Mode · Optimiser taille, fit et stock pour réduire les retours et le gaspillage

Une cliente commande la même robe en trois tailles, en garde une et en renvoie deux. Multipliez cela par des millions de commandes et vous obtenez le problème le plus coûteux de l'habillement en ligne : les retours. Dans certaines catégories de mode, les taux de retour approchent les 40 %, et une grande partie s'explique par une seule chose : les acheteurs devinent leur taille.

Zalando, la plus grande plateforme de mode en ligne d'Europe, a attaqué le sujet de front. En intégrant la prédiction de fit dans le parcours d'achat (recommander une taille à partir de ce qui a réellement convenu à des morphologies similaires), l'entreprise a réduit les retours liés à la taille sur les produits concernés. Moins de retours, c'est moins de transport, moins de reconditionnement, moins de déchets et une meilleure marge. Cette leçon vous montre comment fonctionne cette mécanique et comment la déployer.

Pourquoi les retours sont une crise propre à la mode

Les retours ne sont pas gratuits. Chaque vêtement renvoyé porte un coût de logistique inverse (le transport retour), du temps d'inspection, du reconditionnement et un risque de démarque, car un article retourné peut manquer sa fenêtre de vente. Les estimations du secteur situent le coût de traitement d'un seul retour à une fraction non négligeable du prix de l'article, parfois suffisante pour effacer entièrement le profit de la vente.

Il y a aussi un coût environnemental. Une partie des vêtements retournés n'est jamais revendue. Elle est soldée, liquidée ou, dans certains cas, détruite. Réduire les retours est donc à la fois un levier de marge et un levier de réduction des déchets, ce qui explique qu'il figure aujourd'hui autant sur le bureau du CFO que sur celui du Chief Sustainability Officer.

Les causes racines se répartissent globalement en deux catégories :

• L'incertitude sur le fit : l'acheteur ne connaît pas sa taille dans cette marque ou cette coupe.
• Le bracketing : l'acheteur commande délibérément plusieurs tailles en prévoyant d'en retourner une partie.

L'IA s'attaque aux deux.

Les trois leviers

Levier 1 : données de scan corporel et de mensurations

La façon la plus directe de recommander une taille est de connaître le corps. Plusieurs approches existent, de la plus fluide à la plus précise :

• Mensurations déclarées : taille, poids, âge, taille de soutien-gorge, préférence de coupe habituelle. Peu coûteux, mais bruité.
• Scan à partir de photos : des applications qui estiment les mensurations à partir de deux photos prises au smartphone via la computer vision. Des sociétés comme 3DLOOK et Bold Metrics travaillent sur ce crcrLe pourcentage de visiteurs ou de prospects qui réalisent une action attendue (achat, inscription, formulaire de contact), calculé en divisant les conversions par le nombre total d'opportunités.Voir la définition complète →éneau.
• Scanners corporels 3D en magasin : des cabines qui capturent des mensurations précises, surtout utilisées dans le sur-mesure et les uniformes professionnels.

Le hic : les données corporelles sont des données personnelles sensibles. Sous le Règlement général sur la protection des donnéesRèglement général sur la protection des donnéesRèglement de l'UE encadrant la collecte, le stockage et l'usage des données personnelles, avec des amendes indexées sur le chiffre d'affaires mondial.Voir la définition complète → (RGPD) de l'UE, et selon l'interprétation retenue, les scans corporels peuvent relever des données biométriques, qui exigent un consentement explicite et un traitement prudent. Intégrez la privacy dès le premier jour : minimisez ce que vous stockez, obtenez un consentement clair et laissez l'utilisateur supprimer son profil.

Levier 2 : moteurs de recommandation de taille

La plupart des grandes plateformes ne s'appuient pas uniquement sur les scans corporels. Le cheval de trait, c'est un moteur de recommandation entraîné sur l'historique d'achats et de retours. L'insight central : on apprend le fit réel d'un vêtement à partir de son comportement sur des milliers de clients passés.

L'approche de Zalando, construite en partie sur son acquisition du spécialiste du fit Fits.me puis sur ses équipes de recherche, modélise à la fois le client et l'article dans un « espace de tailles » partagé. Si les clients qui ont acheté l'article A et l'ont gardé tendent aussi à garder l'article B dans la même taille, le système en déduit que ces articles taillent de façon similaire.

Une version simplifiée de la logique :

# Pseudo-logic for a size recommendation signal
# For a given customer + candidate article:

def recommend_size(customer, article, purchase_history):
    # 1. Estimer la "vraie taille" latente du client à partir des articles gardés
    true_size = infer_true_size(purchase_history)  # articles gardés, non retournés

    # 2. Estimer le biais de fit de cet article (taille petit / grand / juste)
    fit_bias = article.fit_offset  # appris à partir des motifs de retour agrégés

    # 3. Ajuster et scorer chaque taille disponible
    scores = {}
    for size in article.available_sizes:
        expected_fit = true_size + fit_bias - size_to_scale(size)
        scores[size] = probability_of_keep(expected_fit)

    return max(scores, key=scores.get)

Le signal d'entraînement déterminant est le code motif de retour. Quand un client retourne un article et sélectionne « trop petit » ou « trop grand », cette étiquette vaut de l'or. Elle indique au modèle dans quelle direction le fit du vêtement est biaisé. Les distributeurs qui collectent des motifs de retour granulaires entraînent de bien meilleurs modèles de fit que ceux qui ne voient que « retourné : oui/non ».

Levier 3 : allocation des tailles et des magasins pilotée par la demande

La prédiction de fit réduit les retours par commande. L'allocation réduit un autre gaspillage : du stock au mauvais endroit.

L'achat classique commande chaque modèle selon une courbe de tailles fixe (disons 10 % XS, 20 % S, 30 % M, 25 % L, 15 % XL) appliquée uniformément. Le problème : un magasin de bord de mer dans une région vend un mix de tailles différent de celui d'un magasin de centre-ville ailleurs. Les courbes uniformes garantissent que vous serez en rupture sur les tailles centrales populaires tandis que les XS et XXL restent invendus, sont démarqués et finissent en déchets.

L'allocation pilotée par la demande utilise l'historique de ventes local pour prévoir la demande par taille et par magasin ou par nœud de distribution, puis alloue le stock en conséquence. Le gain :

• Moins de séries de tailles cassées (un modèle est « cassé » quand les tailles populaires sont épuisées et qu'il ne reste que les tailles extrêmes, ce qui tue le sell-through à prix plein).
• Moins de démarques.
• Moins de coûts de transfert entre magasins.

Pour aller plus loin sur le lien entre prévision et allocation, les rapports State of Fashion de McKinsey suivent la façon dont les acteurs leaders industrialisent cette approche.

🎬 [VIDEO: "How Zalando Uses Machine Learning" - youtube.com - Les ingénieurs de Zalando expliquent la recommandation de taille et la personnalisation à grande échelle]

Faire fonctionner le dispositif au quotidien

La technologie est la moitié facile. C'est ici que les déploiements réussissent ou échouent.

La couverture compte plus que la précision. Une recommandation brillante affichée sur 5 % des produits ne fait presque pas bouger le taux de retour. Donnez la priorité à une recommandation correcte sur le catalogue le plus large possible. Un signal « taille petit, prenez une taille au-dessus » sur chaque produit vaut souvent mieux qu'un scan précis sur une poignée d'articles.

Le placement dans le parcours. La recommandation doit apparaître au moment du choix de la taille, pas être enfouie dans un onglet. Une seule ligne visible (« Nous vous recommandons la taille M selon votre profil ») suffit à créererLe rapport entre les interactions (likes, commentaires, partages) et le reach d'un contenu, utilisé pour mesurer la réaction de l'audience au regard du nombre de personnes touchées.Voir la définition complète → de l'adoption.

Gérer le cold start. Les nouveaux clients et les nouveaux produits n'ont pas d'historique. Utilisez les mensurations déclarées et des a priori de fit au niveau catégorie jusqu'à ce que suffisamment de données s'accumulent. Les nouveaux articles peuvent hériter du biais de fit de modèles passés similaires (même marque, même élasticité de tissu, même patronage).

Boucler la boucle avec les motifs de retour. Faites en sorte que le parcours de retour capture le *pourquoi*. Des motifs structurés (« trop serré aux épaules », « longueur trop longue ») alimentent le modèle et, surtout, remontent au design et aux achats pour que les défauts de fit récurrents soient corrigés à la source.

Surveillez le bracketing. Certains distributeurs facturent les retours ou signalent les bracketers en série. C'est délicat commercialement et en termes de réputation. Une meilleure prédiction de fit est le mouvement à somme positive : aidez les gens à commander juste du premier coup plutôt que de les pénaliser.

Mesurer l'impact honnêtement

Ne revendiquez pas une victoire sur une vanity metric. Suivez :

• Le taux de retour par motif : isolez les retours liés à la taille et au fit, puisque c'est ce sur quoi la fit tech agit. Une baisse des retours « j'ai changé d'avis » n'est pas l'œuvre de votre modèle.
• Le taux de conservation sur la taille recommandée : les clients qui ont suivi la recommandation ont-ils effectivement gardé l'article plus souvent ?
• Le sell-through à prix plein par taille : la preuve que l'allocation réduit les séries cassées et les démarques.
• La marge nette par commande, pas seulement les retours, car un dispositif qui réduit les retours mais réduit aussi les ventes est une perte.

Menez cela comme une véritable expérience. Montrez la recommandation à un groupe test aléatoire, retirez-la à un groupe de contrôle et comparez. La corrélation entre « utilisateurs de l'outil de fit » et « retours plus faibles » est trompeuse, car les acheteurs engagés se comportent de toute façon différemment. Seul un test contrôlé vous donne le vrai lift.

Le dividende déchets

Chaque retour évité, c'est à peu près un aller-retour de transport évité, avec les émissions et l'emballage qui vont avec. Chaque courbe de tailles mieux allouée, c'est moins de vêtements démarqués en solde ou liquidés. Pour un distributeur en ligne de taille moyenne, gagner ne serait-ce que quelques points sur le taux de retour lié à la taille peut se traduire par des économies significatives et un vrai récit de durabilité que vous pouvez publier, à condition de le mesurer rigoureusement plutôt que de l'estimer généreusement.

Points clés

• Les retours sont la crise de marge et de gaspillage de l'habillement en ligne, et l'incertitude sur le fit en est le facteur le plus corrigeable. Zalando a réduit les retours liés à la taille en intégrant la prédiction de fit directement dans le parcours d'achat.
• Les codes motifs de retour sont vos données d'entraînement les plus précieuses. Collectez des motifs granulaires (« trop petit », « épaules serrées ») pour former à la fois le modèle et vos équipes design et achats.
• La couverture prime sur la précision. Un signal de taille simple et visible sur tout le catalogue fait plus bouger les retours qu'un scan corporel parfait sur quelques produits.
• L'allocation des tailles pilotée par la demande aligne le stock sur la demande locale et réduit les séries de tailles cassées, les démarques et le gaspillage créés par les courbes de tailles uniformes.
• Prouvez l'impact par un test contrôlé, en mesurant le taux de retour par motif et la marge nette par commande, pas des vanity metrics ni des corrélations.