Planification d'assortiment IA : la décision la plus structurante

Dans toutes les enseignes que je croise, la même asymétrie revient. Une décision d'assortiment pré-saison vit 6 à 9 mois. Une décision de réassort in-season vit deux semaines. Pourtant, l'essentiel de l'investissement data, l'essentiel des talents ML, l'essentiel de l'attention des comités de pilotage vont sur la seconde. La première hérite d'un comité d'achat, d'un tableur, et d'un an de recul a posteriori.

Cette asymétrie n'est pas qu'une mauvaise allocation d'effort. C'est la raison structurelle pour laquelle beaucoup de retailers ont le sentiment que leur stack data « tourne » — démarques optimisées, réassort automatisé, transferts fluides. Et pourtant la saison se termine avec le même tas de surstock et le même écart de marge que l'année précédente.

Parce que toute optimisation in-season, aussi bonne soit-elle, opère à l'intérieur de la boîte définie par l'assortiment. On peut redistribuer les cartons. On ne peut pas changer ceux qu'on a achetés.

Cet article regarde la planification d'assortiment pré-saison telle qu'elle est. La décision la plus structurante du retail, l'endroit où le ML devrait produire le plus de valeur. Et l'endroit où il produit le plus souvent un beau modèle avec 15 % de taux d'adoption. La raison n'est pas algorithmique. C'est que les responsables de l'assortiment — directions merchandising, acheteurs, chefs de produit — ont raison d'ignorer des recommandations qui ne portent pas leurs contraintes.

Pourquoi l'assortiment est en haut de la hiérarchie des décisions

Les décisions retail forment une hiérarchie, et l'assortiment en occupe le sommet. L'achat définit l'univers de ce qu'une enseigne pourra vendre la saison suivante. Cet univers a quatre dimensions : largeur (combien de familles, sous-familles, marques), profondeur (combien de références par maille), volume par référence, et distribution par cluster de magasins. Dans le vocabulaire anglo-saxon, c'est le périmètre du category management — l'orchestration de la catégorie comme une unité économique, de l'achat jusqu'à la fin de vie. Toutes les autres décisions opérationnelles aval — pricing, réassort, allocation, démarques, transferts, fin de vie — travaillent sur l'univers que l'assortiment a défini.

Cette hiérarchie a une conséquence brutale. Améliorer la logique de démarque de 10 % rattrape quelques points de marge sur les produits mal achetés. Améliorer l'assortiment pré-saison de 10 % change quels produits ont été achetés. Le second effet compose sur toutes les décisions aval. Le premier ne compose pas.

Et pourtant, les décisions pré-saison se prennent dans des conditions qui feraient frémir n'importe qui habitué à l'analyse opérationnelle. Un acheteur s'engage, six à neuf mois à l'avance, sur un volume pour une référence dont la demande réelle ne se devine qu'imparfaitement. Cet engagement tient dans l'enveloppe d'open-to-buy fixée par le plan financier marchandises. Les inputs sont le sell-through de la saison passée, le discours collection du fournisseur, quelques notes de tendance, l'intuition collective du comité.

Une fois l'engagement pris, le volume est verrouillé. Aucune agilité au monde ne rattrape un sur-achat ou un sous-achat structurel. La démarque viendra cogner le sur-achat, la rupture viendra cogner le sous-achat. Les deux se verront dans le P&L six mois plus tard.

C'est là qu'est le point de levier. C'est aussi pour ça que l'opportunité ML y est énorme — et qu'elle est presque toujours ratée.

Le schéma des projets d'IA assortiment qui échouent

Le schéma est assez constant pour être décrit sans nommer personne. Une enseigne investit dans un projet d'IA assortiment. L'équipe data construit un modèle de prévision de la demande, ajoute un moteur d'optimisation par-dessus, produit un achat pré-saison recommandé. Quelles références, en quel volume, distribuées comment sur le réseau.

Le modèle est techniquement excellent. La précision du forecast sur le holdout est bonne. L'optimisation respecte l'open-to-buy global.

Les recommandations sont présentées à l'équipe achats quelques semaines avant le prochain engagement collection. Et là, la même scène se rejoue. La direction des achats ouvre la recommandation, la parcourt, et commence la même série d'objections.

« Ce volume sur la marque X suppose un contrat qu'on n'a pas. » « Cette profondeur sur le cluster entrée de gamme ignore que le fournisseur ne livre pas en dessous de 5 000 unités par SKU. » « Cette recommandation coupe les SKU d'exclusivité marque Y qu'on a négociés il y a trois mois — c'est non-négociable. » « Tu as sur-pondéré la sous-famille technique parce que le sell-through de la saison dernière était gonflé par la rupture d'un concurrent, pas par la demande réelle. »

Au bout de deux ou trois réunions, l'équipe convient « d'utiliser le modèle comme input ». En pratique, la direction des achats y jette un œil, prend les deux ou trois lignes qui confirment sa vue, et ignore le reste. Taux d'adoption mesuré sur l'achat réel, un an plus tard : entre 12 % et 25 %. C'est la fourchette typique des IA assortiment dans des enseignes où le modèle n'a pas été conçu autour des contraintes acheteurs.

Le modèle continue à tourner. Le dashboard continue à passer en comité. Le comité d'achat continue à se réunir dans une salle sans fenêtre avec un tableur.

L'échec n'est pas technique. C'est que le modèle n'a jamais intégré les contraintes qui déterminent réellement la décision. Et ces contraintes ne sont pas une petite couche d'ajustement — elles forment l'essentiel de la décision.

Ce que le modèle ne savait pas

Quand on déplie ce qu'un directeur des achats porte dans sa tête pendant un comité pré-saison, on trouve cinq catégories d'inputs que le système data n'a presque jamais.

Contrats fournisseurs et minimums

Chaque catégorie est achetée contre un tissu d'accords fournisseurs. Quantités minimums par SKU, volumes minimums totaux par fournisseur, fenêtres d'exclusivité, conditions de paiement liées au volume, taux de reprise, pénalités de retard. Une recommandation qui propose 800 unités d'une référence dont le MOQ est de 5 000 n'est pas une recommandation utile — c'est une violation de contrainte non reconnue. Multipliez cela sur un portefeuille de 200 fournisseurs et la sortie du modèle cesse d'être un plan d'achat.

Calendrier fournisseur

Les collections n'arrivent pas sur un calendrier plat. Certains fournisseurs livrent en deux drops, d'autres en quatre, certains imposent un lead time de production de 14 semaines après une fenêtre showroom fixe dans laquelle l'engagement doit être pris. Une recommandation qui ignore quand l'engagement doit être verrouillé — versus quand le signal de demande devient lisible — n'a pas de sens opérationnel. Les acheteurs ne l'ignorent pas par méfiance envers le ML. Ils l'ignorent parce qu'elle propose une décision qu'ils ne pourraient pas exécuter même s'ils le voulaient.

Rôle de catégorie

Chaque catégorie de l'assortiment joue un rôle : générateur de trafic, contributeur de marge, signature, complément, comme le détaille le cas de l'assortiment et allocation IA en retail beauté. Une catégorie désignée comme générateur de trafic n'est pas achetée pour maximiser la marge — elle est achetée pour défendre un prix d'appel ou un positionnement. Une catégorie signature n'est pas achetée pour le volume — elle est achetée pour ancrer la promesse de l'enseigne. Un modèle entraîné à maximiser une fonction objectif globale va systématiquement sur-acheter les contributeurs de marge et sous-acheter les générateurs de trafic. La raison est simple : son objectif ne sait pas que les catégories jouent des rôles différents.

Engagements négociés

La moitié d'une année d'achats se passe en négociation. « On s'engage sur 12 000 unités de cette collection en échange de l'exclusivité sur trois références et 3 % de remise supplémentaire. » *« On prend 60 % du volume de la saison passée chez ce fournisseur pour préserver la relation, même si le modèle dit 40 %.

»* Ces engagements ne sont documentés dans aucun système structuré. Ils vivent dans le carnet de la direction des achats, dans des mails, dans la relation. Une recommandation qui les contredit n'est pas fausse — elle n'est juste pas activable, parce que l'espace activable était déjà partiellement verrouillé.

Intuition merch qui compresse du signal réel

Les merchandisers expérimentés portent une reconnaissance de patterns qu'aucun modèle entraîné sur cinq saisons ne peut égaler. La marque X s'affaiblit depuis deux saisons même si les chiffres ne l'ont pas encore totalement rattrapée. La croissance d'une sous-famille a été gonflée par une opération ponctuelle.

Un nouvel entrant sur une catégorie va déplacer le prix plancher. Ce ne sont pas des superstitions. C'est du signal compressé sur un horizon de temps beaucoup plus long que la fenêtre d'entraînement du modèle.

Un modèle qui traite ces cinq catégories comme des filtres à appliquer après avoir généré une recommandation est condamné. Au moment où les filtres tournent, l'optimisation a déjà sur-alloué sur des volumes qui les violent. Et le plan résiduel ne ressemble plus au plan recommandé — à ce stade, l'acheteur conclut raisonnablement que le modèle ne l'a pas aidé.

Les contraintes comme inputs de premier rang, pas comme filtres après coup

Un seul choix architectural sépare une IA assortiment adoptée d'une IA assortiment ignorée. Tout tient à ça : les règles métier et l'intuition merch sont-elles des inputs que l'optimisation voit, ou des filtres appliqués à sa sortie ?

Quand les contraintes sont des inputs, le modèle sait que la marque X a un MOQ de 5 000 avant d'allouer le volume. Il sait que les SKU d'exclusivité fournisseur Y sont verrouillés à une profondeur précise avant d'optimiser le reste. Il sait que la catégorie générateur de trafic a un objectif de largeur indépendant de la marge. Il sait que la direction des achats a signalé une sous-famille comme surévaluée la saison dernière. La recommandation qu'il produit est, par construction, exécutable.

Quand les contraintes sont des filtres, le modèle produit un plan mathématiquement optimal puis retire tout ce qui viole une règle. Ce qui reste n'est pas un plan cohérent — c'est un reliquat. Les acheteurs sentent la différence instantanément. Le premier type de recommandation se lit comme un collègue qui comprend les arbitrages et propose un plan défendable. Le second se lit comme un pitch fournisseur ignorant comment le métier fonctionne réellement.

Ce n'est pas une petite distinction architecturale. C'est la différence entre un modèle utilisé et un modèle archivé.

Cela impose aussi des propriétés précises à la plateforme. La couche de règles doit être déclarative (l'équipe merch peut exprimer un nouveau minimum fournisseur sans ticket DSI). Elle doit être contextuelle (une règle de largeur qui dépend du cluster et de la marque, pas une valeur globale unique). Elle doit être hiérarchisée (quand deux règles entrent en conflit — un plancher de marge et un objectif de largeur — le système arbitre explicitement, pas silencieusement). Et elle doit être observable (l'acheteur peut voir quelles contraintes ont façonné une recommandation précise, et lesquelles ont été relâchées).

Sans ces quatre propriétés, les règles métier redeviennent un filtre — et le projet redevient la même histoire à 15 % d'adoption.

Ce qui change quand l'IA assortiment est construite ainsi

Le changement visible, c'est que les acheteurs cessent de contourner le système. Le changement plus profond, c'est que le comité d'achat passe d'un débat sur les volumes à un débat sur les contraintes.

Le comité ne débat plus de savoir si 8 000 unités sur une référence est la bonne décision. Il discute plutôt de renégocier un minimum fournisseur, de faire basculer un rôle de catégorie, ou de sous-pondérer un sell-through gonflé. Ce sont les conversations qui font réellement bouger la saison. Le chiffre de volume tombe naturellement une fois les contraintes explicites.

C'est un usage plus productif du temps du comité d'achat. C'est aussi une forme d'apprentissage organisationnel plus durable — chaque décision modifie les contraintes, chaque contrainte est versionnée. Et le plan de la saison suivante part d'une base plus riche que le tableur qui ouvrait la précédente.

L'autre chose qui change, c'est la relation entre planification pré-saison et opérations in-season. Quand l'achat pré-saison a été fait avec les contraintes exécutables dans le modèle, les systèmes aval — réassort, allocation, démarque — héritent d'un plan cohérent sur lequel ils peuvent opérer.

Quand l'achat pré-saison a été fait par un acheteur qui a contourné un modèle dont il se méfiait, les systèmes aval héritent d'un plan qui n'existe nulle part structurellement. Il ne vit que dans le carnet de l'acheteur. Chaque modèle aval doit alors le ré-inférer à partir du sell-through. Le coût de cette ré-inférence, saison après saison, est l'un des moteurs silencieux de l'inefficacité in-season.

L'angle Solya

C'est la logique autour de laquelle Solya est construit. Pas un optimiseur d'assortiment avec un onglet de paramètres pour les règles métier. Une plateforme de décision où les contraintes de l'enseigne sont des inputs de premier rang de l'optimisation. Ces contraintes : minimums fournisseurs, calendriers vendeurs, rôles de catégorie, engagements négociés, et intuition de l'équipe merch exprimée comme ajustements du signal de demande.

Concrètement, cela veut dire qu'une direction des achats peut voir, sur une recommandation précise, quelles règles sont actives, quelles contraintes ont été liantes, lesquelles ont été relâchées et de combien. Et quels jugements merch ont déplacé la prévision sous-jacente. Cela veut dire qu'un nouvel accord fournisseur signé en mars se reflète dans la recommandation d'avril sans release DSI. Et cela veut dire que le comité d'achat débat des contraintes, pas des sorties du modèle — la seule conversation qui mérite d'être tenue à cette altitude.

Le résultat n'est pas une précision de prévision plus élevée. C'est un taux d'adoption compatible avec le levier de la décision prise. Un achat pré-saison que l'équipe achats possède réellement, sur lequel les systèmes aval peuvent opérer de manière cohérente. Et qui se capitalise dans le plan de la saison suivante au lieu de mourir dans un override d'acheteur.

La vraie question à se poser

Si vous menez, ou sponsorisez, un projet d'IA assortiment : quand votre équipe achats rejette une recommandation, quelle raison donne-t-elle ? Si la réponse est « c'est faux », la conversation porte sur la qualité du modèle. Si la réponse est « cela ignore comment on achète réellement », la conversation porte sur l'architecture — et aucun ajustement de modèle ne comblera cet écart.

La plupart des projets d'IA pré-saison sont aujourd'hui coincés dans la seconde conversation alors que le comité de pilotage tient la première. Ce décalage explique pourquoi tant d'entre eux sont, dix-huit mois plus tard, discrètement décrits comme « un input utile que l'équipe consulte ponctuellement ». Ce qui est la définition opérationnelle d'un projet qui n'a rien changé.

Pour les questions d'adoption et de KPI que les équipes achats se posent, voir notre FAQ Directeur Merchandising.

---

Votre IA pré-saison est-elle réellement utilisée ?

Chez Solya, nous proposons aux directions merchandising et achats un diagnostic personnalisé de 30 minutes. Sur votre propre mix catégoriel et votre calendrier d'achats, nous évaluons l'écart entre ce que votre IA assortiment recommande et ce que votre équipe achats engage réellement. Et nous identifions les contraintes qui doivent passer du statut de filtre à celui d'input de premier rang avant la prochaine collection.

Vous repartirez avec :

• Une mesure de votre taux d'adoption actuel sur les recommandations d'assortiment IA
• Une cartographie des contraintes que votre modèle actuel traite comme filtres plutôt que comme inputs
• Les premiers changements architecturaux à opérer avant le prochain cycle pré-saison