Prévoir la demande et optimiser l'assortiment par cluster de magasins

# Prévoir la demande et optimiser l'assortiment par cluster de magasins

Un magasin sur la côte de Floride et un magasin en banlieue du Minnesota portent le même logo, suivent le même planogramme corporate et passent souvent la même commande de vestes d'hiver. Le premier est en rupture de parapluies en juillet. Le second garde des pelles à neige empilées en réserve jusqu'en mai. Les deux laissent de l'argent sur la table.

C'est la tension centrale du retail : une décision d'achat nationale rencontre des milliers de réalités de demande hyperlocales. La data permet de réduire cet écart, imparfaitement, mais suffisamment pour que cela compte.

Les deux coûts que vous arbitrez

Toute décision d'assortiment est un pari contre deux échecs opposés.

Ventes perdues (ruptures) : un client veut le produit, le rayon est vide, il repart (ou achète chez un concurrent). Vous ne voyez jamais cette vente, ce qui la rend invisible dans vos reportings. C'est précisément ce qui la rend dangereuse.

Surstock voué à la démarque : vous avez trop acheté, cela ne s'est pas vendu, et vous cassez le prix pour écouler. La démarque (réduction de prix permanente pour écouler du stock) ronge votre marge et souvent votre espace de stockage.

Une bonne prévision, c'est l'art de se placer entre les deux. Vous n'éliminerez jamais les deux. L'objectif est de minimiser le coût total de l'erreur.

Pourquoi une prévision nationale unique échoue

Une prévision unique à l'échelle de l'enseigne pour un SKU (Stock Keeping Unit, le code unique d'une variante précise de produit, du type « polaire homme, marine, taille L ») suppose que tous les magasins font face à la même demande. Ce n'est pas le cas.

La demande dans un magasin donné est façonnée par :

• La saisonnalité : des motifs calendaires prévisibles (rentrée scolaire, saison du barbecue, pâtisseries de fin d'année).
• Les signaux météo : une canicule fait bondir les ventilateurs et les boissons fraîches ; un gel précoce avance la demande de pulls.
• La démographie locale : structure d'âge, taille des ménages, revenus, origines et langue de la zone de chalandise (le territoire depuis lequel un magasin attire réellement ses clients).

Prévoir individuellement chacun des milliers de magasins coûte cher et génère du bruit. Prévoir pour l'ensemble de l'enseigne est peu coûteux mais faux. Le compromis pratique, c'est le clustering de magasins.

Le clustering de magasins : la technique de fond

Le clustering regroupe les magasins qui se comportent de façon similaire, ce qui vous permet de prévoir et d'assortir pour une poignée de clusters au lieu de milliers de magasins.

On ne cluster pas sur la seule géographie. Un magasin du centre de Chicago peut se comporter davantage comme un magasin du centre de Denver que comme un magasin de banlieue situé à 30 km. Entrées courantes du clustering :

• Mix de ventes historique par catégorie (ce qui se vend réellement là-bas).
• Démographie de la zone de chalandise (données du recensement).
• Format et taille du magasin (surface, urbain vs bord de route).
• Zone climatique.

Des données démographiques gratuites et de bonne qualité sur les zones de chalandise américaines sont disponibles sur le portail de données du U.S. Census Bureau, que beaucoup de retailers utilisent comme première couche avant d'ajouter des jeux de données achetés.

Voici à quoi ressemble une étape simple de clustering à partir de variables de ventes et démographiques :

from sklearn.preprocessing import StandardScaler
from sklearn.cluster import KMeans

# features : une ligne par magasin
# ex. : pct_sales_outdoor, pct_sales_baby, median_income,
#        avg_summer_temp, store_sqft
X = store_features[feature_cols]
X_scaled = StandardScaler().fit_transform(X)   # mise à l'échelle pour qu'aucune variable ne domine

km = KMeans(n_clusters=8, random_state=42)
store_features["cluster"] = km.fit_predict(X_scaled)

Huit clusters, c'est une illustration, pas une règle. Vous voulez assez peu de clusters pour les piloter, mais assez pour capter les différences réelles. Les retailers se situent souvent entre 5 et 20, puis les nomment en langage clair : « jeune actif urbain », « famille périurbaine », « rural value », « touristique saisonnier ».

L'intérêt d'un nom, c'est l'action. Un acheteur peut raisonner sur des magasins « touristique saisonnier ». Personne ne peut raisonner sur « cluster 6 ».

Prévoir la demande au niveau SKU

Une fois les magasins clusterisés, vous prévoyez la demande au niveau cluster et SKU. Une approche moderne superpose plusieurs types de signaux.

1. Une baseline issue de l'historique saisonnier

Partez de ce que le SKU (ou un SKU similaire) a fait l'an dernier dans ce cluster, ajusté au calendrier. Cela capte le rythme récurrent : la courbe des 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 →èmes solaires, le pic des fêtes.

Pour les vrais nouveaux produits sans historique, vous emprunterez la courbe d'un produit comparable (un like item ou un analogue basé sur les attributs) et la mettrez à l'échelle.

2. Ajouter les signaux météo

La météo est l'un des signaux externes à plus forte valeur dans le retail, parce qu'elle est à la fois prédictive et disponible à l'avance. Les prévisions à court terme (environ une à deux semaines) sont assez fiables pour ajuster le réapprovisionnement au niveau magasin.

Un exemple concret : un fournisseur de boissons sait qu'à partir du moment où les maximales quotidiennes franchissent un seuil local, la demande de boissons fraîches bondit de façon non linéaire. Le seuil diffère selon la région, car une « journée chaude » à Phoenix n'est pas une journée chaude à Seattle. Le clustering combiné à des baselines météo locales traite ce point.

3. Superposer démographie locale et événements

La démographie change rarement d'une semaine à l'autre : elle informe surtout la baseline et l'assortiment (voir plus bas). Les événements locaux (calendrier d'un stade, un festival, le calendrier scolaire) sont les leviers court terme les plus tranchants.

Une remarque sur la précision

Aucune prévision n'est exacte. Suivez l'erreur honnêtement. Une métrique courante est le MAPE (Mean Absolute Percentage Error), l'ampleur moyenne de votre écart en pourcentage des ventes réelles. Plus bas est mieux, mais courir après un chiffre parfait est un piège : la valeur est dans le fait d'être moins faux que votre processus actuel, pas d'avoir raison.

Surveillez aussi le biais (sur-prévoyez-vous ou sous-prévoyez-vous systématiquement ?). Une prévision fausse mais équilibrée est gérable. Une prévision toujours basse 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 →ée en silence des ruptures chroniques.

De la prévision à la décision d'assortiment

La prévision vous dit *combien*. L'assortiment dit *ce qui mérite du linéaire*.

Le linéaire est fini et coûteux. Chaque SKU que vous référencez est en concurrence pour la place, le cash immobilisé en stock et la main-d'œuvre. L'optimisation d'assortiment décide quels SKUs stocker dans chaque cluster, sous cette contrainte.

La logique par cluster :

1. Classer les SKUs par contribution attendue : demande prévue multipliée par la marge, ajustée du coût de détention.

2. Tenir compte de la substitution. Si vous retirez un SKU, une partie de sa demande se reporte sur un produit similaire. Deux polaires marine presque identiques ne méritent peut-être pas toutes les deux du linéaire. C'est la cannibalisation d'assortiment, et l'ignorer conduit à surestimer la valeur des références en doublon.

3. Protéger le cœur « must-stock ». Certains articles existent pour le trafic ou la promesse de marque, pas pour la marge (lait, produits de base). Ils restent quel que soit leur rang.

4. Ajuster à l'espace. Ajoutez des SKUs en descendant le classement jusqu'à saturer le linéaire ou le budget capital.

Le livrable concret est un planogramme spécifique au cluster (le schémamaUtiliser un logiciel pour automatiser les tâches et campagnes marketing répétitives, afin de personnaliser à grande échelle sur des canaux comme l'email, le web et le social.Voir la définition complète → indiquant exactement quels produits vont où en rayon). Le cluster « famille périurbaine » du Minnesota reçoit l'équipement neige et un rayon bébé profond. Le cluster « touristique saisonnier » de Floride reçoit des facings de 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 →ème solaire et des formats voyage. Même enseigne, rayons différents.

Modes d'échec courants

Clusteriser une fois et oublier. Les zones de chalandise évoluent avec les quartiers. Re-clusterisez à intervalle régulier (beaucoup de retailers le font chaque année) et vérifiez si des magasins ont dérivé d'un cluster à l'autre.

Prendre les ventes pour la demande. Vos données de ventes ne montrent que ce que vous *pouviez* vendre compte tenu de ce qui était en rayon. Si un article a été en rupture, sa demande réelle était plus élevée. Corriger cela s'appelle le déconstraignage (unconstraining) ou la reconstitution de la demande. Sautez cette étape et votre prévision continuera de sous-commander vos meilleures ventes, une erreur auto-entretenue.

Trop tailler dans la queue. Couper les SKUs lents paraît efficace, mais un assortiment trop maigre peut envoyer les clients chez des concurrents qui proposent la gamme complète. La longue traîne existe parfois pour retenir tout le panier.

Un seul modèle pour tout. Un produit de base stable (dentifrice) et un article de mode volatil ne se comportent pas de la même façon. La mode a des cycles de vie courts et peu d'historique de répétition ; les produits de base sont prévisibles. Utilisez des approches de prévision adaptées au comportement du produit.

Un mini-scénario chiffré

Une enseigne alimentaire régionale clusterise ses magasins et identifie un cluster « urbain dense » où les paniers sont petits et les visites fréquentes. Le plan national alloue une gamme complète de céréales en grands formats familiaux à tous les magasins.

La prévision par cluster, informée par la démographie (ménages plus petits, moins d'espace de rangement), anticipe une demande faible sur les plus grands formats et forte sur les portions individuelles. L'enseigne réalloue le linéaire : moins de formats familiaux, plus de portions individuelles et de petits formats premium.

Direction du résultat (pas un chiffre garanti) : moins de démarques sur des formats familiaux invendus, moins de ruptures sur les portions individuelles que les clients voulaient réellement. Le rayon correspond enfin au client.

Points clés à retenir

• Vous minimisez le coût de l'erreur, en arbitrant entre des ventes perdues invisibles et des démarques qui rongent la marge. Aucun des deux ne tombe à zéro.
• Clusterisez les magasins, puis prévoyez. Le magasin par magasin est trop bruité, l'échelle enseigne trop grossière. Nommez les clusters en langage clair pour que les acheteurs puissent agir.
• Superposez les signaux : historique saisonnier pour la baseline, météo pour les ajustements court terme, démographie et événements locaux pour le contexte.
• Déconstraignez votre demande. Les données de ventes masquent les ruptures ; si vous prévoyez sur les ventes brutes, vous sous-commanderez chroniquement vos gagnants.
• L'assortiment est une décision d'espace et de capital. Classez les SKUs par contribution, tenez compte de la substitution, protégez le cœur de gamme, et traduisez le tout en planogrammes spécifiques par cluster.