement qu'un achat en magasin, où les essayages de chaussures se font dans un environnement plus contrôlé. Les retours peuvent également être dus à des différences de couleurs ou de styles si, par exemple, l'acheteur pense que la chaussure n'a pas la même apparence en personne qu'en ligne.

Pour naviguer dans cette tendance, les magasins ont commencé à revendre des chaussures « boîte ouverte » à un prix réduit. Bien que cette stratégie ait permis d'endiguer les bénéfices hémorragiques, les retours et les remises doivent tous être pris en compte dans une équation mathématique très complexe, ce qui rend presque impossible la compréhension de l'ensemble des stocks.

C'est là que l'IA peut changer la donne. Tous les détaillants ont besoin de prévisions précises basées sur les données disponibles pour prévoir et planifier les performances de chaque canal de vente au détail, qu'il s'agisse d'une vente en ligne, en magasin ou mixte d'achat en ligne, de ramassage en magasin (BOPIS). Il s'agit d'une incroyable richesse de données à gérer, mais l'IA peut simplifier le processus en fournissant et en interprétant des informations sur l'inventaire jusqu'au magasin, SKU, taille, couleur et style. Ce n'est qu'avec ce niveau d'informations détaillées que les fabricants de chaussures seront en mesure de faire des prévisions précises sur les ventes et les retours, et de planifier les stocks en conséquence.

Détermination de l'optimisation de la taille avec l'IA

L'optimisation de la taille est un élément essentiel de l'industrie de la chaussure, mais de nombreux détaillants ne disposent pas des outils nécessaires pour prendre des décisions éclairées. Un même style de chaussure peut se décliner en 15 tailles, parfois plus. Et lorsque les clients achètent plus de tailles qu'ils n'en conserveront finalement, les prédictions deviennent d'autant plus compliquées.

L'IA peut extraire des données critiques de plusieurs sources, pas seulement des ventes historiques, pour aider les détaillants à déterminer les tailles à stocker plus ou moins. Les prévisions générées par l'IA sont ensuite encore améliorées grâce à l'apprentissage automatique, qui devient plus intelligent au fil du temps grâce aux nouvelles données et aux informations mises à jour. Les meilleurs systèmes de prévision d'IA donnent des prévisions plus précises, car ils apprennent constamment du résultat de chaque prévision et s'ajustent en conséquence pour une précision encore plus grande. Idéalement, pour un détaillant, cela se traduirait par une prévision de la demande automatisée et « sans contact », donnant aux planificateurs humains plus de temps pour se concentrer sur les exceptions.

Les retards de la chaîne d'approvisionnement ont mis à mal la planification du réapprovisionnement. La plupart des marchands prédisent quels produits ils vendront et combien ils vendront au début de la saison et élaborent un plan à long terme en fonction de ces prévisions. Sans prévisions détaillées en temps réel, en particulier face à la volatilité de la chaîne d'approvisionnement, ces premières prévisions peuvent être au mieux un jeu de devinettes.

L'IA fournit des informations détaillées sur les ventes et peut aider les détaillants à optimiser leur stratégie d'allocation de pré-saison. Les entreprises peuvent ensuite déterminer les tendances et les modèles d'achat, analyser les stocks et intégrer les ventes et les retours réels pour faire des prévisions plus précises en cours de saison.

Avec l'IA, les détaillants peuvent obtenir ces informations en temps réel afin qu'ils puissent agir rapidement, au lieu d'attendre ou de prendre des mesures en fonction d'informations obsolètes. Grâce à des informations sur les ventes hebdomadaires, les détaillants peuvent adopter une approche plus proactive du réapprovisionnement. Ils seront en mesure de déterminer ce qu'il faut réapprovisionner, ce qui peut se vendre et le taux de retour sur un produit donné. De cette façon, le réapprovisionnement du commerce de détail est transformé et les marges augmentent pour de meilleurs profits.

Une approche magasin par magasin

Pour prospérer et se développer dans cet environnement commercial post-pandémique, les détaillants de chaussures doivent adopter une approche magasin par magasin lorsqu'ils déterminent une stratégie de prévision, d'allocation et de réapprovisionnement. Les détaillants ne peuvent pas simplement se fier aux données de l'année dernière, aux données régionales ou aux prévisions globales ; ils doivent incorporer des niveaux granulaires d'informations qui génèrent des recommandations basées sur les données et utilisables. De légères différences démographiques peuvent avoir un impact significatif sur les tailles et les styles qui seront plus populaires que d'autres dans une région donnée à un moment donné.

Cela peut sembler intimidant pour les détaillants de chaussures avec plusieurs magasins à travers le pays ou le monde, mais l'IA rend le processus réalisable en automatisant la collecte et la modélisation des données. Les détaillants peuvent passer plus de temps à faire des prévisions précises et à prendre des mesures basées sur des données fiables, au lieu de faire des prévisions à partir de suppositions éclairées.

De nombreuses industries, de la vente au détail à la mode en passant par l'alimentation, ont adopté depuis trop longtemps des approches réactives pour les stratégies de vente au détail d'inventaire. Nous avons la technologie et les outils pour faire des prévisions précises et maximiser les profits en période de volatilité extrême du marché. Il est temps pour les détaillants d'investir dans une méthodologie scientifique et des stratégies basées sur l'IA et axées sur l'omnicanal qui rendent les prévisions, l'allocation et le réapprovisionnement plus précis et plus efficaces. L'IA rend cela possible, et elle devient de plus en plus intelligente chaque jour.

Yogesh Kulkarni est co-directeur général de antuit.ai , partie de Zebra Technologies .