Modéliser la rareté et allouer les hero products en waitlist

La cliente qui a dépensé 80 000 $ et n'a rien obtenu

Une cliente entre en boutique après avoir dépensé 80 000 $ en trois ans. Elle demande un sac emblématique précis. La conseillère de vente sourit et répond qu'il n'est pas disponible. Pendant ce temps, une autre cliente qui a dépensé moins repart avec.

Ce n'est pas aléatoire. Ce n'est pas toujours du favoritisme non plus. De plus en plus, c'est une décision fondée sur la data.

Les « hero products » rares (les pièces phares qu'une marque maintient volontairement en quantité limitée, comme un certain sac matelassé à rabat ou un cabas en cuir exotique) ne s'achètent pas à la demande. Les clientes rejoignent une waitlist informelle ou formelle, et la marque choisit à qui elle propose la pièce. C'est là que la data entre en jeu.

Cette leçon montre comment construire un modèle d'allocation simple : un système de scoring qui classe les clientes en waitlist pour une pièce rare. Nous utiliserons le lifetime spend, la diversité de catégories et le risque de revente (flipping) comme inputs.

Pourquoi la rareté est construite, pas accidentelle

D'abord, posons l'idée centrale. La rareté est ici un choix d'offre. La marque pourrait produire davantage, mais s'en abstient, parce que la rareté soutient le prix, la désirabilité et le brand equitybrand equityLa valeur commerciale que votre marque ajoute au-delà des attributs fonctionnels du produit : le premium de prix, la préférence et la loyauté qu'elle génère.Voir la définition complète → (la valeur commerciale de la réputation de la marque).

Pour comprendre en profondeur pourquoi le pricing du luxe ne se comporte pas comme celui des biens ordinaires, la référence classique est le « principe de rareté » développé par Kapferer et Bastien dans leurs travaux sur la stratégie du luxe. Un aperçu accessible des dynamiques de la demande dans le luxe est disponible dans ce document ouvert McKinsey State of Fashion.

Conséquence clé pour la data : la demande excède l'offre volontairement, donc la marque doit rationner. Rationner signifie choisir des clientes. Choisir des clientes est un problème de ranking, et le ranking est précisément ce que les modèles de data font bien.

Ce que la marque veut réellement optimiser

Avant de toucher aux données, définissez l'objectif. Une erreur fréquente consiste à optimiser un seul chiffre (la dépense) alors que la marque poursuit plusieurs objectifs à la fois.

Une allocation bien gérée équilibre généralement :

• Récompenser la fidélité. Attribuer les pièces rares aux clientes qui soutiennent la marque de façon constante.
• Approfondir la relation. Favoriser les clientes qui achètent dans plusieurs catégories (chaussures, prêt-à-porter, joaillerie), pas seulement le sac convoité.
• Protéger le marché primaire. Éviter les clientes qui revendent immédiatement avec une marge, ce qui sape la rareté et inonde le canal de la revente.

Ces trois objectifs correspondent directement à trois signaux data.

Les trois signaux d'entrée

1. Lifetime spend

Le signal le plus simple. La valeur totale achetée par une cliente, idéalement tous canaux et toutes boutiques confondus, pas un seul magasin.

Attention à deux pièges. D'abord, la récence compte : une personne qui a beaucoup dépensé il y a cinq ans et rien depuis n'est pas comparable à une cliente active aujourd'hui. Ensuite, évitez de compter deux fois les retours. Utilisez la dépense nette (achats moins retours).

2. Diversité de catégories

Une cliente qui n'achète que le hero product rare, et rien d'autre, est souvent une flippeuse (quelqu'un qui achète pour revendre avec profit) ou une acheteuse purement transactionnelle. Une cliente qui achète du parfum, des chaussures et du prêt-à-porter est davantage ancrée dans la marque.

Une façon propre de mesurer la répartition est un score de diversité. Une méthode bien connue est l'indice de Herfindahl-Hirschman (HHI), normalement utilisé pour mesurer la concentration d'un marché. Appliqué ici, il mesure à quel point la dépense d'une cliente est concentrée sur une seule catégorie.

Une concentration plus faible signifie une diversité plus élevée.

3. Risque de revente (flipping)

C'est le signal le plus difficile et le plus important. Vous estimez la probabilité qu'une cliente revende rapidement la pièce phare plutôt que de la garder.

Parmi les proxys utiles :

• Délai très court entre les achats précédents et les retours ou échanges.
• Demandes portant uniquement sur les pièces les plus liquides à la revente (tailles, coloris, SKU emblématiques précis), et jamais rien d'autre.
• Achats multiples de pièces identiques.
• Achats juste avant des pics de demande connus sur le marché de la revente.

Notez clairement la limite éthique et juridique. Vous pouvez scorer un comportement à partir de l'historique de transactions de la cliente elle-même. Vous ne devez pas construire de modèles sur des caractéristiques protégées (origine, genre, nationalité, âge) ni fouiller la vie privée d'une cliente. Le faire expose à un risque de discrimination et viole les règles de protection des données comme le RGPD européen (Règlement général sur la protection des données, qui encadre la collecte et l'usage des données personnelles). Restez sur le comportement d'achat first-party.

Construire le score

Combinons maintenant les signaux en un score d'allocation unique. La logique : récompenser la dépense et la diversité, pénaliser le risque de flipping.

Voici un exemple minimal et lisible en Python.

def allocation_score(net_spend, diversity, flip_risk,
                     w_spend=0.4, w_div=0.3, w_flip=0.3):
    # net_spend, diversity, flip_risk ramenés chacun entre 0 et 1
    # flip_risk est une pénalité, on le soustrait donc
    score = (w_spend * net_spend
             + w_div * diversity
             - w_flip * flip_risk)
    return round(score, 3)

clients = [
    {"name": "A", "net_spend": 0.9, "diversity": 0.8, "flip_risk": 0.1},
    {"name": "B", "net_spend": 0.95, "diversity": 0.2, "flip_risk": 0.7},
    {"name": "C", "net_spend": 0.6, "diversity": 0.9, "flip_risk": 0.1},
]

ranked = sorted(clients,
                key=lambda c: allocation_score(**{k: c[k] for k in
                    ["net_spend","diversity","flip_risk"]}),
                reverse=True)

for c in ranked:
    print(c["name"], allocation_score(c["net_spend"],
                                      c["diversity"], c["flip_risk"]))

Exécutez ce code et la cliente B, celle qui dépense le plus, arrive dernière. Pourquoi ? Risque de flipping élevé et faible diversité. La cliente A gagne : dépense solide, relation large, risque de flipping faible.

Ce seul résultat résume toute la leçon. Le plus gros portefeuille ne gagne pas automatiquement.

Mettre les inputs à l'échelle

Remarquez que chaque input est ramené entre 0 et 1. Les montants bruts et les indices de diversité bruts ne sont pas sur la même échelle : il faut donc les normaliser au préalable. Une approche courante est le classement en percentiles au sein de la waitlist : la plus grosse dépense de la liste devient 1,0, la médiane devient 0,5. Cela évite qu'une cliente très fortunée écrase le score.

Choisir les poids

Les poids (0,4, 0,3, 0,3 ci-dessus) relèvent d'une décision business, pas d'une vérité mathématique. Une marque terrifiée par la revente augmentera le poids du risque de flipping. Une marque qui pousse la croissance du prêt-à-porter augmentera celui de la diversité. Rendez les poids explicites et révisables, pour que la direction assume l'arbitrage plutôt qu'un algorithme opaque.

Du score à la décision

Un score n'est pas une politique. Deux garde-fous comptent.

Override humain. Le modèle classe ; un humain confirme. Un client relationship manager peut connaître un contexte que la data ignore (une cliente qui a revendu une fois à cause d'un événement de vie réel, pas par flipping).

Explicabilité. Si une cliente demande pourquoi la pièce ne lui a pas été proposée, « l'algorithme a dit non » est inacceptable et peut, dans certaines juridictions, déclencher un droit à explication au titre du droit de la protection des données. Gardez les raisons lisibles : dépense, diversité, comportement.

Mesurer si le modèle a fonctionné

Construire le score est la première étape. Il faut ensuite vérifier qu'il améliore les résultats. Définissez les métriques de succès avant le déploiement, pas après.

Quelques métriques utiles :

• Taux de fuite vers la revente. Part des pièces phares allouées qui apparaissent sur les plateformes de revente sous, disons, 90 jours. Si votre signal de risque de flipping fonctionne, ce taux doit baisser.
• Lift cross-catégories. Les clientes ayant reçu une allocation ont-elles ensuite augmenté leur dépense dans d'autres catégories ? Une allocation est une récompense, et une récompense doit approfondir la relation.
• Rétention client. Les clientes à forte valeur à qui l'on a refusé la pièce sont-elles encore actives un an plus tard, ou le refus les a-t-il fait partir ?

Faites d'abord tourner le modèle en « shadow mode » : laissez-le classer les clientes pendant que les humains décident comme d'habitude, puis comparez. Si les meilleurs choix du modèle correspondent aux décisions issues de votre jugement et réduisent la fuite vers la revente, vous avez des preuves pour lui faire confiance.

Une mise en garde sur le gaming

Toute règle de scoring visible finit par être détournée. Si les clientes apprennent que la diversité de catégories compte, certaines achèteront un parfum uniquement pour se qualifier pour un sac, puis ne reviendront jamais.

Deux défenses. D'abord, ne publiez pas les poids exacts. Ensuite, pondérez le comportement durable plutôt que les achats ponctuels : un parfum acheté la semaine précédant une demande de sac doit compter bien moins que trois ans d'achats réguliers et variés.

À retenir

• La rareté dans le luxe est construite, donc l'allocation des hero products est un problème de ranking que la data peut soutenir.
• Scorez les clientes sur trois signaux : lifetime spend net, diversité de catégories et risque de revente, en faisant du risque de flipping une pénalité pour que le plus gros portefeuille ne gagne pas automatiquement.
• Normalisez les inputs (les rangs en percentiles fonctionnent bien) et fixez les poids comme une décision business explicite et révisable, pas comme une formule cachée.
• Restez sur le comportement d'achat first-party ; ne modélisez jamais de caractéristiques protégées, et gardez des décisions explicables pour satisfaire des règles comme le RGPD.
• Prouvez la valeur du modèle avec des métriques claires (fuite vers la revente, lift cross-catégories, rétention) et faites-le tourner en shadow mode avant qu'il refuse quoi que ce soit à une vraie cliente.