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

En 2018, la startup parisienne Heuritech a commencé à scanner des millions de photos Instagram et de street-style publiques, 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 runways, le système a signalé un signal montant plusieurs mois avant que la tendance n'atteigne le retail de masse. Les acheteurs qui ont agi tôt ont commandé les bonnes quantités. Ceux qui ont attendu ont couru après le stock ou ont totalement raté la fenêtre.

C'est là la promesse de la prévision de tendances par l'IA : transformer un buzz visuel et social flou en un chiffre sur lequel vous pouvez 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 par style, couleur et taille à commander. Si c'est juste, vous vendez à plein tarif. Si c'est faux, soit vous êtes en rupture (ventes perdues), soit vous vous noyez dans les démarques (marge perdue).

La prévision traditionnelle s'appuyait sur les ventes de l'an passé plus l'intuition du merchant. Cela fonctionne pour les basiques. Cela échoue pour les tendances, qui bougent vite et démarrent en dehors de vos propres données de ventes, sur les feeds sociaux, les tapis rouges et les runways.

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

Les trois couches de données

L'IA de prévision de tendances assemble trois types d'inputs.

1. Signaux visuels (computer vision)

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

Le produit principal d'Heuritech fait exactement cela sur les réseaux sociaux et l'imagerie des runways, en produisant une courbe de croissance pour chaque attribut. Le résultat n'est pas « les blazers sont tendance ». C'est « les blazers oversize en tons neutres progressent de X pour cent au sein 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 relatif de recherche dans le temps. Cherchez « blazer oversize » et vous voyez si la curiosité monte, si elle est saisonnière ou si elle retombe. C'est un instrument grossier, mais il est public, gratuit, et utile pour recouper un outil de vision payant.

Ajoutez l'engagement social : volume de hashtags, enregistrements, partages. Un vêtement que les gens enregistrent est un vêtement qu'ils ont l'intention d'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.

La magie réside dans la combinaison des trois. Les signaux externes donnent la direction. Les données internes donnent l'amplitude.

Du signal à la courbe de demande

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

Pensez-le en étapes :

1. Détecter : l'IA de vision signale « blazer oversize, neutre » en progression dans votre segment cible.
2. Quantifier le signal : convertir le taux de croissance en un indice de demande projeté (disons 130 contre une base de 100).
3. Ancrer dans vos données : trouver des styles 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 style passé comparable
trend_index = 1.30           # signal en hausse de 30 % issu des données vision + recherche
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 d'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. Les silhouettes (oversize, cropped), les couleurs (un vert précis qui devient dominant), les motifs récurrents. Elles apparaissent dans l'imagerie et les recherches avec assez d'avance pour agir.

Faible : les pièces nouvelles, jamais vues. Les modèles de vision apprennent du passé, donc une forme véritablement nouvelle n'a aucun précédent d'entraînement. Faibles aussi : 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 de 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

Admettons que vous soyez acheteuse womenswear milieu de gamme en train de préparer l'automne prochain.

1. Sortez le signal. Votre outil de vision montre les blazers oversize en tons terreux en progression dans votre audience 25-40 ans. Google Trends confirme une croissance des recherches régulière et non saisonnière. Bien, cela semble durable et non un pic.

1. 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. Utilisez-le comme baseline.

1. Appliquez l'indice avec pondération de confiance. Signal fort, confiance correcte. Vous atterrissez autour de 6 000 à 6 500 unités.

1. Fractionnez le buy. N'engagez pas tout d'emblée. Commandez une quantité de base, gardez du budget open-to-buy (budget d'achat non dépensé maintenu en réserve) pour suivre si la tendance accélère.

1. Testez et lisez les premières ventes. Mettez un petit assortiment en place tôt. Un vrai sell-through en semaine 1 vaut mieux que 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 sur la manière dont la computer vision lit l'imagerie des runways et des réseaux sociaux pour prévoir la demande]

Se prémunir contre les pièges

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

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

La boucle auto-réalisatrice. Si toutes les marques achètent la même tendance signalée par l'IA, le marché se 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.

L'overfitting 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 leurs modèles de vision de zéro. Elles s'abonnent à des plateformes (Heuritech et fournisseurs similaires) ou combinent un signal d'éditeur avec des outils gratuits comme Google Trends et leur propre équipe analytics.

Si vous n'êtes pas technique, votre rôle 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.
• Insister pour que l'output se traduise en 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 faire confiance. Chaque saison, comparez ce que le modèle avait prédit à ce qui s'est réellement vendu. C'est dans cette boucle de feedback que la valeur se cumule.

Le niveau d'exigence 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 qu'une bonne prévision par IA fait, 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 la marge en silence, faire bouger l'aiguille de la précision même modestement sur un large assortiment vaut de l'argent réel.

Points clés

• L'IA transforme le buzz visuel et social en quantités d'achat en combinant la computer vision (lecture de l'imagerie), les signaux de recherche et sociaux, et votre propre historique de ventes. Les données externes donnent la direction ; les données internes donnent l'amplitude.
• 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 des lead times longs.
• Pondérez chaque signal par la confiance et fractionnez votre buy. Engagez une quantité de base, gardez du budget open-to-buy et laissez le sell-through réel des premières semaines confirmer la prévision.
• Recoupez des sources indépendantes (vision, Google Trends, premières ventes) pour ne pas confondre un pic viral avec une demande durable.
• Auditez le modèle chaque saison. Comparez le sell-through prédit au réel. Une prévision que vous ne pouvez pas auditer est une prévision à laquelle vous ne pouvez pas faire confiance.