Le contexte
Wardrobe Market est une marketplace française de mode multi-marques qui agrège 85 créateurs et environ 5 200 références actives. La boutique Shopify Plus génère 680 000 euros de CA mensuel et fonctionne sur un modèle de dépôt-vente : les produits sont stockés dans l'entrepôt central et les créateurs sont rémunérés à la vente.
Le secteur de la mode est particulièrement exposé aux problématiques de stock : saisonnalité forte, collections éphémères, effets tendance imprévisibles et coût élevé du sur-stock en fin de saison. L'équipe gestion de stock (2 personnes) pilote les réassorts via un ERP maison et des exports Shopify quotidiens.
Le défi
Le taux de rupture de stock atteint 18%, ce qui signifie qu'une recherche produit sur 5 aboutit à une page sans stock disponible. L'impact sur le CA est estimé à 75 000 euros par mois (CA non réalisé). À l'inverse, 22% du catalogue est en sur-stock et devra être soldé en fin de saison avec une marge négative.
Les prévisions de ventes sont faites manuellement par l'équipe sur la base de l'historique des 4 dernières semaines, sans tenir compte de la saisonnalité, des tendances Google Trends, de l'effet des campagnes marketing ou des lancements de nouveautés qui cannibalisent les produits existants.
L'équipe est débordée : gérer 5 200 références manuellement est impossible et les décisions de réassort se concentrent sur les 200 best-sellers évidents, laissant la longue traîne à l'abandon.
La solution Fullmetrix
Wardrobe Market connecte Shopify Plus à Fullmetrix et active le module Prévisions ML. Les modèles sont entraînés sur 3 ans d'historique et prennent en compte la saisonnalité, les effets tendance et la vitesse d'écoulement par SKU.
Pour chaque référence, Fullmetrix calcule une prévision de ventes à 30, 60 et 90 jours avec un intervalle de confiance. Les alertes automatiques signalent les produits qui risquent la rupture dans les 14 prochains jours, triés par impact CA potentiel. L'équipe peut ainsi prioriser les 50 réassorts les plus critiques chaque semaine au lieu de subir les ruptures.
Une seconde vue identifie les produits à faible rotation qui risquent de devenir du sur-stock. L'équipe peut alors activer des promotions ciblées ou des bundles pour écouler avant la fin de saison. Le module intègre également les marges par produit pour prioriser les efforts marketing sur les références les plus rentables.