Mode · Détection des tendances et de la demande à partir des signaux search, social et des premières données POS

Une acheteuse d'une marque de fast-fashion s'engage sur 40 000 unités d'un cardigan en maille côtelée six semaines avant la mise en rayon. Quand elle voit le premier rapport de ventes, le 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 de production est passé et l'assortiment de coloris est figé. Si l'achat est mauvais, l'entreprise paie les démarques. S'il est bon par chance, la collection part en rupture et l'argent reste sur la table faute de pouvoir réassortir à temps.

Le demand sensing consiste à réduire cette fenêtre d'incertitude. Au lieu de s'appuyer sur les chiffres de la saison passée et sur l'intuition, vous combinez des signaux en direct (ce que les gens recherchent, ce qu'ils partagent, ce qui passe réellement en caisse les deux premières semaines) pour corriger la prévision avant qu'il ne soit trop tard.

Cette leçon montre comment construire cette vue combinée.

Ce que signifie réellement le « demand sensing »

Le demand forecasting prédit les ventes à venir sur des semaines ou des mois, généralement à partir d'historiques. Le demand sensing joue sur un horizon plus court : il utilise des signaux frais, à haute fréquence, pour ajuster cette prévision quasiment en temps réel.

Dans l'habillement, le gain est considérable parce que les cycles de vie produit sont courts et les erreurs coûteuses. Une tendance manquée signifie du stock mort et des démarques (vendre sous le prix plein pour écouler l'inventaire). Un gagnant manqué signifie des ventes perdues que vous ne rattraperez pas.

Trois familles de signaux font l'essentiel du travail :

• L'intention de recherche : ce que les gens tapent dans Google avant d'acheter.
• La vélocité sociale : la vitesse à laquelle un style, une couleur ou une silhouette se diffuse.
• Les premières données point-of-sale (POS) : ce qui se vend réellement les premiers jours d'un drop.

Chacun est bruité pris isolément. Combinés, ils sont beaucoup plus fiables.

Signal 1 : l'intention de recherche via Google Trends

Google Trends est gratuit et montre l'intérêt de recherche relatif dans le temps et par région. Il ne donne pas de volume absolu, seulement un indice de 0 à 100, mais c'est la forme de la courbe qui compte.

Usages pratiques :

• Requêtes en hausse : comparer « quiet luxury » à « coquette » ou « barrel jeans » pour voir quelle silhouette progresse.
• Saisonnalité : « robe en lin » décolle chaque printemps. Connaître la semaine exacte de montée aide à caler le drop.
• Géographie : un terme qui chauffe à Séoul ou à Londres précède souvent une vague américaine.

Le geste clé est de lire la pente, pas le niveau. Un style à l'indice 30 qui grimpe de 15 points par semaine est plus intéressant qu'un style stable à 80.

Une précaution : l'intérêt de recherche n'est pas la demande. On cherche « mode Y2K » pour bien d'autres raisons que l'achat. Traitez-le comme un indicateur avancé, pas comme un chiffre de ventes.

Signal 2 : la vélocité sociale

Les plateformes sociales montrent ce qui se diffuse et à quelle vitesse. La métrique utile est la vélocité : le taux de variation des mentions, des enregistrements ou des vues, pas le total brut.

Ce qu'il faut suivre :

• La croissance des hashtags et des sons sur les plateformes de vidéo courte, où un audio en tendance peut porter un style de vêtement du jour au lendemain.
• Les taux d'enregistrement et de partage sur les plateformes visuelles, qui signalent l'intention d'achat mieux que les likes.
• L'adoption par les créateurs : quand des créateurs de taille moyenne (et pas seulement les méga-influenceurs) commencent à porter une silhouette, la demande mainstream suit souvent.

Soyez rigoureux sur ce que vous collectez. Scraper des données personnelles ou violer les conditions d'une plateforme crée un risque juridique et réputationnel. Utilisez les APIAPIApplication Programming Interface : une interface standardisée qui permet aux applications de communiquer et d'échanger des données sans connaître leur fonctionnement interne respectif.Voir la définition complète → officielles, des outils de social listening sous licence ou des données de tendances publiées, et vérifiez les conditions de la plateforme avant toute extraction.

🎬 [VIDEO: "How Zara Uses Data To Dominate Fashion" - youtube.com - une présentation claire du modèle fast-fashion à cycle court et piloté par la donnée]

Signal 3 : les premières données POS (les deux premières semaines)

Les données point-of-sale sont la vérité terrain : de l'argent réel, des unités réelles. Le problème, c'est le timing. Quand les données de ventes complètes arrivent, la fenêtre de réassort est fermée.

Le demand sensing règle cela par la lecture précoce : utiliser les premiers jours d'écoulement pour projeter la série complète.

Le taux d'écoulement (sell-through) est la part de l'inventaire reçu vendue sur une période. Si vous avez expédié 5 000 unités en magasin et vendu 1 200 en semaine 1, cela fait 24 % de sell-through. Le sell-through précoce prédit fortement la performance sur tout le cycle de vie, surtout comparé à une courbe de référence issue d'articles passés similaires.

Deux gestes rendent les premières données POS fiables :

1. Normalisez par l'exposition. Un style présent dans 200 magasins affichera plus d'unités qu'un style dans 40, même si le second performe mieux par magasin. Regardez toujours les unités par magasin et par jour, ou le pourcentage de sell-through, pas les unités brutes.
2. Comparez à une courbe de référence. Posez la question : cet article est-il en avance ou en retard sur le rythme habituel de semaine 1 pour sa catégorie ? Être 30 % au-dessus de la courbe est votre signal pour chasser (réassortir davantage).

Combiner les trois signaux

Aucun signal n'est fiable seul. L'art consiste à les combiner pour qu'ils se contrôlent mutuellement.

Une approche simple et transparente : convertir chaque signal en score normalisé, puis les pondérer selon le délai d'avance et la fiabilité qu'ils offrent.

• Search : signal le plus précoce, fiabilité moyenne.
• Social : précoce, très bruité, puissant sur les esthétiques émergentes.
• Premières données POS : le plus tardif mais le plus fiable, parce qu'il s'agit de ventes réelles.

Voici une illustration minimale de la logique (pas un modèle de production) :

# Normalize each signal to a 0-1 score, then blend.
# Weights reflect reliability + lead time, and must be tuned to your data.

def demand_score(search_idx, social_velocity, sellthrough_vs_benchmark):
    # search_idx: Google Trends slope, scaled 0-1
    # social_velocity: week-over-week mention growth, scaled 0-1
    # sellthrough_vs_benchmark: actual / expected week-1 sell-through, capped
    weights = {"search": 0.25, "social": 0.30, "pos": 0.45}
    score = (
        weights["search"] * search_idx
        + weights["social"] * social_velocity
        + weights["pos"] * min(sellthrough_vs_benchmark, 1.5) / 1.5
    )
    return round(score, 3)

# Example: strong social, POS running ahead of plan
print(demand_score(0.4, 0.8, 1.3))  # -> a "chase" candidate

Avant l'existence de toute donnée POS, le modèle s'appuie sur le search et le social. Dès que les ventes de semaine 1 arrivent, le POS domine parce qu'il est réel. C'est tout l'intérêt : la combinaison déplace le poids vers les preuves les plus dures à mesure qu'elles arrivent.

Deux garde-fousgarde-fousRègles et contrôles qui maintiennent un système d'IA dans des limites sûres, légales et conformes à la marque, en bloquant les sorties et actions hors cadre.Voir la définition complète → :

• Backtestez avant de faire confiance. Passez le modèle sur des drops passés et vérifiez si les scores élevés prédisaient bien les gagnants. Sinon, les pondérations sont fausses.
• Gardez un humain dans la boucle. La connaissance catégorielle d'un acheteur capte ce que la donnée rate, par exemple un vêtement qui photographie bien mais taille mal.

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 → le score en décision

Un score ne sert à rien s'il ne déclenche pas d'action. Associez les scores à des gestes concrets, dans les limites de votre supply chain :

• Score élevé, en avance sur la courbe : chasser. Passez un réassort si le lead time le permet, ou basculez du budget open-to-buy vers ce style.
• Score moyen : garder et surveiller. Attendez davantage de jours de POS avant de vous engager.
• Score faible, en retard sur la courbe : démarquer tôt ou réallouer le stock vers les magasins où l'article se vend mieux.

Ici, la vitesse compte plus que la précision. Un signal approximatif exploité en semaine 1 vaut mieux qu'un signal parfait en semaine 5, parce que le créneau usine et la saison de vente n'attendent personne.

L'open-to-buy est le budget qu'il reste à un acheteur pour acheter du nouveau stock sur une période. Le demand sensing vous aide à le dépenser sur des gagnants précoces prouvés plutôt qu'à le bloquer entièrement avant l'apparition du moindre signal. Beaucoup d'opérateurs de fast-fashion réservent délibérément une part de l'achat pour chasser en saison, et ce sont des lectures précoces fiables qui rendent cette réserve profitable.

Pièges fréquents

• Confondre attention et demande. Viral ne veut pas dire vendable. Seul le POS confirme la disposition à payer.
• Chasser trop tard. Si le lead time de votre fournisseur dépasse la fenêtre de vente de l'article, un excellent signal ne vaut rien. Connaissez votre vrai lead time de réassort.
• Surajuster à un produit héros. Un modèle calibré pour expliquer le gros succès de la saison passée échouera sur l'assortiment suivant.
• Ignorer les retours. Un fort sell-through avec un fort taux de retours est un faux gagnant. Ce sont les unités nettes, pas brutes, qui disent la vérité.

À retenir

• Le demand sensing utilise des signaux frais et à haute fréquence pour corriger une prévision quasiment en temps réel, ce qui compte surtout dans l'habillement parce que les cycles de vie sont courts et les démarques coûteuses.
• Lisez la pente des signaux search et social, pas le niveau, et normalisez toujours les premières données POS par l'exposition magasin en les comparant à une courbe de référence.
• Combinez les trois signaux avec des pondérations qui se déplacent vers le POS à mesure que les ventes réelles arrivent, et backtestez ces pondérations sur des drops passés avant de leur faire confiance.
• Un score ne crée de la valeur que relié à une action concrète : chasser, garder ou démarquer, toujours dans les limites de votre lead time réel de supply chain.
• Gardez un acheteur dans la boucle et surveillez les unités nettes après retours, pour ne jamais prendre l'attention virale pour une demande durable.