Maîtriser la hiérarchie style-couleur-taille et le product master
Un analyste retail sort un rapport : « Notre meilleure vente la saison dernière, c'était le produit 4471829. » Personne dans la salle ne sait de quoi il s'agit. Une couleur ? Une taille ? Un style ? En fait, c'était un seul SKU : la version noire, taille M, d'une robe déclinée en quatre couleurs et six tailles. La robe s'est bien vendue. Ce SKU précis, non. L'analyste a failli tuer un style gagnant sur la base d'une seule ligne de données.
C'est le piège data le plus courant dans la mode. Si la hiérarchie produit est fausse, toutes les analyses en aval héritent de l'erreur.
Les trois niveaux de granularité produit dans la mode
Les produits mode existent à plusieurs niveaux de détail. Les confondre ruine l'analyse.
Style (aussi « numéro de style » ou « produit ») : le design lui-même. Exemple : une robe mi-longue « Riviera ». Une idée 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 →éative.
Style-couleur (aussi « option » ou « colorway ») : le style dans une couleur précise. La robe Riviera en Noir, en Sable, en Olive. Trois options.
SKU (Stock Keeping Unit) : la plus petite unité vendable, style-couleur plus taille. Robe Riviera, Noir, taille M. C'est ce qui porte un code-barres et occupe une place en rayon.
Un style peut donc exploser en dizaines de SKU. Une robe avec 4 couleurs et 6 tailles = 24 SKU à partir d'un seul design.
Pourquoi cela casse les analyses
Les analystes et les dirigeants raisonnent en styles (« est-ce que la robe Riviera a marché ? »). Mais les données transactionnelles arrivent au niveau SKU. Si vous ne consolidez jamais correctement les SKU, vous répondez à la mauvaise question.
Échecs courants :
- Classements des meilleures ventes par SKU. Un style qui se vend uniformément sur 24 SKU paraît moins bon qu'un article de nouveauté concentré sur un seul SKU, même si le style a vendu trois fois plus d'unités.
- Cécité sur la courbe de tailles. Vous ne voyez pas que la taille M a été en rupture dès la deuxième semaine alors que le XXL n'a jamais bougé, parce que les tailles ont été agrégées trop tôt ou jamais séparées.
- Cannibalisation des couleurs. Le noir « gagne » toujours parce qu'il est proposé sur plus de styles, pas parce que les clients le préfèrent sur celui-ci.
La solution n'est pas plus de données. C'est un product master propre.
Le product master : votre source unique de vérité
Un product master est la table de référence faisant autorité qui décrit chaque produit et cartographie la hiérarchie. Chaque SKU pointe vers un style-couleur, qui pointe vers un style. Ventes, stocks et retours s'y rattachent tous.
Une ligne minimale de product master ressemble à ceci :
| Attribut | Exemple |
|---|---|
| style_id | RIV-DRS-01 |
| style_color_id | RIV-DRS-01-BLK |
| sku_id | RIV-DRS-01-BLK-M |
| style_name | Riviera Midi Dress |
| color | Black |
| size | M |
| class | Dresses |
| subclass | Midi Dresses |
| season | SS26 |
| lifecycle_status | Core |
| launch_date | 2026-02-15 |
Les attributs qui comptent vraiment
Au-delà des identifiants de hiérarchie, quatre familles d'attributs font ou défont l'analytics mode :
Saison. La mode fonctionne sur des calendriers saisonniers, pas sur l'année grégorienne. Printemps/Été 2026 (SS26) et Automne/Hiver 2026 (AW26) sont les véritables unités. Sans tag de saison, impossible de comparer à périmètre égal ou de mesurer le sell-through par rapport à l'horloge d'une saison.
Hiérarchie marchandise (département, classe, sous-classe). C'est la taxonomie avec laquelle les acheteurs planifient : Département (Womenswear) vers Classe (Robes) vers Sous-classe (Robes mi-longues). Elle permet d'agréger proprement et de benchmarker une classe contre une autre.
Statut de cycle de vie. Ce produit est-il Core (porté saison après saison, comme un t-shirt blanc basique), Seasonal (présent sur une saison) ou Fashion/Trend (durée de vie courte, risque élevé) ? Un sell-through de 40 % ne signifie pas du tout la même chose pour un basique core et pour une pièce tendance.
Attributs produit pour l'IA. Matière, coupe, encolure, longueur de manche, motif, niveau de prix. Ils alimentent les moteurs de recommandation, l'analyse de la demande au niveau attribut (« les manches bouffantes se sont-elles mieux vendues que les coupes ajustées ? ») et la recherche.
Pour un vocabulaire partagé de ces attributs, les standards GS1 pour l'habillement sont une référence gratuite solide, incluant le GTIN (Global Trade Item Number), le standard mondial de code-barres derrière la plupart des SKU.
Un exemple travaillé : consolider correctement
Admettons que la robe Riviera affiche ces ventes SKU pour SS26 (chiffres illustratifs) :
Black: S=40, M=120, L=90, XL=30 = 280 units
Sand: S=15, M=45, L=35, XL=10 = 105 units
Olive: S=10, M=30, L=20, XL=5 = 65 unitsMauvaise analyse (niveau SKU) : « Le meilleur SKU est Black-M avec 120 unités. La deuxième place revient au SKU unique d'un autre style. » La robe est enterrée.
Bonne analyse (niveau style) : consolidez tous les SKU.
Total unités du style = 280 + 105 + 65 = 450 unités. La robe Riviera est clairement une pièce phare.
Maintenant la courbe de tailles au niveau style (somme de chaque taille sur les couleurs) :
S = 40+15+10 = 65 (14%)
M = 120+45+30 = 195 (43%)
L = 90+35+20 = 145 (32%)
XL = 30+10+5 = 45 (10%)Cette concentration de 43 % sur le M est un vrai signal : achetez plus profond sur le M la saison prochaine, sinon le style part en rupture en milieu de saison et vous laissez des unités sur la table. Vous ne le voyez qu'en consolidant les SKU au niveau style, en conservant la taille comme dimension, et en n'écrasant pas tout dans un chiffre unique.
Sell-through (métrique mode centrale) : unités vendues divisées par unités reçues, sur une période. Si vous avez reçu 600 unités de la robe Riviera et en avez vendu 450, sell-through = 450 / 600 = 75 %. Que ce soit bon ou non dépend du statut de cycle de vie et du nombre de semaines écoulées dans la saison. Un 75 % en semaine 4 pour une pièce tendance est excellent ; le même en fin de saison pour un article core est médiocre.
🎬 [VIDEO: "Retail Merchandise Hierarchy Explained" - youtube.com - une présentation courte de la façon dont départements, classes et SKU s'imbriquent dans les systèmes de planification retail]
Métriques de qualité de données pour le product master
Un product master n'est utile que s'il est propre. Suivez ces métriques de gouvernance :
Complétude des attributs. Pourcentage de SKU actifs dont tous les attributs requis sont renseignés. Si 30 % de vos produits n'ont pas de tag matière, l'analyse au niveau attribut n'est pas fiable. Objectif : une complétude élevée (beaucoup de retailers matures visent 95 %+ sur les champs core ; à traiter comme cible de benchmark, pas comme chiffre universel).
Intégrité de la hiérarchie. Chaque SKU doit correspondre à exactement un style-couleur et un style. Les SKU orphelins (sans parent) et les doublons de mapping sont les défauts classiques.
Unicité / taux de doublons. Le même produit physique saisi deux fois sous deux style IDs (souvent via un flux fournisseur et une saisie manuelle) répartit ses ventes sur deux lignes et masque sa performance réelle.
Cohérence. « Blk », « Black » et « BLACK » comme trois valeurs de couleur différentes, c'est un échec de normalisation de texte qui fragmente chaque rapport couleur.
Un contrôle d'intégrité rapide que tout analyste peut lancer :
-- Trouver les SKU orphelins sans style correspondant
SELECT s.sku_id
FROM sku s
LEFT JOIN style_color sc ON s.style_color_id = sc.style_color_id
WHERE sc.style_color_id IS NULL;Si cette requête renvoie des lignes, votre hiérarchie est cassée et chaque consolidation sous-comptera silencieusement.
Gouvernance : qui en est propriétaire
Désignez un data owner pour le product master, généralement au sein du merchandising ou du master data managementmaster data managementLe Master Data Management (MDM) est la discipline qui consiste à créer et maintenir une version unique, cohérente et fiable des entités métier centrales d'une organisation : clients, produits, fournisseurs.Voir la définition complète → (MDM). Les nouveaux produits doivent passer des règles de validation (champs obligatoires, liste de couleurs valides, saison valide) avant d'entrer dans le système. C'est moins coûteux que de nettoyer le désordre après une saison de données de ventes sales.
Vérification des acquis
1. Un analyste retail a failli arrêter un design de robe qui se vendait bien parce qu'un rapport montrait un code produit peu performant. Quelle était la cause sous-jacente de cette quasi-erreur ?
2. Quelle séquence ordonne correctement la granularité produit mode du plus large au plus spécifique ?
3. Si un même design de robe est proposé en 4 couleurs et 6 tailles, pourquoi cette multiplication compte-t-elle pour l'analyse ?
4. Sélectionnez TOUTES les bonnes réponses sur les échecs qui découlent d'une mauvaise gestion de la hiérarchie style-couleur-taille.
Sélectionnez toutes les réponses correctes.
5. Sélectionnez TOUTES les bonnes réponses sur le moment et la raison pour lesquels le niveau de granularité compte dans l'analyse mode.
Sélectionnez toutes les réponses correctes.
D'où viennent réellement les données
En pratique, le product master est assemblé à partir de plusieurs sources, et chacune introduit un risque :
- Les systèmes PLM (Product Lifecycle Management) comme ceux de Centric ou PTC détiennent les données de design et de développement (matière, coupe, attributs initiaux).
- Les ERP (SAP, Oracle, Microsoft Dynamics) détiennent la vue commerciale et stock.
- Les outils PIM (Product Information Management) gèrent les attributs et les textes destinés au client pour l'ecommerce.
- Les flux fournisseurs et usines fournissent des données produit brutes, souvent désordonnées et au format incohérent.
Le product master est la couche de réconciliation entre ces sources. Quand le PLM dit « Riviera Midi » et que le PIM ecommerce dit « Riviera Dress Long », vous obtenez du reporting en double, sauf si un processus de gouvernance impose un nom canonique unique.
La subtilité saisonnière
La mode réutilise des numéros de style ou reconduit des produits core d'une saison à l'autre. Décidez tôt : un t-shirt core qui revient garde-t-il son style ID d'une saison à l'autre (bon pour l'analyse de tendance long terme) ou reçoit-il un nouvel ID estampillé saison (bon pour le sell-through saisonnier) ? Il n'y a pas de réponse universellement correcte, mais vous devez choisir une règle et l'appliquer. Mélanger les deux est le moyen le plus rapide de corrompre les comparaisons année sur année.
Points clés
- Sachez à quel niveau vous êtes. Style, style-couleur (option) et SKU répondent à des questions différentes. Les données transactionnelles arrivent au niveau SKU ; les humains pensent en styles. Consolidez toujours de façon délibérée, et ne classez jamais les meilleures ventes au niveau SKU brut.
- Gardez la taille comme dimension, pas comme bruit. Consolider les SKU au niveau style tout en préservant la courbe de tailles révèle des concentrations de demande (comme 43 % sur la taille M) qui orientent de meilleurs achats.
- Le product master est la solution. Une table de référence propre avec les identifiants de hiérarchie plus la saison, la classe marchandise et le statut de cycle de vie rend chaque métrique en aval fiable.
- Mesurez directement la qualité du master. Suivez la complétude des attributs, l'intégrité de la hiérarchie, le taux de doublons et la cohérence des valeurs. Désignez un propriétaire clair et validez les produits à la saisie, pas après une mauvaise saison.
- Réconciliez vos sources. PLM, ERPERPUn système intégré unique qui gère les opérations clés : finance, achats, supply chain, RH et production sur des données partagées.Voir la définition complète →, PIM et flux fournisseurs détiennent chacun une vue partielle et incohérente. Le product master existe pour imposer une vérité canonique unique entre eux.