Optimisez vos taux d'écoulement « avant soldes »

6 sept.

8 min de lecture

Une mission d'optimisation des taux d'écoulement « avant soldes », qu'est-ce que c'est ?

Une intervention ciblée, de quelques semaines, pour répondre à une question précise : comment optimiser les taux d'écoulement avant soldes pour maximiser la marge dégagée par les ventes au plein prix sur les saisons suivantes ?

L'optimisation des taux d'écoulement peut s'entendre à deux horizons. À court terme, le pilotage « in season » consiste à actionner les leviers disponibles pour améliorer l'adéquation stocks-ventes sur la base des produits déjà en rayon. C'est un sujet crucial, mais qui fait l'objet d'une approche distincte. Nous traitons ici le second horizon : préparer de manière structurelle les arbitrages et les évolutions pour les saisons suivantes, en identifiant les causes profondes des contre-performances d'écoulement avant qu'elles ne se reproduisent.

Le taux d'écoulement « full price », est l'un des indicateurs les plus révélateurs de la performance de l’offre d'une entreprise du secteur de la mode ou du luxe. Il impacte lourdement la marge brute de l’entreprise et les enjeux d’une amélioration sont massifs. A titre d’illustration : sur un périmètre de 3 M€ de CA cible, avec un taux d'écoulement actuel de 50 % en fin de première période « full price », un prix d'achat moyen de 125 € et un prix de vente moyen brut de 275 € : améliorer le taux d'écoulement de 3 points (à 53 %) représente un gain total d'environ 180 000 € (98 000 € de marge et 82 000 € de stock) ; un gain de 5 points (à 55 %) porte le gain total à 300 000 € (164 000 € de marge et 136 000 € de stock).

Lorsque le « sell through full price » se dégrade, il s’agit rarement d’un problème isolé. Plusieurs dysfonctionnements peuvent se cumuler :

- Une offre mal calibrée par rapport à la demande réelle (poids des catégories ou des typologies d’articles) ou simplement mal adaptée aux attentes des clients (style et positionnement des produits),

- Des achats (et donc des stocks à écouler) trop volumineux, sans réels parti-pris et donc trop larges ou mal répartis,

- Une diffusion des assortiments trop générique, sans tenir compte des caractéristiques du parc magasins,

- Une offre mal positionnée en prix initiaux (et dans ce cas, l’élasticité à la démarque est forte et se retrouve dans des écoulements après soldes bien meilleurs),

- Ou encore des retards de livraison qui réduisent la fenêtre d’exposition commerciale des produits et « entrent en soldes » avant même que ces produits aient eu le temps de s'installer.

Notre approche s’appuie sur une analyse 360° des données disponibles : ventes, achats, stocks, mouvements, diffusion, produits, …Nous analysons d’autres KPIs en lecture directe ou en reconstitution (taux d’engagements, taux d’implantation, ruptures magasins, …). Nous avons même créé notre propre indice, l’« indice de conviction », pour quantifier la sélectivité et les parti-pris lors des achats.

Pour mener ces travaux, nous combinons notre expertise Retail pointue avec des outils de data analytics et de machine learning, en partenariat avec le client (lorsque les données et les compétences « data » sont disponibles) ou avec un acteur spécialisé en data science (que nous connaissons ou que le client propose)

L'objectif est d'identifier avec précision les facteurs explicatifs des écarts d'écoulement, de les hiérarchiser, et de produire des recommandations opérationnelles directement actionnables pour les sessions d’achat suivantes.

Quand lancer une mission d’optimisation des taux d’écoulement « avant soldes » ?

Plusieurs situations peuvent conduire à ce type d'intervention.

Situation 1. Vos taux d'écoulement se dégradent saison après saison et vos stocks résiduels augmentent

Le sell-through recule d'une collection à l'autre. Les fins de saison génèrent des niveaux de stocks résiduels de plus en plus élevés, et les remises et démarques s'accumulent pour écouler les produits qui ne sont pas partis au plein prix. Le chiffre d'affaires peut être préservé dans le meilleur des cas, mais la marge dégagée souffre si les taux d'écoulement réels sont inférieurs aux hypothèses prises dans les cadrages achats. Les produits invendus après soldes alimentent les réseaux outlets et font l'objet de dépréciations importantes, ou sont conservés en stock sans dépréciation, ne faisant que repousser à plus tard l'impact financier.

Situation 2. Votre offre s'élargit mais vos performances d'écoulement stagnent ou reculent

Le catalogue s'élargit, les références se multiplient, mais le sell-through global peine à suivre la même dynamique. Certaines catégories présentent des performances élevées tandis que d'autres tirent la moyenne vers le bas, sans que les causes soient clairement identifiées. Problème de largeur d'offre, de profondeur, de cannibalisation entre l'offre nouvelle et l'offre préexistante, de répartition entre newness et carry-over, de prix moyen, de diffusion, de coloris ou de tailles ?

Situation 3. Vous préparez une revue stratégique de vos achats ou de votre modèle de distribution

Vous envisagez de revoir votre OTB, de rééquilibrer vos achats entre saisons, de modifier votre taux d'engagement ou votre politique de diffusion. Avant d'engager ces décisions, vous avez besoin d'une base factuelle solide : quelles catégories de produits sur- ou sous-performent réellement, quels sont les facteurs explicatifs objectifs, quelles seraient les implications quantifiées des différents scénarios d'ajustement ?

En fonction de la situation de départ, nous vous donnons une vision claire des raisons des taux d’écoulement « avant soldes » insuffisants et des leviers concrets à actionner pour les améliorer sur la ou les saisons suivantes.

Quelle approche et quelle méthode de travail ?

Une mission de ce type se déroule en deux grandes phases.

Une première phase consacrée à la construction du modèle de données et d’analyse des facteurs clefs expliquant les performances de Taux d’écoulement. 3 étapes pour y parvenir :

· Cadrage données et projet : compréhension des données disponibles et des règles de calcul particulières au modèle du client, cadrage des objectifs et des contraintes du projet. Nous travaillons dès le départ avec les équipes IT et métier.
· Constitution de la base de données de travail : extraction, chargement, nettoyage et retraitement des données de ventes, achats, stocks, mouvements, diffusion et produits ..., enrichissement des données critiques non disponibles en l'état, construction d'indicateurs composites et concrets, comme notre « indice de conviction » qui permet d’appréhender les partis-pris des acheteurs dans leurs choix d’assortiment en Grands Magasins par exemple.
· Analyses et synthèse : application d'outils de data analytics et de machine learning pour identifier les facteurs explicatifs significatifs des écarts de sell-through. Les analyses couvrent notamment : les corrélations à plat entre critères (relatifs aux produits, aux marques, aux choix de diffusion, …), les analyses de type machine learning (matrices de corrélation, arbres de décision, ordonnancement des facteurs par ordre d'impact sur les taux d’écoulement). Le résultat est une hiérarchisation factuelle des éléments impactant les taux d’écoulement.

Illustration des types d'analyses réalisées sur une mission réelle
Une seconde phase de recommandations autour de deux volets :
· Des recommandations générales applicables à l'ensemble du périmètre analysé : ajustements d'OTB, rééquilibrage entre saisons, modification du taux d'engagement, évolution de la largeur ou de la profondeur d'offre, révision de la politique de diffusion et d'implantation initiale Chaque levier est accompagné d'une évaluation des gains potentiels.
· Des recommandations plus spécifiques (par marque, marché ou point de vente) : réallocation des achats entre groupes de marchandise, travail de la démarque commerciale par groupe, ajustement de la proportion de reconduits, rééquilibrage largeur/profondeur selon les coloris, tailles, prix moyens, révision des assortiments et implantations magasin. Ces recommandations prennent la forme de books opérationnels, un book par marque ou par marché, présentant les KPIs clés sur plusieurs saisons, les analyses détaillées, les pistes d'action et la valorisation des gains associés.

Tout au long de la mission, nous travaillons en étroite collaboration avec les équipes achats, merchandising, retail, supply chain ; pour que les recommandations soient calibrées aux contraintes réelles et intégrables dans le calendrier des prochains rendez-vous d’achats...

Quels « livrables » ?

Finalement, trois grands types de livrables :

Des analyses des facteurs explicatifs des taux d’écoulement insuffisants (données quantifiées, impacts quantifiés)
Des recommandations générales transverses ou plus spécifiques selon les cas et les leviers à actionner
Des books opérationnels sur quelques marques ou catégories de produits prioritaires contenant des plans d’action concrets et actionnables lors des prochaines sessions d’achats.

Quels retours d'expérience et quels facteurs clés de réussite à prendre en compte pour ce type de démarche ?

Nous avons conduit ce type de mission pour différents types de clients (Grands Magasins et autres distributeurs multimarques). Les facteurs clefs de succès de ces interventions peuvent se résumer autour de 5 point

Combiner expertise métier et data analytics
La valeur ajoutée ne vient pas de la donnée brute, ni uniquement de la technique. Elle vient de la combinaison : la connaissance métier permet de sélectionner les corrélations pertinentes parmi celles que le machine learning identifie, et d'écarter celles qui sont statistiquement significatives mais sans sens opérationnel. Sans ce filtre métier, les recommandations restent théoriques. Sans la puissance analytique, on reste dans les perceptions subjectives que les équipes avaient déjà.
Sécuriser la qualité des données en amont
Ce travail commence dès le cadrage : chaque client a ses propres formules de calcul, ses propres règles de gestion, ses propres données (fiables ou pas, complètes ou lacunaires, ...). Identifier rapidement ce qui est disponible en l'état, ce qui est à reconstituer et ce qu'il faut laisser de côté conditionne l'efficacité de toute la suite et c’est souvent l’étape la plus sous-estimée. Il vaut mieux écarter des données dont la fiabilité est sujette à caution ou, si possible, la retravailler pour qu’elle redevienne fiable. Et pour les données manquantes, à condition de la volumétrie soit raisonnable, il peut être très efficace d’organiser une task force pour les reconstituer et les ajouter à la base de travail pour trouver des axes (produis ou magasins) plus pertinents et instructifs.
Choisir avec attention les marques ou les catégories sur lesquelles construire les recommandations spécifiques
Toutes les marques ou catégories ne présentent pas le même potentiel de retour sur investissement. Certaines sont dans des conditions commerciales ou une structure d'offre qui rendent les leviers peu activables à court terme. Il est donc important de bien électionner avec les chefs de produit et les responsables Offre & Achats les périmètres sur lesquels concentrer les efforts.
Anticiper le calendrier des rendez-vous d'achats
Les recommandations n'ont de valeur que si elles permettent d’être revues et digérées avant les sessions d’achat suivantes. Le rétroplanning de la mission doit tenir compte des dates de rendez-vous d'achats, ... Sinon, les books opérationnels finiront dans un tiroir et auront été inutiles.
Démarrer sur un périmètre maîtrisé, puis étendre, tant en phase d’analyse que de tests sur les pilotes.
La progressivité et la maîtrise des périmètres sont deux points de vigilance primordiaux.
Pour mener à bien la phase d’analyse 360°, Il faut définir précisément les périmètres à couvrir (marques, marchés, groupes de produits, saisons) et de s'y tenir : une mission de ce type peut rapidement dériver vers un volume d'analyses difficile à synthétiser, et les livrables finaux deviennent complexes et peu « actionnables »
La phase de test sur des pilotes doit elle aussi être bien « périmétrée ». La démarche doit d’abord être testée en réel sur quelques marques pilotes (dans le cas des distributeurs multimarques comme les Grands Magasins) ou sur un périmètre produit limité (dans le cas des marques enseignes). Ce séquençage permet de valider le modèle de données, d'ajuster les méthodes d'analyse, et de créer l'adhésion des équipes opérationnelles avant un déploiement plus large.

Si vos stocks résiduels augmentent de saison en saison, si vos taux d'écoulement avant soldes sont insuffisants ou si la marge commerciale dégagée sur vos ventes au plein prix se dégrade, contactez-nous pour un premier échange : gcohen@klartis.fr ou via notre page Contact sur www.klartis.fr