Prévoir les tendances avec l'IA : des signaux runway aux courbes de demande

# Prévoir les tendances avec l'IA : des signaux runway aux courbes de demande

En 2018, la startup parisienne Heuritech a commencé à scanner des millions de photos publiques Instagram et street-style, en taguant les vêtements pièce par pièce : longueur de manche, silhouette, couleur, imprimé. Quand les blazers oversize ont commencé à apparaître chez les influenceurs et sur les podiums, le système a signalé un signal montant des mois avant que la tendance n'atteigne le retail grand public. Les acheteurs qui ont agi tôt ont commandé les bonnes quantités. Ceux qui ont attendu ont couru après le stock ou raté la fenêtre.

C'est la promesse du trend forecasting par l'IA : transformertransformerUn Transformer est une architecture de réseau de neurones qui utilise le self-attention pour traiter des séquences en parallèle. Elle est au cœur de la plupart des modèles de langage et d'IA générative actuels.Voir la définition complète → un buzz visuel et social flou en un chiffre sur lequel on peut réellement engager un achat.

Pourquoi cela compte pour le buy

Dans la mode, le « buy » est l'engagement. Des mois avant une saison, les merchandisers décident du nombre d'unités à commander pour chaque modèle, couleur et taille. Bien vu, vous vendez à plein tarif. Mal vu, vous êtes en rupture (ventes perdues) ou noyé sous les démarques (marge perdue).

La prévision traditionnelle s'appuyait sur les ventes de l'an dernier plus l'instinct du merchant. Ça fonctionne pour les basiques. Ça échoue pour les tendances, qui vont vite et démarrent en dehors de vos propres données de ventes : sur les réseaux sociaux, les tapis rouges, les podiums.

L'IA comble cet écart en lisant tôt les signaux externes.

Les trois couches de données

L'IA de trend forecasting assemble trois types d'inputs.

1. Signaux visuels (computer vision)

La computer vision est une IA qui « voit » les images et identifie objets et attributs. Entraînée sur des photos de mode labellisées, elle peut regarder une image de défilé et produire des tags : « blazer croisé, coupe oversize, ton terreux, texture laine ».

Le produit principal d'Heuritech fait exactement cela sur les images sociales et de défilés, en produisant une courbe de croissance pour chaque attribut. Le résultat n'est pas « les blazers sont tendance ». C'est « les blazers oversize dans des tons neutres progressent de X pour cent auprès d'un segment d'audience précis, en projection sur les 12 prochains mois ».

2. Signaux sociaux et de recherche

Google Trends est un outil gratuit qui montre l'intérêt de recherche relatif dans le temps. Cherchez « blazer oversize » et vous voyez si la curiosité monte, est saisonnière ou s'éteint. C'est un instrument grossier, mais public, gratuit, et utile pour recouper un outil de vision payant.

Ajoutez l'engagement social : volume de hashtags, saves, partages. Un vêtement que les gens enregistrent est un vêtement qu'ils comptent acheter.

3. Votre propre historique de ventes

Le buzz externe vous dit ce qui monte. Vos données internes vous disent comment ce buzz se convertit en ventes pour *votre* client. Une marque de luxe et une marque de fast-fashion peuvent voir le même signal runway et le traduire en quantités d'achat très différentes.

Tout est dans la combinaison des trois. Les signaux externes donnent la direction. Les données internes donnent l'ampleur.

Du signal à la courbe de demande

Voici le modèle mental. Vous convertissez un attribut en croissance en une quantité.

En étapes :

1. Détecter : la vision AI signale « blazer oversize, neutre » en hausse dans votre segment cible.

2. Quantifier le signal : convertir le taux de croissance en un indice de demande projetée (disons 130 contre une base 100).

3. Ancrer sur vos données : trouver des modèles passés comparables. Comment une silhouette similaire s'est-elle vendue chez vous l'an dernier ?

4. Mettre à l'échelle : appliquer l'indice de signal à votre baseline pour estimer les unités.

5. Ajuster au réel : intégrer le prix, le lead time, le canal et la région.

Une version simple de l'étape 4 ressemble à ceci :

# Estimation grossière de la demande : unités de référence ajustées par un indice de tendance externe
baseline_units = 5000        # unités vendues pour un modèle passé comparable
trend_index = 1.30           # signal en hausse de 30 % issu des données vision + search
confidence = 0.75            # niveau de confiance dans le signal (0 à 1)

# Pondération : ne misez pas tout le buy sur le signal
forecast = baseline_units * (1 + (trend_index - 1) * confidence)
print(round(forecast))       # 5000 * (1 + 0.30*0.75) = 6125 unités

Notez le facteur confidence. Vous ne prenez jamais un signal IA au pied de la lettre. Vous le pondérez. Un signal fort avec une confiance faible ne doit pas faire exploser votre buy.

Où le signal est le plus fort (et le plus faible)

La prévision par IA n'est pas également fiable sur tout l'assortiment.

Fort : les tendances directionnelles avec des attributs visuels clairs. Silhouettes (oversize, cropped), couleurs (un vert précis qui devient dominant), motifs récurrents. Elles apparaissent dans l'imagerie et le search avec assez d'avance pour agir.

Faible : les pièces inédites, jamais vues. Les modèles de vision apprennent du passé, donc une forme réellement nouvelle n'a aucun précédent d'entraînement. Faible également : les micro-tendances qui explosent et meurent en quelques semaines, plus vite que votre lead time de production. S'il vous faut six mois pour fabriquer un vêtement et que la tendance dure huit semaines, le signal ne vous sert à rien.

C'est la discipline centrale : aligner la vitesse du signal sur la vitesse de votre supply chain. Un acteur fast-fashion avec un lead time de quatre semaines peut courir après les micro-tendances. Une maison de luxe qui planifie à un an a besoin de signaux plus lents et plus durables.

Un workflow concret

Supposons que vous êtes acheteur womenswear mid-market et que vous planifiez l'automne prochain.

1. Récupérez le signal. Votre outil de vision montre les blazers oversize en tons terreux en hausse chez votre audience 25-40 ans. Google Trends confirme une croissance de recherche régulière, non saisonnière. Bien : ça semble durable, pas un pic.

2. Trouvez l'analogue. L'automne dernier, vous avez vendu un blazer structuré. Il a fait 5 000 unités à plein tarif avec peu de démarque. Prenez-le comme baseline.

3. Appliquez l'indice pondéré par la confiance. Signal fort, confiance correcte. Vous arrivez autour de 6 000 à 6 500 unités.

4. Fractionnez le buy. N'engagez pas tout d'emblée. Commandez une quantité socle, gardez du budget open-to-buy (budget d'achat non dépensé tenu en réserve) pour réassortir si la tendance accélère.

5. Testez et lisez les premières ventes. Sortez un petit assortiment tôt. Le sell-through réel de la première semaine bat n'importe quelle prévision. Réassortissez les gagnants.

L'IA ne remplace pas l'acheteur. Elle lui donne un chiffre de départ défendable et une alerte précoce.

🎬 [VIDEO: "How AI Predicts Fashion Trends" - youtube.com - une courte explication de la façon dont la computer vision lit les images de défilés et de réseaux sociaux pour prévoir la demande]

Se prémunir des pièges

Garbage in, garbage out. Si votre modèle de vision est entraîné surtout sur des défilés occidentaux, il ratera les signaux d'autres marchés. Connaissez les angles morts de vos données d'entraînement.

Corrélation n'est pas causalité. Un hashtag en hausse peut refléter un moment viral, pas une demande durable. Recoupez avec des sources indépendantes : vision, search, et vos propres premières ventes.

La boucle auto-réalisatrice. Si toutes les marques achètent la même tendance signalée par l'IA, le marché sature et tout le monde démarque en même temps. Un signal précoce n'est un avantage que si vous agissez avant la foule, ou si vous l'interprétez différemment.

Le surajustement à l'outil. La prévision est un input, pas une commande. Gardez le jugement humain dans la boucle, en particulier pour les décisions d'identité de marque que la donnée ne voit pas.

Construire ou acheter la capacité

La plupart des marques ne construisent pas de modèles de vision from scratch. Elles s'abonnent à des plateformes (Heuritech et fournisseurs similaires) ou combinent un signal vendeur avec des outils gratuits comme Google Trends et leur propre équipe analytics.

Si vous n'êtes pas technique, votre travail n'est pas de coder le modèle. C'est de :

• Demander sur quelles données le modèle est entraîné et quels sont ses angles morts.
• Exiger une mesure de confiance, pas seulement une prédiction.
• Imposer que la sortie corresponde à une décision que vous prenez réellement (unités, couleurs, timing).
• Suivre la précision des prévisions saison après saison et tenir l'outil pour responsable.

Une prévision que vous ne pouvez pas auditer est une prévision à laquelle vous ne pouvez pas vous fier. Chaque saison, comparez ce que le modèle a prédit à ce qui s'est réellement vendu. C'est dans cette boucle de feedback que la valeur se cumule.

Le niveau réaliste

L'IA ne rendra pas vos prévisions parfaites. La mode est portée par la culture, la météo, les célébrités et le hasard, des forces qu'aucun modèle ne capte entièrement. Ce que fait une bonne prévision par IA, c'est déplacer les probabilités : signaux plus précoces, moins d'achats à l'aveugle, stocks plus serrés, moins de démarque.

Dans un métier où les démarques détruisent silencieusement la marge, gagner ne serait-ce que modestement en précision sur un large assortiment représente de l'argent réel.

Points clés

• L'IA transforme le buzz visuel et social en quantités d'achat en combinant computer vision (lecture des images), signaux search et sociaux, et votre propre historique de ventes. Les données externes donnent la direction ; les données internes donnent l'ampleur.
• Alignez la vitesse du signal sur celle de la supply chain. La fast-fashion peut courir après les micro-tendances ; les producteurs plus lents ont besoin de signaux durables avec de longs lead times.
• Pondérez chaque signal par la confiance et fractionnez votre buy. Engagez une quantité socle, gardez du budget open-to-buy, et laissez le sell-through réel confirmer la prévision.
• Recoupez des sources indépendantes (vision, Google Trends, premières ventes) pour éviter de prendre un pic viral pour une demande durable.
• Auditez le modèle chaque saison. Comparez le sell-through prédit et réel. Une prévision que vous ne pouvez pas auditer est une prévision à laquelle vous ne pouvez pas vous fier.