Planification de l'assortiment en e-commerce : largeur, profondeur et données

La planification de l'assortiment consiste à décider quels produits une boutique propose, combien d'options elle offre dans chaque type de produit et quel stock se trouve derrière chaque option, pour une saison et un canal donnés. Elle équilibre deux dimensions : la largeur, c'est-à-dire le nombre de catégories ou de lignes de produits, et la profondeur, le choix à l'intérieur de chacune (modèles, tailles, couleurs, niveaux de prix). Un troisième levier, les unités par option, décide si le plan résiste à la demande réelle.

Pour un e-commerçant, la version courte est la suivante : analyse ce qui s'est vendu, ce qui a rapporté et ce qui a été retourné la saison passée, décide où élargir ou approfondir, achète, prépare les données produit avant le lancement, puis lis le taux d'écoulement tôt et ajuste. Ce que la plupart des guides passent sous silence, c'est que chacune de ces étapes repose sur les attributs produit. Si 30 de tes vestes de pluie n'ont aucun type d'usage renseigné, tu ne peux pas savoir si les vestes de randonnée sont sous-représentées. L'entrée assortiment produit donne la définition courte ; cet article couvre les décisions, les données d'entrée et une analyse détaillée des trous d'assortiment sur un exemple. Il se situe un niveau en dessous du category management, où chaque catégorie reçoit un rôle qui décide de sa largeur et de sa profondeur.

Largeur, profondeur et unités par option : les trois leviers

Prends une boutique en ligne de running. La largeur, c'est la liste des types de produits qu'elle vend : chaussures de route, chaussures de trail, chaussettes, sacs d'hydratation, lampes frontales. La profondeur, c'est ce qu'un acheteur trouve dans l'un d'eux : 14 modèles de chaussures de route, chacun en 8 à 12 pointures et deux ou trois couleurs, répartis sur trois gammes de prix. Les unités par option, c'est le nombre de paires du modèle amorti en pointure 39 femme que tu as en stock.

Chaque combinaison de largeur et de profondeur donne un type de boutique différent, avec son propre risque. La plupart des e-commerçants n'ont pas une forme pure : ils sont profonds dans leur catégorie principale et peu profonds en périphérie, où quelques accessoires complètent le panier.

Ce que change un rayon numérique sans fin, et ce qu'il ne change pas

Un magasin physique planifie en fonction de l'espace en rayon. Une boutique en ligne n'a pas de limite de rayon, ce qui pousse les équipes à ajouter des produits simplement parce qu'elles le peuvent. La contrainte n'a pas disparu ; elle s'est déplacée. Chaque nouveau modèle demande du capital en stock (sauf en dropshipping), des photos, un titre, une description, des attributs remplis, des traductions pour chaque marché et un mapping vers chaque canal où il est vendu.

Ce coût en données est facile à sous-estimer. Dans le State of Product Data report de WISEPIM, l'attribut médian du catalogue médian était rempli sur 1,9 % des produits à l'arrivée du catalogue. Un assortiment qui grandit plus vite que ses données finit avec des produits qui existent mais qu'on ne peut ni filtrer, ni comparer, ni analyser.

Deux choses diffèrent aussi en ligne. Les filtres transforment les attributs en navigation, donc une profondeur qui n'est pas enregistrée sous forme de données est invisible : un acheteur qui filtre sur « imperméable, moins de 400 g » ne voit jamais la veste dont le poids figure uniquement dans la description. Et la longue traîne coûte moins cher à porter en ligne, ce qui rend plus important, et non moins, de savoir quels produits de la traîne méritent leur place.

En ligne, les gammes varient aussi par canal et par marché plutôt que par magasin. Une marketplace peut ne recevoir que tes meilleures ventes, un compte de gros les multipacks, et un nouveau pays une première gamme réduite aux produits dont les traductions et les informations de sécurité locales sont prêtes. Planifie-les comme des sous-ensembles d'un assortiment maître unique, marqués par canal et par marché, plutôt que comme des listes séparées qui divergent.

Les données d'entrée d'une analyse d'assortiment

Une analyse a besoin d'un petit ensemble d'indicateurs par produit, agrégés par cellules d'attributs dans lesquelles tu planifies (type d'usage et gamme de prix, par exemple). Cinq portent l'essentiel du poids :

• Taux d'écoulement (sell-through). Le rapport Products by sell-through rate de Shopify divise les unités vendues par la somme des unités vendues et des unités encore en stock. Il te dit si la profondeur correspondait à la demande. Compare les produits sur la même période et la même fenêtre de lancement, sinon les arrivées tardives ressemblent à des échecs.
• Marge brute. Le prix moins le coût, divisé par le prix, après remises et idéalement après frais de livraison. Une cellule peut s'écouler vite et quand même perdre de l'argent.
• Taux de retour et motifs de retour. Les unités retournées sur les unités vendues, ventilées par motif. Un taux élevé dû à « trop petit » est un problème de taille ou de contenu, pas un problème d'assortiment. Le calculateur de taux de retour montre la formule.
• Rotation des stocks. Le coût des marchandises vendues sur la valeur moyenne du stock : la vitesse à laquelle le capital immobilisé dans une cellule revient. Les produits saisonniers faussent les moyennes annuelles, donc lis-la par saison.
• Part du chiffre d'affaires. Quels produits portent la catégorie. L'analyse ABC de Shopify classe les variantes selon leur part du chiffre d'affaires sur les 28 derniers jours et, comme le note sa page d'aide, ignore le coût des articles : associe-la donc à la marge.

En plus de la performance, une analyse a besoin de preuves de demande pour les produits que tu ne proposes pas, car les données de vente ne décrivent que ce que tu as déjà en stock. Sources utiles : les requêtes de recherche avec des impressions mais sans produit correspondant (le rapport Performances de la Search Console les liste), les recherches sans résultat dans l'outil de recherche de ta boutique, les questions du service client, les gammes des concurrents et les classements des meilleures ventes des marketplaces.

Enfin, l'analyse a besoin d'attributs. Chaque indicateur ci-dessus ne devient utile pour la planification que lorsqu'on peut le regrouper selon les propriétés sur lesquelles les acheteurs choisissent : type d'usage, plage de tailles, matière, coupe, capacité, compatibilité, gamme de prix. C'est à ce regroupement que la plupart des analyses calent.

Produits permanents, saisonniers et tests : un rôle pour chaque modèle

La profondeur se planifie plus facilement quand chaque modèle d'une catégorie a un rôle. Trois rôles couvrent la plupart des gammes en ligne. Les produits permanents sont proposés toute l'année et réassortis : la première couche en mérinos noire dans toutes les tailles, la chaussure de route la plus vendue. Ils demandent de la profondeur en tailles et un stock régulier, et sont jugés sur la disponibilité et la marge. Les produits saisonniers sont achetés une fois pour une saison et écoulés : les couleurs de vestes de cet hiver, un coffret cadeau pour les fêtes. Ils sont jugés sur le taux d'écoulement avant le début des démarques. Les produits tests sont de petits achats qui sondent une nouvelle cellule : une première veste de trail, une nouvelle gamme de prix. Ils sont jugés sur l'apparition ou non de la demande, pas sur le profit.

Les rôles changent la lecture des chiffres. Un produit permanent à 40 % d'écoulement sur un mois peut aller très bien, puisqu'il est réassorti ; un modèle saisonnier au même taux six semaines avant la fin de la saison est un candidat à la démarque. Enregistre le rôle comme attribut produit (un champ de sélection comme assortment_role avec les valeurs core, seasonal et test), pour que les rapports puissent filtrer dessus et qu'un produit test qui fonctionne puisse passer en permanent dans le plan suivant au lieu d'être oublié.

Un cycle de planification saisonnier, de l'analyse à la sortie

Les gammes saisonnières (vêtements d'extérieur, jardin, cadeaux, fournitures scolaires) suivent un cycle qui commence bien avant le lancement. Les délais varient selon la catégorie et le fournisseur, donc considère les mois ci-dessous comme un exemple pour une gamme automne-hiver achetée auprès de fournisseurs européens ; les catégories sourcées en Asie se planifient souvent plus tôt.

L'étape qui dérape le plus souvent est celle des données. Quand les données fournisseurs arrivent avec la marchandise, la gamme est lancée en retard ou incomplète, et la première lecture du taux d'écoulement mesure autant le contenu manquant que la demande.

Trouver les trous dans l'assortiment par attribut : un exemple détaillé

Un trou dans l'assortiment est une combinaison d'attributs où la demande existe et où ta gamme est absente ou trop mince. La méthode ci-dessous fonctionne dans un tableur ou un outil de BI ; les chiffres sont illustratifs, pour une boutique outdoor en ligne qui analyse sa catégorie de vestes de pluie de 48 modèles (comptés par modèle, pas par taille).

Étape 1 : choisir les attributs sur lesquels les acheteurs décident

Choisis deux ou trois attributs qui séparent des besoins vraiment différents. Pour les vestes de pluie, ce sont le type d'usage (ville, randonnée, trail) et la gamme de prix (moins de 100 $, 100 à 199 $, 200 $ et plus). La plage de tailles et le genre viennent ensuite. Évite les attributs qui ne changent pas la décision, comme de petites différences de couleur.

Étape 2 : normaliser les valeurs avant de compter

Le comptage échoue sur des valeurs désordonnées. « Hiking », « hike », « trekking » et « Outdoor/Hiking » doivent devenir une seule valeur, et les produits sans valeur doivent apparaître comme un groupe à part au lieu d'être écartés en silence. Une liste contrôlée de valeurs autorisées par attribut empêche le désordre de revenir ; le guide de standardisation des attributs en détaille les règles.

Étape 3 : compter les produits et ajouter la performance par cellule

Regroupe les 48 modèles en cellules et ajoute pour chacune le taux d'écoulement depuis le début de la saison. Une ligne supplémentaire compte autant que les autres : les produits impossibles à placer parce que l'attribut est vide.

Étape 4 : lire les cellules et vérifier les cellules vides

Trois lectures ressortent du tableau. Les vestes de randonnée de milieu de gamme sont le trou le plus net : trois modèles, 71 % d'écoulement, et probablement des ventes perdues sur les tailles épuisées. Les vestes de randonnée haut de gamme sont l'inverse : huit modèles se partagent une demande modeste, donc deux ou trois pourraient sortir ou passer dans un plan de démarque. Les huit vestes non placées ont besoin d'un type d'usage avant toute conclusion fiable ; si la plupart s'avèrent être des vestes de randonnée, le tableau change.

Cherche ensuite les cellules sans aucun produit. Cette boutique ne vend aucune veste de pluie pour enfant. Les données de vente ne peuvent pas montrer ce trou, il faut donc des preuves extérieures : des requêtes Search Console comme « veste de pluie enfant » avec des impressions sur la page catégorie, des questions de clients ou une gamme concurrente profonde sur ce segment. Un signal faible justifie un test, pas une nouvelle catégorie.

Étape 5 : transformer les constats en plan

Écris le résultat par cellule : ajouter deux modèles de randonnée de milieu de gamme avec une série complète de tailles femme, réduire la randonnée haut de gamme de huit à cinq modèles, garder le trail comme petit test avec un modèle de plus, et renseigner les types d'usage manquants avant la prochaine analyse. C'est la base de l'achat, et de l'analyse de rationalisation des SKU qui décide quels modèles lents quittent la gamme.

Cinq erreurs de planification de l'assortiment qui naissent dans les données produit

1. Compter les variantes de taille comme des produits. Une veste en huit tailles est un seul modèle avec huit options. Compter les SKU gonfle la profondeur et cache qu'une cellule n'offre que deux vrais choix.
2. Des valeurs d'attributs en texte libre. « Navy », « Navy Blue » et « dk blue » répartissent une seule couleur sur trois cellules, chacune trop petite pour être lue.
3. Des attributs enfouis dans les descriptions. Le poids, l'indice d'imperméabilité et la coupe ne figurent souvent que dans le texte de description. Extrais-les dans des champs avant l'analyse, pas après.
4. Comparer des produits aux dates de lancement différentes. Un modèle arrivé en sixième semaine ne peut pas égaler le taux d'écoulement d'un modèle vendu dès le premier jour. Compare à partir du lancement, ou sur les mêmes semaines.
5. Mélanger les bases de prix. Certains prix incluent la TVA, d'autres non, d'autres sont des prix soldés. Utilise une seule base (le prix normal TTC, par exemple) pour les gammes de prix.

Maintenir les données d'attributs dont une analyse d'assortiment a besoin

WISEPIM n'est pas un outil de planification marchande ni de prévision ; il ne fixe ni budgets, ni quantités d'achat, ni open-to-buy. Il garde complètes et cohérentes les données produit selon lesquelles une analyse regroupe. L'enrichissement par AI extrait des attributs comme le type d'usage, la matière ou le poids à partir des descriptions et des fichiers fournisseurs, les ensembles d'options limitent chaque attribut aux valeurs autorisées, et la page des valeurs d'attribut montre chaque valeur utilisée pour pouvoir fusionner les doublons. Avec les commandes connectées, les analytics de performance par catégorie montrent les ventes et la qualité des données par catégorie, et la gestion des attributs est l'endroit où se définissent les cellules dans lesquelles tu planifies.