Le moteur d'allocation retail : là où la saison se joue vraiment

Dans la plupart des organisations retail, la conversation sur l'IA appliquée au stock commence par le réassort. C'est la boucle visible, celle que les équipes merchandising et supply chain touchent toutes les semaines, celle que les éditeurs démontrent en premier. Pourtant, au moment où le réassort tourne, l'essentiel de la saison est déjà décidé — et la décision n'a pas été prise là. Elle a été prise plusieurs semaines plus tôt, au moment de l'allocation. Quand la première livraison d'une nouvelle collection ou d'une nouvelle gamme a quitté l'entrepôt et a été répartie sur le réseau.

Cette répartition fixe la boîte dans laquelle vivront toutes les décisions suivantes. Le réassort pourra déplacer du stock entre deux vagues, les transferts pourront colmater les déséquilibres locaux, les démarques pourront écouler ce qui n'a pas tourné. Mais aucun de ces leviers en saison ne peut entièrement défaire une mauvaise allocation initiale.

Ils peuvent seulement contenir les dégâts. Et le coût de cette contention revient saison après saison. Il prend la forme de démarques de fin « inévitables » et de ruptures « regrettables » sur les SKU vedettes.

L'allocation initiale est donc la décision la plus structurante de toute la chaîne merchandising-vers-exécution. Et c'est aussi, dans la plupart des enseignes, la décision la moins ré-architecturée des vingt dernières années. Le forecasting a été refait avec du machine learning.

Le réassort a été automatisé. L'optimisation des démarques a ses propres éditeurs et ses propres cabinets. L'allocation, pendant ce temps, continue largement à tourner sur des formules conçues pour un réseau qui n'existe plus.

La formule qui ne colle plus au réseau

Ouvrez la logique d'allocation de la plupart des enseignes et vous trouverez une variante de la même structure. Elle s'écrit : taille du magasin × ventes historiques d'un produit comparable × un facteur d'inflation ou de croissance. Elle est parfois affinée par un « cluster magasin » (A, B, C, D) et quelques overrides métier. Cette logique avait du sens à une époque où les réseaux étaient homogènes. Quelques centaines de magasins de taille similaire, dans des zones de chalandise similaires, avec une démographie similaire et une profondeur d'assortiment comparable.

Cette époque est terminée. Un réseau moderne d'enseigne mode ou spécialiste s'étend typiquement sur plusieurs formats — flagship, standard, compact, outlet — répartis sur des zones urbaines, périurbaines et provinciales. Les assortiments divergent par magasin, les zones climatiques décalent le calendrier saisonnier de plusieurs semaines. Et les profils clients font bouger dramatiquement la courbe de tailles et le mix de styles d'un point de vente à l'autre.

Le cluster A/B/C/D était une simplification, utile quand la donnée granulaire était rare. Aujourd'hui, cette simplification efface l'hétérogénéité même qu'elle devrait exploiter. Deux magasins en cluster B peuvent avoir des courbes de tailles opposées, des préférences de couleurs opposées, des sensibilités prix opposées. Les allouer à l'identique — ou proportionnellement à un poids grossier unique — garantit qu'au moins l'un des deux reçoit le mauvais mix produit dès le premier jour.

Le résultat est mécanique. Les best-sellers tombent en rupture dans les magasins qui les auraient vendus au prix fort. Les rotations faibles s'accumulent dans les magasins qui ne les auraient jamais écoulés. Le temps que l'écart devienne visible dans les rapports de sell-through hebdomadaires, la saison est déjà engagée depuis trois ou quatre semaines. Et tous les leviers correctifs disponibles sont pires que d'avoir fait la bonne allocation au départ.

Pourquoi le coût d'une mauvaise allocation se compose

L'allocation a l'air d'être une décision unique, mais ses conséquences, elles, ne le sont pas. Elles se cascadent dans chaque décision suivante de la saison — et chaque cascade réduit le champ des options possibles.

Le réassort hérite de l'écart, il ne le ferme pas

Les moteurs de réassort, aussi sophistiqués soient-ils, travaillent à l'intérieur du stock déjà présent sur le réseau. Ils peuvent redistribuer la prochaine vague, accélérer un réapprovisionnement, lisser des flux. Ils ne peuvent pas faire apparaître un SKU vedette dans un magasin qui n'en a pas reçu à la première livraison. Ni faire disparaître un mauvais vendeur d'un magasin qui en a reçu un pack complet.

En pratique, le réassort peut rattraper peut-être 15 à 25 % de la valeur perdue à cause d'une mauvaise allocation initiale — jamais plus. Le reste est structurel : c'est perdu à la minute où les camions ont quitté l'entrepôt.

Les transferts existent, mais ils sont coûteux et politiques

Les transferts inter-magasins sont le second levier correctif. Techniquement, ils fonctionnent — la plupart des enseignes ont le WMS et la capacité logistique. Ils ne sont presque jamais utilisés à l'échelle qu'il faudrait.

Les raisons sont connues. Chaque transfert a un coût logistique visible et un bénéfice diffus, les responsables de magasin n'ont aucun intérêt direct à céder du stock. Et identifier les bons transferts demande une vision réseau que les équipes opérationnelles n'ont pas le temps de construire.

Le problème plus profond, c'est que les transferts, même quand ils ont lieu, ne font que redistribuer ce qui a déjà été mal distribué. Ils n'effacent pas l'erreur initiale — ils n'en adoucissent que la signature visible.

Les démarques sont la façon dont l'enseigne paye l'addition

Ce que le réassort et les transferts ne peuvent pas réparer, les démarques l'absorbent. La profondeur de démarque en fin de saison est, dans la plupart des organisations retail, le plus gros coût variable que l'enseigne pilote. Et une part non-négligeable de cette profondeur est la conséquence comptable directe de décisions d'allocation prises vingt semaines plus tôt.

L'enseigne ne le voit pas comme ça, parce que la démarque est décidée en semaine 20 et l'allocation a été décidée en semaine 0. Et que les deux vivent dans des outils différents, des équipes différentes, des lignes de reporting différentes. Mais le lien est mécanique. Chaque mauvaise allocation achète une démarque future. La seule question, c'est de savoir sa taille.

Les ruptures sont la moitié invisible de l'addition

L'autre moitié de l'addition, c'est la vente qui n'a jamais eu lieu. Un SKU vedette en rupture en semaine 4, dans le magasin où il aurait été un top performer, c'est un client qui repart sans son produit. Un panier qui ne se construit pas, une marge qui n'apparaît dans aucune ligne de P&L. Les études sectorielles estiment le coût des ruptures à plusieurs points de chiffre d'affaires annuel. Et une large fraction de ces ruptures remonte à l'allocation, pas à un manque de réassort.

Ce que l'allocation a vraiment à résoudre

Bien faite, l'allocation n'est pas un problème de calibrage. C'est un problème d'optimisation multi-contraintes à la maille SKU-magasin-semaine, sur un réseau profondément hétérogène, avec un historique comparable rare, et une troncature dure. Une fois que l'achat d'une saison est figé, la quantité totale à allouer est fixée. On ne décide pas combien produire — on décide où le volume existant crée le plus de valeur.

Les contraintes qu'une décision d'allocation doit absorber, au minimum :

• La forme de la demande par magasin, pas seulement son volume — deux magasins au même chiffre d'affaires peuvent vouloir une courbe de tailles, un mix couleur ou une gamme de prix très différents.
• Le carryover et le stock actuel, par magasin, par famille — allouer du frais à un magasin qui dort encore sur des équivalents invendus, c'est détruire de la marge deux fois.
• Les contraintes logistiques — taille des packs, quantités minimales de livraison, capacités des entrepôts régionaux, plans de transport.
• L'intention commerciale — le récit de saison de l'équipe merchandising, les SKU vedettes qui doivent être visibles en flagship, les exclusivités régionales.
• La tolérance au risque — combien charger les magasins les plus forts versus combien garder en réserve à l'entrepôt pour la réallocation en saison.

Aucun tableur ne tient ce cocktail proprement sur des dizaines de milliers de couples SKU-magasin. Les équipes qui allouent à la main le savent. Elles s'en sortent en simplifiant le problème jusqu'à ce qu'il rentre dans l'outil, ce qui revient à écraser l'hétérogénéité réelle du réseau dans quelques pondérations grossières. La décision est prise ; l'optimalité est perdue.

Pourquoi c'est l'endroit le plus rentable où poser une IA de décision

La plupart des investissements IA dans le retail visent le forecasting, le réassort ou le pricing. Ils produisent des gains réels, mais ils partagent tous le même plafond : ils opèrent à l'intérieur de la boîte que l'allocation a fixée. Déplacer le plafond suppose de déplacer la boîte.

L'allocation est l'endroit le plus rentable où déployer une IA de décision pour quatre raisons structurelles.

Un — tous les autres leviers héritent de ses erreurs. Une amélioration de 5 % de la qualité d'allocation se compose à travers le réassort, les transferts, la démarque et les ruptures. Une amélioration de 5 % sur n'importe lequel de ces leviers aval ne remonte pas en amont.

Deux — la donnée est enfin là. Une décennie de données POS, e-commerce et clienteling a tout changé. La plupart des enseignes ont aujourd'hui, par magasin, un historique de sell-through assez granulaire pour modéliser la forme de la demande à la maille SKU-magasin, pas seulement son volume. La simplification A/B/C/D n'est plus une contrainte de donnée ; c'est une habitude organisationnelle.

Trois — la décision est bornée et répétable. Contrairement au pricing ou à l'assortiment, l'allocation est un problème d'optimisation structuré, avec un objectif clair et un budget figé (l'achat de la saison). C'est exactement le type de décision où un moteur bien conçu surpasse une équipe humaine. Non parce que le moteur est plus intelligent, mais parce qu'il peut tenir simultanément des dizaines de milliers de contraintes SKU-magasin-semaine en mémoire de travail.

Quatre — le chemin d'adoption opérationnelle est court. L'allocation appartient, dans la plupart des enseignes, à une petite équipe d'allocateurs au sein du merchandising ou de la supply chain. La décision est centralisée, l'exécution est aval (WMS, transport). Vous n'avez pas besoin de changer le comportement de deux cents responsables de magasin pour déployer un meilleur moteur d'allocation — vous avez besoin de changer l'outil d'une équipe.

Ce qu'un vrai moteur d'allocation retail doit faire

Un moteur d'allocation magasin IA qui mérite d'être déployé n'est pas un modèle de forecasting avec une couche de distribution greffée dessus. C'est un moteur de décision qui prend une quantité fixe, un réseau hétérogène et un jeu de contraintes. Et qui produit en sortie une allocation par magasin, par SKU, par vague, maximisant le sell-through espéré au prix fort.

Concrètement, ce moteur doit faire quatre choses que les outils d'allocation hérités ne font pas.

Modéliser la forme de la demande par magasin, pas seulement son volume. Le signal pertinent n'est pas combien le magasin X a vendu d'un produit comparable l'an dernier. C'est quelles tailles, quelles couleurs, quels prix se sont vendus, et comment la courbe a bougé au fil de la saison. Certains secteurs rendent cet enjeu aigu, comme le montrent les décisions de courbe de tailles en retail chaussure. Le moteur doit construire un profil de demande par magasin à partir de l'historique granulaire, pas écraser le magasin dans un cluster grossier.

Tenir la contrainte réseau, pas seulement l'optimum local. L'allocation est un problème à somme nulle à la maille SKU : une unité de plus pour le magasin A, c'est une unité de moins pour le magasin B. Le moteur doit optimiser à l'échelle du réseau, pas magasin par magasin, et doit rendre les arbitrages explicites pour que l'équipe merchandising puisse les surpasser quand l'intention commerciale l'exige.

Étager l'allocation en vagues, pas en une seule passe. Garder une réserve significative à l'entrepôt central, pour réallouer au fur et à mesure que le signal de saison rentre, est presque toujours optimal. Le moteur doit proposer une première vague et un plan de réallocation de la réserve, rattaché à des déclencheurs de sell-through précoce.

Passer la main proprement au réassort. L'allocation et le réassort ne sont pas deux projets — ce sont deux phases de la même boucle de décision. Le moteur d'allocation doit pousser son plan dans les systèmes qui vont l'exécuter. Et la boucle de réassort doit nourrir l'apprentissage du moteur pour que l'allocation de la saison suivante soit plus juste.

L'angle Solya

C'est la couche pour laquelle Solya est conçue. Pas un outil de forecasting, pas un moteur de réassort, pas un optimiseur de démarques. C'est la couche de décision qui relie ces boucles entre elles, avec l'allocation comme première et plus structurante décision de la chaîne.

Solya ingère vos données POS, ERP, e-commerce et WMS, reconstruit un modèle de demande par magasin à la maille SKU. Et exécute l'allocation comme une optimisation réseau sous vos règles métier — tailles de pack, drops minimums, intention merchandising, exclusivités régionales. La sortie n'est pas une recommandation qui atterrit dans une boîte mail. C'est un plan d'allocation qui se propage dans vos systèmes d'exécution, avec la boucle de réassort en saison déjà câblée dans le même moteur.

Le point n'est pas que le moteur soit plus intelligent que votre équipe d'allocation. C'est que l'équipe peut enfin consacrer son jugement aux arbitrages qui comptent : intention commerciale, placement des SKU vedettes, prise de risque sur les nouvelles catégories. Elle n'a plus à le dépenser sur le travail mécanique de pousser une formule sur vingt mille couples SKU-magasin.

La vraie question à se poser

Si vous voulez savoir si votre enseigne laisse de la marge sur la table au moment de l'allocation, le diagnostic n'est pas compliqué. Regardez deux chiffres de la saison passée.

D'abord, la part de la profondeur de démarque totale qui s'est concentrée sur un petit nombre de magasins — ceux qui finissent « toujours » la saison lourds. Ensuite, la part des ruptures sur les SKU du quartile supérieur qui ont eu lieu dans certains magasins. Ceux où des magasins comparables du réseau ont fini la saison avec du carryover sur le même produit.

Si les deux chiffres sont non-négligeables. Et dans la plupart des enseignes, ils le sont — vous n'êtes pas en face d'un problème de réassort, ni d'un problème de démarque, ni d'un problème de forecasting. Vous êtes en face du coût structurel d'allouer un réseau hétérogène avec une formule conçue pour un réseau homogène. Ce coût est récurrent, il est mesurable, et c'est l'endroit où une IA de décision a le plus de levier dans toute votre opération.

---

Où votre allocation vous coûte-t-elle vraiment ?

Chez Solya, nous proposons aux directions merchandising et supply chain un diagnostic personnalisé de 30 minutes. Il cartographie, sur votre propre réseau, là où l'allocation initiale vous coûte de la marge. Nous regardons les démarques concentrées en fin de saison, les ruptures évitables sur les SKU vedettes, et les transferts et réallocations qui n'auraient jamais dû être nécessaires.

Vous repartirez avec :

• Une vision de la part de votre profondeur de démarque qui remonte à l'allocation, pas à l'exécution en saison
• Une estimation chiffrée de la marge récupérable en passant d'une allocation par formule à une allocation par décision
• Les premiers cas d'usage où un moteur d'allocation produirait un impact mesurable dès la première saison