Prévoir la demande par taille avec plus de précision

La demande totale est la partie facile

La plupart des marques de mode prévoient raisonnablement bien combien d'unités d'un style elles vendront. Où elles échouent, c'est de prévoir quelles tailles. Un style qui se vend bien globalement peut quand même être un désastre au niveau des tailles — ruptures de stock sur le M dès la semaine deux, noyé de XXL à la démarque en fin de saison. La prévision globale cache cela, car les totaux peuvent sembler corrects même si la distribution des tailles est complètement mauvaise. Obtenir la bonne courbe de tailles est là où réside la vraie efficacité des stocks, et c'est là où la plupart des marques opèrent en aveugle. Ce guide explique comment prévoir la demande par taille avec plus de précision, pourquoi c'est plus difficile que la prévision globale, et comment une meilleure compréhension des données d'ajustement affine le tableau. Il s'appuie sur notre travail sur la façon dont les données d'ajustement améliorent la planification des stocks.

Pourquoi les prévisions globales échouent au niveau des tailles

Une prévision du nombre total d'unités fait la moyenne de ce qui compte : la forme de la demande selon les tailles. Deux styles avec les mêmes ventes totales peuvent avoir des courbes de tailles complètement différentes, et l'application d'une distribution générique aux deux garantit que vous vous tromperez sur au moins une. La courbe par défaut que beaucoup de marques utilisent — une courbe en cloche standard selon la gamme de tailles — correspond rarement à un style ou une clientèle spécifique.

Le coût se manifeste par des ruptures de stock simultanées et des démarques : perte de ventes sur les tailles sous-achetées et érosion des marges sur les tailles sur-achetées, souvent au sein du même style. Les deux sont coûteux, et la prévision globale les a rendus invisibles jusqu'à ce qu'il soit trop tard. Prévoir au niveau des tailles est ce qui surface et prévient cela, et c'est nécessaire de traiter la courbe de tailles comme un résultat de première classe, pas comme une réflexion après coup appliquée à un total.

Votre courbe historique des ventes est le point de départ

La meilleure entrée de départ est votre propre historique des ventes par taille, pour des styles comparables. Comment les produits similaires se sont-ils réellement distribués selon les tailles — non pas comment vous les aviez achetés, mais comment ils se sont vendus et, de manière cruciale, comment ils se sont vendus au prix fort par rapport au prix démarqué ? Les données d'achat sont contaminées par les erreurs de prévision passées ; la vente au prix fort est plus proche de la vraie demande.

Segmentez cela par catégorie, type d'ajustement et groupe de clients, car un style décontracté et un style ajusté vendent des courbes différentes même au même groupe de clients. Plus vos données de tailles historiques sont riches, meilleure sera votre prévision. La plupart des marques ont ces données mais ne les analysent jamais au niveau des tailles, optant par défaut pour une courbe générique à la place. Exploiter votre propre historique est la première étape avec le plus haut ROI, et elle se connecte à la construction d'une meilleure courbe de tailles.

Les retours déforment le tableau — corrigez-les

Les ventes brutes par taille sont trompeuses si vous ne tenez pas compte des retours, car une taille avec un chiffre brut élevé mais un taux de retour élevé n'est vraiment pas dans la demande que vous pensez. Une taille qui se vend bien et revient constamment est un problème d'ajustement, pas une forte demande, et en prévoir plus répète l'erreur. Les ventes nettes par taille — brutes moins les retours — est le vrai signal de demande.

C'est là que les données d'ajustement et les données de retours alimentent directement la prévision. Une taille qui revient beaucoup pour des raisons d'ajustement vous dit que le gradage est mauvais, pas que les clients en veulent plus. Corriger votre courbe de tailles en fonction des retours vous empêche d'acheter trop de tailles problématiques. La connexion entre les retours et la planification parcourt la transformation des données de retours en produits mieux ajustés.

Les données sur le corps des clients affinent la courbe

L'entrée la plus directe à la demande de tailles est le corps réel de vos clients. Si vous connaissez la distribution des mesures du corps selon votre clientèle — à partir d'un outil d'ajustement, d'un widget de dimensionnement ou de l'historique des commandes — vous pouvez prévoir la courbe de tailles du côté de la demande plutôt que de l'inférer rétrospectivement à partir de données contaminées. C'est un signal fondamentalement meilleur.

Une marque dont les clients sont orientés vers certaines tailles devrait acheter cette courbe, non pas une courbe générique. La plupart des marques ne collectent jamais ces données et ne les utilisent donc jamais, mais celles qui le font peuvent prévoir la demande de tailles avec beaucoup plus de confiance. Les données sur le corps des clients transforment la prévision des tailles de conjectures en quelque chose de fondé sur qui vos clients sont vraiment, ce qui est exactement ce qu'un outil d'ajustement peut faire surface — voir la façon dont les données d'ajustement améliorent la planification des stocks.

Compte tenu des nouveaux styles sans historique

Le cas le plus difficile pour la prévision est un style complètement nouveau sans historique de ventes, surtout dans une nouvelle silhouette ou un nouvel ajustement. Ici, vous vous appuyez sur des analogues — les courbes de tailles des styles passés les plus similaires — ajustées pour les différences connues d'ajustement. Une nouvelle robe ajustée devrait emprunter aux robes ajustées passées, pas à vos hauts lâches.

Soyez explicite sur les caractéristiques d'ajustement du nouveau style et faites-le correspondre aux bons analogues historiques plutôt que d'appliquer une courbe par défaut de la maison. Plus vos données historiques sont étiquetées par type d'ajustement et silhouette, meilleurs sont vos analogues, c'est pourquoi la discipline d'étiquetage paie. Les nouveaux styles porteront toujours plus de risque de prévision, mais une sélection disciplinée des analogues le réduit considérablement, et après le lancement, vous pouvez corriger rapidement si vous surveillez la vente par taille.

Plan pour la correction en saison

Aucune prévision de tailles n'est parfaite, donc la deuxième moitié de la discipline est de réagir rapidement quand la réalité diverge. Surveillez de près la vente par taille dans les premières semaines, et ayez un plan pour recommander les tailles chaudes et ralentir les démarques sur les tailles froides avant que le problème s'agrave. Une marque qui repère un M en rupture dès la semaine deux et recommande sauve les ventes qu'un plan statique aurait perdues.

Cela nécessite des rapports au niveau des tailles en temps quasi réel, pas un post-mortem de fin de saison. Les marques qui gagnent sur les stocks ne sont pas celles avec des prévisions parfaites — ce sont celles qui détectent et corrigent rapidement. Construire cette surveillance est aussi important que la prévision elle-même, et cela se lie à la discipline analytique derrière la réduction des démarques avec une meilleure compréhension des données d'ajustement.

Liez la prévision des tailles à la vision d'ensemble

La prévision au niveau des tailles n'existe pas isolément — elle se connecte au gradage, à l'assortiment, et finalement à la marge. Une marque qui prévoit bien les tailles achète plus près de la vraie demande, rupture moins, dérnarque moins, et libère le fonds de roulement coincé dans les stocks morts. Ce sont de vrais résultats financiers, pas une commodité opérationnelle.

Rendez la performance au niveau des tailles une métrique suivie et une conversation récurrente, pas un détail enterré dans un rapport saisonnier. Quand l'organisation traite la courbe de tailles comme quelque chose qui mène la marge, elle investit dans les données pour l'obtenir correctement. Cela fait partie du traitement de l'ajustement et du dimensionnement comme une discipline stratégique, couverte dans faire de l'ajustement une priorité de toute l'entreprise. Une meilleure prévision des tailles est l'un des chemins les plus clairs des données d'ajustement à l'impact en bas de compte.

Où YourSizer s'insère

YourSizer capture les données réelles du corps de vos acheteurs et les signaux d'ajustement derrière vos retours — exactement les entrées du côté de la demande qui affinent une courbe de tailles. Au lieu de prévoir les tailles à partir d'un historique d'achat contaminé ou d'une courbe générique en cloche, vous pouvez baser votre plan sur qui vos clients sont vraiment et quelles tailles fonctionnent vraiment après les retours. Voir la technologie sous-jacente dans notre aperçu des produits, explorez le côté commerçant sur pour les marques, et consultez les tarifs.

Questions fréquentes

Pourquoi une prévision du nombre total d'unités ne suffit-elle pas ?

Parce qu'elle fait la moyenne de la distribution des tailles, c'est là où se situe l'argent. Deux styles avec les mêmes ventes totales peuvent avoir des courbes de tailles complètement différentes, et une distribution générique sera mauvaise sur au moins une — produisant des ruptures de stock sur les tailles que les clients veulent et des démarques sur celles qu'ils ne veulent pas, souvent au sein du même style. Le nombre global cache les deux.

Dois-je prévoir à partir des ventes brutes ou nettes des retours ?

Net des retours. Une taille avec un chiffre brut élevé mais un taux de retour élevé n'est pas une vraie demande — c'est généralement un problème d'ajustement ou de gradage, et en prévoir plus répète l'erreur. Les ventes nettes par taille donnent un signal de demande plus vrai, c'est pourquoi les données de retours et les données d'ajustement alimentent directement la prévision des tailles de manière précise au niveau des tailles.

Comment je prévois les tailles pour un style complètement nouveau ?

Utilisez des analogues — les courbes de tailles de vos styles passés les plus similaires, assortis par type d'ajustement et silhouette plutôt qu'une courbe générique par défaut de la maison. Plus vos données historiques sont étiquetées par caractéristiques d'ajustement, meilleur est l'analogue. Puis surveillez de près la vente par taille après le lancement pour pouvoir recommander les tailles chaudes et corriger rapidement.