COMMENT FIABILISER VOS PRÉVISIONS À LA TAILLE ?

Comment fiabiliser vos prévisions à la taille ?

28/07/2020

Vos clients achètent du SKU, pourquoi acheter des modèles coloris ?"

Qui n'a pas constaté que les stocks résiduels de fin de saison sont très souvent saturés de modèles-coloris en tailles extrêmes, les tailles centrales étant épuisées ? Cette situation fréquente est malheureusement synonyme d'un chiffre d'affaire manqué. Ainsi que d'une marge potentiellement dégradée par des stocks restants déséquilibrés en tailles, donc plus difficile à valoriser dans les circuits de distribution de fin de cycle (outlets, ventes privées, etc....).

Quel rôle les prévisions de ventes vont jouer dans cette problématique ?

On observe généralement chez les acteurs de la mode wholesalers une tendance à se contenter d'appliquer des règles basiques de répartition des prévisions à la taille. Au regard des enjeux économiques, il est pertinent pour votre entreprise d'adopter une approche plus perfectionnée.

Les systèmes de prévisions, 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 (SKU).

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 plus significatives que celles qui le seraient au niveau SKU, notamment pour ce qui concerne les tailles extrêmes dont les ventes sont plus erratiques.

Dans ces conditions, les prévisions 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 soit. Hors les points de ventes achètent des SKU car leurs clients n'achètent que des modèles-coloris dans une taille donnée.

La performance finale du système de prévisions ne peut donc pas se résumer à celle des prévisions par modèle-coloris et doit nécessairement intégrer celle de la répartition par taille. 

Tant que la tournée des représentants n'est pas suffisamment avancée, c'est-à-dire avant que le poids du carnet des commandes devienne suffisamment significatif, il est dangereux de ne se fier qu'à la répartition des commandes en main. Elle peut être assez instable par 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.

À 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 taille.

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

L'effet couleur sur la répartition des tailles

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" plus difficiles à résoudre.

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 chemise 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 termes 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 ces 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 les même blouson en marron vendu en 150 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 vendus traduit très certainement les doutes des acheteurs qui se protègent plus ou moins en ne mettant plutôt en place que les tailles centrales.

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

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 des tailles centrales. Et, par conséquent, les tables de répartition utilisées par les prévisions de la demande "tournée" ne sont à priori pas utilisables par la répartition par taille du réassortiment. 

Il est vrai que de nombreux systèmes de prévisions ne gèrent pas "activement" le réassortiment, c'est-à-dire qu'ils ne font pas de prévisions de réassortiment au niveau modèle-coloris. Le réassortiment est effet alors passivement pris en compte comme une variable de réajustement compensant les annulations de commandes qui ont lieues après la fin de la tournée des représentants.

Hors s'il est possible que cette compensation soient à peu près exacte en termes de chiffre d'affaire, 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 de réapprovisionnement, fera notamment l'objet du prochain article.

Joël Thévenin est ancien élève de l'école polytechnique et diplômé de l'ENSAE (École Nationale de la Statistique et de l'Administration Économique). Il a fait l'essentiel de sa carrière comme conseil auprès des entreprises de secteurs divers en tant que spécialiste de la Supply Chain, notamment dans l'habillement.

Partager sur :
 

Posté par Maider GUEZALA

Maider Guezala allie la double compétence de Responsable Marketing et d'Ingénieur d'Affaires chez SEI. Depuis 12 ans, elle développe l'approche client SEI tout en accompagnant des comptes nommés comme Adeo, Lacoste, La Redoute par sa maîtrise des problématiques liées à la Supply Chain : prévision des ventes, planification de l'offre, optimisation du plan d'achats ou bien la gestion des opérations en centrale d'achats.