[L’oeil de l’expert SEI] Vos clients achètent du SKU, pourquoi acheter des modèles coloris ?

– Écueils & axes d’amélioration des prévisions de vente à la taille dans la distribution wholesale –

Qui n’a pas remarqué que les stocks restants en fin de saison sont très souvent saturés de modèle-coloris en tailles extrêmes, les tailles centrales étant épuisées ? De nombreux systèmes de prévisions de la distribution wholesale sont basés sur des moteurs de calcul des prévisions appliqués au niveau modèle-coloris (MC). Pourtant, vos clients détaillants achètent du modèle-coloris-taille (SKU). Quels sont les principales responsabilités des systèmes de prévisions ? (Temps de lecture : 4 min)

Cette situation fréquente où les stocks restants en fin de saison sont très souvent saturés de modèle-coloris en tailles extrêmes est évidemment – et malheureusement – le signe que du chiffre d’affaires a très probablement été perdu… et sera encore perdu car les stocks restants, déséquilibrés en tailles, seront eux-mêmes plus difficiles à valoriser dans les circuits de distribution parallèles (magasins d’usine, soldeurs).

Bien entendu, pour expliquer ce phénomène, on commence d’abord par incriminer des défaillances du système de prévisions de la distribution wholesale tout en sachant que la politique d’approvisionnement a peut-être aussi contribué à cette mauvaise composition des stocks restants (rôle qui fera l’objet d’un prochain billet).

 

Les systèmes de prévisions de vente responsables ?

De nombreux systèmes de prévisions sont structurés de telle manière que le moteur du calcul des prévisions (c’est-à-dire : l’algorithme statistique d’extrapolation proprement dit) est appliqué au niveau modèle-coloris et non pas au niveau modèle-coloris-taille (c’est-à-dire : l’algorithme statistique d’extrapolation proprement dit).

Dans le cadre de la distribution wholesale d’articles principalement saisonniers, ce choix s’impose en effet assez logiquement car il est certain que les séries constituées au niveau modèle-coloris sont statistiquement plus significatives que celles qui le seraient au niveau SKU, notamment pour ce qui concerne les tailles extrêmes dont les ventes sont plus faibles et plus erratiques.

Dans ces conditions, les prévisions de vente par taille (au niveau SKU) dépendent alors d’une désagrégation des prévisions par modèle-coloris sur les tailles ouvertes à la vente.

L’expérience montre cependant que si les responsables prévisions sont très concernés par les performances des prévisions au niveau modèle-coloris, ils se désintéressent assez souvent de la qualité des prévisions par taille en considérant qu’elle va de soi.

Or les consommateurs n’achètent que des modèle-coloris dans une taille donnée (SKU) et, par conséquent, la performance finale du système de prévision ne peut pas seulement se résumer à celle des prévisions par modèle-coloris. Elle doit nécessairement intégrer celle de la répartition par taille.

Tant que la tournée des représentants n’est pas suffisamment avancée, c’est-à-dire tant que le poids du carnet des commandes n’est pas suffisamment significatif pour permettre une bonne estimation des pourcentages de répartition par modèle-coloris, il est dangereux de ne se fier qu’à la répartition des commandes en main. Elle peut être assez instable pour au moins deux raisons :

  • la faiblesse de l’échantillon des commandes reçues,
  • l’ordre de la visite des clients par les représentants peut avoir une influence sur la répartition des tailles.

On s’affranchit de ce premier problème :

  • en initialisant des tables de répartition (définies par groupes de produits censés obéir à une même répartition) à partir des historiques de ventes des saisons passées,
  • en les modifiant au fur et à mesure de l’avancement de la saison en fonction du carnet des commandes reçues.

A priori, le principe de la désagrégation des prévisions par modèle-coloris semble alors simple : il ne reste plus qu’à affecter les différents articles de la nouvelle collection à telle ou telle table de répartition pour passer des prévisions par modèle-coloris aux prévisions par tailles.

Tout cela fleure bon la simplicité…Mais en réalité, le diable se cache derrière de nombreux détails !

 

L’effet couleur sur la répartition des tailles dans les prévisions de vente

Oublions les problèmes de tailles dus à la diversité des zones géographiques qu’une segmentation géographique du marché peut aisément résoudre, et concentrons-nous plutôt sur d’autres problèmes « cachés ».

Si l’on exclut le cas des articles reconduits d’une saison sur l’autre ou bien de ceux qui disposent d’un article très similaire dans la saison précédente, deux points clés sont à examiner pour le gros des autres articles  :

  • L’affectation des articles aux tables de répartition
  • Le calcul des % par taille des tables de répartition

On a effectivement souvent tendance à affecter à une même table des modèles de familles similaires. Par exemple, on affectera tous les modèles chemises en coton manches courtes à une même table ou bien encore, toutes les chemises à une même table si l’on estime que les tailles des chemises ne dépendent pas des tissus, des formes et des couleurs.

Un premier écueil apparaît dans la mesure où tous les coloris d’un même modèle ne se comportent pas nécessairement de la même manière en terme de répartition par taille.

Ainsi, il est courant d’observer que les chemises noires « taillent » plus grand que les chemises blanches. Cet effet est en général attribué au fait que « le noir mincit », c’est-à-dire que les consommateurs les plus forts ont plutôt tendance à choisir des chemises noires ou foncées.

 

L’impact du comportement d’achat des points de vente selon leur taille

Un second écueil se rencontre quand on doit prendre en compte les volumes prévus au niveau des modèles-coloris. En effet, même pour un modèle réputé insensible à l’effet « le noir mincit », la répartition par taille de ses coloris sera très certainement différente en fonction des volumes respectifs prévus.

Par exemple, un blouson bleu marine vendu en 7 000 exemplaires aura couramment une répartition par taille relativement plus « aplatie » que le même blouson marron vendu en 200 exemplaires, dont la répartition par taille sera plus « concentrée » sur les tailles centrales.

Ce phénomène s’explique :

  • par les différences de comportement d’achat entre les points de vente : un gros point de vente peut se permettre de prendre plus de risques sur les tailles extrêmes qu’un petit. Comme les gros points de vente sont très probablement plus fréquemment représentés que les petits points de vente dans les articles vendus en masse, leur comportement d’achat sera prépondérant.
  • parce que la faiblesse relative des ventes du produit le moins vendu traduit très certainement les doutes des acheteurs qui se protègent plus ou moins en mettant de préférence les tailles centrales en place.

 

Ces deux premiers écueils montrent que la gestion de la répartition par taille simplement par des tables de répartition n’est certainement pas optimale et que seule une gestion dynamique de ces tables peut permettre d’améliorer la performance globale du système de prévisions.

 

La problématique spécifique du réassort magasin

Enfin, un troisième écueil provient de la gestion du réassortiment. Il est peu probable en effet qu’un point de vente prenne des risques en se réassortissant sur des tailles extrêmes, il aura plutôt tendance à se sécuriser sur les tailles centrales. Et, par conséquent, les tables de répartition utilisées pour les prévisions de la demande « tournée » ne sont a priori pas utilisables pour la répartition par taille du réassortiment.

Il est vrai que de nombreux systèmes de prévision ne gèrent pas « activement » le réassortiment, c’est-à-dire qu’ils ne font pas de prévisions de vente de réassortiment au niveau modèle-coloris. Le réassortiment est alors passivement pris en compte comme une variable d’ajustement compensant les annulations de commandes qui ont lieu après la fin de la tournée des représentants.

Or s’il est possible que cette compensation soit à peu près exacte en terme de chiffre d’affaires, elle est très certainement fausse en termes de modèle-coloris et de répartition par taille.

Ce problème de la gestion du réassortiment, qui d’ailleurs impacte aussi beaucoup la politique d’approvisionnement, fera notamment l’objet de la prochaine chronique déjà annoncée.

 

Découvrez comment répondre à cette problématique de prévisions de vente à la taille en participant à la prochaine web démonstration gratuite du logiciel Optimate Supply Chain Planning. Prochaine date : mardi 23 juin à 10h30 (durée 1h30). Inscription via le formulaire suivant >>