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

# 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 par des millions de commandes et vous obtenez le problème le plus coûteux de la mode en ligne : les retours. Dans certaines catégories, le taux de retour approche les 40 %, et l'essentiel tient à 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 au parcours d'achat (recommander une taille à partir de ce qui allait effectivement à des morphologies proches), l'entreprise a réduit les retours liés à la taille sur les produits concernés. Moins de retours, c'est moins de transport, moins de réemballage, moins de déchets et une meilleure marge. Cette leçon montre comment fonctionne cette mécanique et comment la déployer.

Pourquoi les retours sont une crise propre à la mode

Un retour n'est pas gratuit. Chaque vêtement renvoyé génère un coût de logistique inverse (le transport retour), du temps d'inspection, du réemballage et un risque de démarque, car l'article peut rater 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.

S'y ajoute un coût environnemental. Une partie des vêtements retournés n'est jamais revendue. Ils sont soldés, liquidés, voire détruits. Réduire les retours relève donc à la fois de la marge et de la réduction des déchets, ce qui explique qu'ils soient désormais sur le bureau du CFO comme sur celui du Chief Sustainability Officer.

Les causes profondes se répartissent en gros en deux catégories :

• Incertitude sur le fit : l'acheteur ne connaît pas sa taille dans cette marque ou cette coupe.
• Bracketing : l'acheteur commande délibérément plusieurs tailles avec l'intention d'en retourner une partie.

L'IA s'attaque aux deux.

Les trois leviers

Levier 1 : données de body-scan et de mensurations

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

• Mensurations déclarées : taille, poids, âge, tour de poitrine, préférence de coupe habituelle. Peu coûteux, mais bruité.
• Scan par photo : 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 opèrent 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 3D en magasin : des cabines qui capturent des mensurations précises, surtout utilisées dans le sur-mesure et les uniformes.

Le hic : les données corporelles sont des données personnelles sensibles. Sous le Règlement général sur la protection des données (RGPD) européen, et selon l'interprétation retenue, les scans corporels peuvent être qualifiés de données biométriques, exigeant un consentement explicite et un traitement rigoureux. Intégrez la privacy dès le premier jour : minimisez ce que vous stockez, obtenez un consentement clair et laissez les utilisateurs supprimer leur 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 vrai fit d'un vêtement à partir de son comportement sur des milliers de clients passés.

L'approche de Zalando, bâtie 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 même « espace de tailles ». Si les clients qui ont acheté l'article A et l'ont gardé ont aussi tendance 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 décisif, c'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 capturent des motifs de retour granulaires entraînent des modèles de fit bien meilleurs 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 gaspillage différent : le stock au mauvais endroit.

Les achats classiques commandent 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 balnéaire dans une région vend un mix de tailles différent d'un magasin urbain ailleurs. Les courbes uniformes garantissent que vous serez en rupture sur les tailles centrales pendant que les XS et XXL restent invendus, sont démarqués et finissent en déchet.

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 fulfillment, 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 marginales, ce qui tue le sell-through à prix plein).
• Moins de démarques.
• Moins de coûts de transfert inter-magasins.

Pour aller plus loin sur le lien entre prévision et allocation, les State of Fashion reports de McKinsey suivent la façon dont les acteurs les plus avancés opérationnalisent le sujet.

🎬 [VIDEO: "How Zalando Uses Machine Learning" - youtube.com - Des 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 bouge quasiment pas le taux de retour. Priorisez une recommandation correcte sur le catalogue le plus large possible. Un signal « taille petit, prenez au-dessus » sur chaque produit bat souvent un scan précis sur une poignée de références.

Le placement dans le parcours. La recommandation doit apparaître au moment du choix de la taille, pas enfouie dans un onglet. Une seule ligne visible (« Nous vous recommandons la taille M d'après votre profil ») suffit à déclencher l'adoption.

Gérez le cold start. Les nouveaux clients et les nouveaux produits n'ont pas d'historique. Utilisez les mensurations déclarées et des priors 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).

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

Surveillez le bracketing. Certains distributeurs facturent les retours ou signalent les bracketers en série. C'est délicat commercialement et en termes d'image. Une meilleure prédiction de fit est le coup 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 là-dessus que la technologie agit. Une baisse des retours « changement 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, et pas seulement les retours, car un dispositif qui supprime les retours mais supprime aussi les ventes est une perte.

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

Le dividende déchets

Chaque retour évité, c'est en gros un aller-retour de transport évité, avec les émissions et l'emballage qui vont avec. Chaque courbe de tailles mieux allouée, ce sont moins de vêtements démarqués 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 publiable, 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 la mode en ligne, et l'incertitude sur le fit en est le principal facteur corrigible. Zalando a réduit les retours liés à la taille en intégrant la prédiction de fit directement au parcours d'achat.
• Les codes motifs de retour sont vos données d'entraînement les plus précieuses. Capturez 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 bouger les retours plus qu'un body scan parfait sur quelques produits.
• L'allocation des tailles pilotée par la demande aligne le stock sur la demande locale, réduisant les séries de tailles cassées, les démarques et le gaspillage que génèrent 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.