Comment l'IA peut réduire les taux de retour de chaussures et augmenter la rentabilité du commerce de détail

Noël approche, et les détaillants luttent déjà pour 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, quand les ventes et les achats des fêtes règnent en maître, les entreprises doivent mettre en œuvre des stratégies proactives qui maximisent les stocks, ou faire face à des défis d'approvisionnement qui écrasent les marges. L'intelligence artificielle peut offrir une solution.

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

Si la prévision était un puzzle, la prévision des ventes constituerait les pièces de bord et la prévision des retours le centre. Vous ne pouvez pas avoir une image complète de la prévision du commerce de détail sans les données des ventes et des retours. Malheureusement, la plupart des systèmes de prévision anticipent les ventes et négligent les retours, probablement parce que l'analyse des retours est bien plus complexe.

Pour les entreprises de chaussures surtout, où les taux de retour étaient aussi élevés que 40 % avant la pandémie, la prévision des ventes seule présente une image extrêmement limitée de l'activité globale d'une entreprise. Depuis les confinements de 2020, les ventes et retours en ligne n'ont fait qu'augmenter.

Certaines entreprises de chaussures réalisent une tendance spécifique dans le comportement des consommateurs : les clients achètent trois paires de chaussures dans différentes tailles pour les essayer à la maison et retourner les deux qui ne vont pas. C'est un énorme tueur de profits, 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 se font dans un environnement plus contrôlé. Les retours peuvent aussi être dus à des différences de couleurs ou de styles si, par exemple, l'acheteur ne pense pas que la chaussure ressemble en personne à ce qu'elle était en ligne.

Pour naviguer cette tendance, les magasins ont commencé à revendre des chaussures « boîte ouverte » à prix réduit. Bien que cette stratégie ait aidé à stopper l'hémorragie des profits, les retours et les remises doivent tous être pris en compte dans une équation mathématique hautement complexe, rendant presque impossible de comprendre le tableau global 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 prédire et planifier la performance de chaque canal de vente, qu'il soit en ligne, en magasin ou un mélange achat en ligne, retrait en magasin (BOPIS). C'est une incroyable richesse de données à gérer, mais l'IA peut simplifier le processus en fournissant et interprétant des insights sur les stocks jusqu'au magasin, SKU, taille, couleur et style. Ce n'est qu'avec ce degré d'information détaillée que les entreprises de chaussures pourront faire des prédictions précises sur les ventes et les retours, et planifier les stocks en conséquence.

Déterminer l'optimisation des tailles avec l'IA

L'optimisation des tailles est un composant critique de l'industrie de la chaussure, mais de nombreux détaillants n'ont pas les outils nécessaires pour prendre des décisions éclairées. Un seul style de chaussure peut venir en jusqu'à 15 tailles, parfois plus. Et quand les clients achètent plus de tailles qu'ils ne garderont finalement, les prédictions deviennent d'autant plus compliquées.

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

Les retards de la chaîne d'approvisionnement ont jeté une clé dans la planification du réapprovisionnement. La plupart des merchandisers prédisent quels et combien de produits ils vendront tôt dans la saison, et font un plan à long terme basé sur cette prévision. Sans prévision détaillée en temps réel, surtout face à la volatilité de la chaîne d'approvisionnement, ces prédictions précoces peuvent être un jeu de devinettes au mieux.

L'IA fournit des insights détaillés sur les ventes, et peut aider les détaillants à optimiser leur stratégie d'allocation de pré-saison. Les entreprises peuvent alors déterminer les tendances et modèles d'achat, analyser les stocks et incorporer les ventes et retours réels pour faire des prédictions en saison plus précises.

Avec l'IA, les détaillants peuvent obtenir cette information en temps réel pour pouvoir agir rapidement, au lieu d'attendre ou de faire des mouvements basés sur des informations obsolètes. Avec des insights sur les ventes semaine par semaine, les détaillants peuvent adopter une approche plus proactive du réapprovisionnement. Ils pourront déterminer quoi réapprovisionner, ce qui pourrait 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 s'élargissent pour de meilleurs profits.

Une approche magasin par magasin

Pour prospérer et grandir dans cet environnement d'achat post-pandémique, les détaillants de chaussures doivent adopter une approche magasin par magasin lors de la détermination d'une stratégie de prévision, d'allocation et de réapprovisionnement. Les détaillants ne peuvent pas simplement se fier aux données de l'an dernier, aux données régionales ou aux prédictions générales ; ils doivent incorporer des niveaux granulaires d'insights qui génèrent des recommandations utilisables et basées sur les données. De légères différences dans la démographie peuvent impacter significativement quelles tailles et styles 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 de données et la modélisation. 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 prédictions à partir de suppositions éclairées.

De nombreuses industries, du commerce de détail à la mode à l'alimentation, ont adopté des approches réactives aux stratégies de vente au détail d'inventaire pendant bien trop longtemps. 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 omnicanales alimentées par l'IA qui rendent la prévision, l'allocation et le réapprovisionnement plus précis et plus efficaces. L'IA rend cela possible, et elle devient plus intelligente chaque jour.

Yogesh Kulkarni est co-PDG d'antuit.ai, partie de Zebra Technologies.