L’intelligence artificielle au service du prêt-à-porter et de la mode
Coco Chanel aurait-elle pu imaginer que des mannequins défileraient un jour au milieu data servers?
Des grandes maisons de luxe aux géants du fast retailing, tout le monde l’a compris: les enjeux liés aux data sont immenses dans l’univers du prêt-à-porter et de la mode!
Mais concrètement, quelles initiatives sont mises en place? Quels sont les principaux enjeux aujourd’hui? Et comment les marques et enseignes vont pouvoir utiliser les technologies d’intelligence artificielle pour servir leur croissance?
Dans cet article, nous partageons trois enjeux majeurs de cette révolution: la détection de tendances dans le processus de création, la cartographie des looks et la définition des prix. Notre vision du futur est simple: les outils d’intelligence artificielle seront bientôt un «musthave» pour tous acteurs du prêt-à-porter et de la mode.
Détection de tendances en temps réel
6 mois, c’est le temps moyen nécessaire pour construire, produire et distribuer une nouvelle collection dans le prêt-à-porter. 3 semaines, c’est le temps nécessaire à Zara pour faire la même chose. La clé du succès de Zara est sa compréhension d’un large volume de données et son utilisation lors de la construction des collections. Zara est capable d’interpréter en temps réel les préférences des consommateurs, remontées par chaque directeur de magasin grâce à leur équipement mobile. Une fois récoltées, ces informations sont ensuite agrégées au niveau européen. S’il s’avère que de nombreuses personnes remontent la même information, cette donnée est partagée avec l’équipe de designers, qui crée alors un nouveau produit qui sera expédié en boutique dans les plus brefs délais.
Ceci est la première étape rendue possible grâce au big data. Le second palier est maintenant atteignable grâce à l’intelligence artificielle. En effet, grâce aux millions de photos de défilés, de souvenirs partagés sur Instagram, de commentaires laissés sur les sites e-commerce, nous sommes aujourd’hui capables d’identifier des «pattern» permettant d’interpréter les préférences clients et d’anticiper les tendances. Les acteurs du prêt-à-porter peuvent maintenant se doter d’outils de «deep learning» leur permettant d’analyser en temps réel les tendances et de prédire les futurs best-sellers.
Cartographie des looks et recommandations
Aujourd’hui, le prêt-à-porter ce n’est pas vendre un t-shirt ou un jean; c’est vendre un look! C’est tout l’enjeu du cross-selling et c’est la raison pour laquelle toutes les marques recommandent des articles complémentaires lors d’un achat. Cette bonne pratique permet non seulement de générer des ventes additionnelles (10% en moyenne) mais aussi de mettre en avant des produits spécifiques.
Grâce à l’intelligence artificielle, et notamment la reconnaissance d’image, nous sommes maintenant capable de cartographier tous les liens de recommandations entre produits. Si un produit ne marche pas, il est maintenant possible de l’intégrer dans un schéma de recommandation performant plutôt que d’activer tout de suite la promotion, synonyme de perte sèche pour la marque.
Un prix juste et attractif
Le prix est le dernier enjeu que nous allons aborder, et pas des moindres. Les outils traditionnels d’analyse des prix se concentrent sur des analyses entre produits identiques. Cette méthode convient très bien à des secteurs comme la distribution alimentaire, puisqu’il est facile de comparer une bouteille de Coca-Cola chez Leclerc, Carrefour et Auchan.
La comparaison des prix à produits identiques affiche deux limites très marquées. La première est celle de la perception client. Les consommateurs ne limitent pas leur comparaison à des produits identiques pour se forger une image prix: ils vont prendre en compte les marques distributeurs et les produits de substitution (autre boisson gazeuse). La seconde est l’exclusivité des assortiments dans de nombreux secteurs de la distribution. C’est le cas de prêt-à-porter où l’intégralité de l’offre est exclusive. Il est vrai qu’on ne retrouve jamais des robes Mango chez H&M, et vice-versa. L’analyse des prix sur les produits identiques n’est donc pas suffisante, il est indispensable de mener ces analyses sur des produits comparables, et pas seulement identiques. La reconnaissance d’image via le «deep learning» nous permet aujourd’hui d’identifier les produits comparables entre eux. Grâce à la suppression d’une couche d’abstraction, les réseaux de neurones sont capables de rendre comparables des robes Mango, H&M et Zara partageant les mêmes caractéristiques: forme, taille, matière, accessoires, couleurs… Il est maintenant possible de définir un positionnement prix très fin à la maille du produit, en se comparant avec l’intégralité des produits concurrents. Ainsi, les technologies d’intelligence artificielle permettent une plus grande agilité et pertinence dans toutes les décisions business. Elles permettront aux acteurs du prêt-à-porter et de la mode de transformer leur manière de travailler.
Lire aussi: Ce n’est pas la mort du magasin physique, c’est la révolution de l’expérience client
Les contributeurs sont des auteurs indépendants de la Rédaction de FrenchWeb. Leurs propos et positions leurs sont personnels.
Nous ne diffusons pas de tribunes produites à des objectifs de RP, ou de SEO.
Pour communiquer sur FrenchWeb ou le Journal des RH, devenez partenaire, cliquez ici.
