Aller au contenu
Cabinet d'expertise en transformation technologique · ARDIANE Group Innover, sécuriser, réussir

Secteurs

Comparer les cas d'usage de l'IA dans le retail avant d'en financer un

L'essentiel

L'IA dans le retail réunit des cas d'usage (prévision de la demande, recommandation, tarification, relation client, logistique) qui diffèrent par les données qu'ils demandent, le délai avant un résultat vérifiable et le risque pour le client. Management Square les compare ici sur ces trois critères et indique les situations d'enseigne où chacun mérite d'être engagé en premier.

Sommaire de la page

Dans le commerce, le calendrier donne aux projets d’IA leur première contrainte : une prévision se vérifie au terme d’un cycle d’approvisionnement, une démarque à la fin d’une saison, une recommandation dès qu’un essai en ligne a réuni assez de visites. L’IA dans le retail recouvre ainsi des cas d’usage que séparent leur besoin en données, leur délai de preuve et leur effet sur le client.

Cet article en compare cinq (la prévision de la demande, la recommandation, la tarification, la relation client et la logistique) sur les données que chacun demande, le délai avant un résultat vérifiable et le risque pour le client. La prévision et la logistique travaillent d’abord sur des articles et des stocks ; la recommandation et la tarification touchent la personne, par ses données ou par le prix qu’elle paie. Le choix de ces critères est une proposition de méthode.

Les cas d’usage de l’IA dans le retail, placés côte à côte

Par résultat vérifiable, nous entendons un résultat comparé à un fait observé (une vente, un délai, une réponse attendue) par quelqu’un qui n’a pas construit le système.

Cas d’usage Données demandées Délai avant un résultat vérifiable Risque pour le client
Prévision de la demande Ventes par article, lieu et période ; stocks et ruptures ; prix, promotions, calendrier commercial Un cycle d’approvisionnement : la prévision se compare au réalisé à l’horizon de la commande Indirect : rupture ou article absent du rayon
Recommandation Historique de navigation et d’achat ; catalogue et attributs ; stock disponible Court en ligne : un essai comparatif conclut lorsque le trafic suffit Emploi de données personnelles ; article proposé puis indisponible
Tarification Historique des prix et des ventes ; stocks ; coûts ; prix relevés chez les concurrents Une campagne ou une saison pour une démarque ; plus court pour un prix ajusté en ligne Direct : le prix payé, et le sentiment d’un traitement inégal
Relation client Conditions de vente, politique de retour, fiches produit ; commandes du client Avant la mise en service, sur un jeu de questions aux réponses connues ; puis en exploitation Réponse inexacte donnée au nom de l’enseigne ; échange avec une machine non signalé
Logistique Stock par emplacement ; commandes ; capacités d’entrepôt et de transport Une période d’exploitation comparée à une période de référence Indirect : promesse de livraison non tenue

Le délai suit le cycle de la décision que le système éclaire. Un essai de recommandation ou de prix en ligne peut se répéter plusieurs fois dans une saison ; une démarque de fin de collection ne se juge qu’une fois par collection. Les mesures propres à la prévision (erreur, biais, niveau de service) sont détaillées dans notre article sur la prévision de la demande ; nous n’y revenons pas.

Des données communes, et celles que chaque cas ajoute

La lecture en colonne fait apparaître un socle : le référentiel produit, l’historique des ventes et le stock servent plusieurs cas à la fois. Une recommandation fondée sur le contenu dépend des attributs du catalogue. Une prévision hérite des lacunes de l’historique des ventes. Un assistant restitue la fiche produit telle qu’elle est tenue.

Fiabiliser ce socle relève de la qualité des données et, pour le référentiel partagé entre canaux, du master data management. Le même référentiel alimenterait un passeport numérique de produit, que le règlement (UE) 2024/1781 ne rend exigible pour un groupe de produits que par un acte délégué.

Chaque cas ajoute ensuite ses propres données. La recommandation et la personnalisation de la relation client demandent des données sur des personnes, absentes d’une prévision construite à la maille de l’article et du point de vente. La tarification demande des coûts et des prix de concurrents, dont la collecte pose ses propres questions. La logistique demande des données d’entrepôt et de transport, qui vivent hors des outils du commerce.

Un modèle de prévision, de recommandation ou de prix peut se dégrader lorsque l’assortiment, les prix ou les comportements changent. Sa mise en production suppose un réentraînement et une surveillance de la dérive, chaîne que décrit notre page MLOps et LLMOps.

Le risque pour le client grandit près de la personne et du prix

Deux cas touchent le client sans intermédiaire : la recommandation, par ses données, et la tarification, par ce qu’il paie. Nous n’affirmons ici aucune règle de droit de la consommation. Ces points se formulent comme des questions à remettre aux juristes et au délégué à la protection des données, avant l’essai.

Pour la recommandation et la personnalisation :

  • sur quelle base légale repose le traitement, usage par usage, et comment l’opposition d’un client se propage-t-elle à tous les outils ?
  • les critères qui classent les produits présentés doivent-ils être portés à la connaissance du client, et sous quelle forme ?

Pour la tarification :

  • un prix peut-il différer d’un client à l’autre, et sur quels critères ?
  • le client doit-il être informé lorsqu’un prix a été personnalisé par un traitement automatisé ?
  • comment s’établit le prix de référence d’une annonce de réduction lorsque le prix a varié les semaines précédentes ?

Notre article RGPD et intelligence artificielle lit les articles du règlement que ces questions rencontrent, dont l’article 22 sur la décision individuelle automatisée, sans qualifier aucun cas.

Pour la relation client, le risque porte sur ce que l’assistant affirme : une condition de retour inexacte engage l’image de l’enseigne comme toute autre publication. Notre page IA générative décrit l’évaluation sur un jeu de test construit avec les experts du domaine, qui précède la mise en service. L’information du client qui dialogue avec un système d’IA relève de l’article 50, paragraphe 1, du règlement (UE) 2024/1689, présenté dans notre fiche sur l’AI Act.

Le premier cas à engager, d’après les acquis de l’enseigne

Nous proposons de partir de ce que l’enseigne possède déjà.

  • Un historique des ventes propre et un stock exact, sans vue client unifiée : la prévision de la demande peut s’engager sans données personnelles, au prix d’une preuve plus lente.
  • Un trafic en ligne soutenu et un catalogue aux attributs renseignés : la recommandation permet des essais courts, une fois les questions de données personnelles instruites.
  • Des fins de saison chargées d’invendus : la tarification de démarque vise le problème, mais sa preuve attend la fin de la saison et ses questions juridiques s’instruisent avant tout essai.
  • Un service client occupé par des demandes répétitives et une documentation tenue à jour : l’assistant se vérifie avant d’être exposé au client.
  • Des promesses de livraison manquées alors que le stock est juste : la logistique se mesure sur l’exploitation courante, face à une période de référence.

Dans chaque situation, un cas s’écarte lorsque sa fondation manque. Une recommandation branchée sur un stock inexact propose des articles absents ; un assistant branché sur une politique de retour que chaque canal rédige à sa manière répond selon la version qu’il trouve.

L’essai lui-même se place sur un périmètre réel et réduit (une catégorie de produits, un groupe de boutiques, un pays) et à distance des temps forts, comme le décrit notre page commerce et luxe : une évolution livrée trop près d’une période chargée attend la suivante.

Insights

À lire sur le sujet

Tous les insights
Numérique et transition énergétique se rejoignent dans les mesures d'un réseau et leurs exigences pour le système d'information

Numérique et transition énergétique se rejoignent sur quatre mesures d'un réseau d'énergie : le comptage, la prévision de consommation et de production, l'équilibre à chaque instant et l'état des équipements. Management Square décrit pour chacune comment la lire, ce qu'elle demande au système d'information et ce qu'elle laisse dans l'ombre.

Lire l'analyse
Marchés publics informatiques, lus dans le code de la commande publique et le CCAG-TIC

Les marchés publics informatiques obéissent au code de la commande publique pour leur préparation et leur passation, et au CCAG-TIC pour leur exécution lorsque le marché s'y réfère. Management Square lit ici ces deux textes : définition du besoin, allotissement, procédures, pièces, vérifications, propriété des résultats et réversibilité, avec ce que chacun laisse au marché.

Lire l'analyse
L'IA dans la banque, un cas d'usage après l'autre

L'IA dans la banque recouvre quatre familles de cas d'usage (relation client, lutte contre la fraude et conformité, octroi de crédit, opérations internes) qui n'exigent ni les mêmes données, ni le même contrôle, ni la même lecture réglementaire. Management Square propose ici des critères pour les choisir et un ordre pour les aborder, des usages qu'une personne relit vers ceux qui pèsent sur la situation d'un client.

Lire l'analyse

FAQ

Questions fréquentes

Une autre question ? Posez-la-nous

Quel cas d'usage de l'IA demande le moins de données personnelles dans le commerce ?

La prévision de la demande peut se construire sans données sur des personnes : elle travaille sur des ventes par article, par lieu et par période, des stocks, des prix et un calendrier commercial. La logistique d'entrepôt s'en passe aussi tant qu'elle s'arrête aux stocks et aux capacités ; l'organisation des livraisons manipule des adresses. La recommandation personnalisée repose sur l'historique de navigation et d'achat d'un client, donc sur des données personnelles soumises au RGPD, règlement (UE) 2016/679.

La tarification dynamique par IA est-elle encadrée par le droit ?

Cet article n'affirme aucune règle sur ce point : il recense les questions qu'une enseigne pose à ses juristes avant un essai. Un prix peut-il différer d'un client à l'autre, et sur quels critères ? Le client doit-il être informé qu'un prix a été personnalisé par un traitement automatisé ? Comment s'établit le prix de référence d'une annonce de réduction lorsque le prix a varié ? Les réponses dépendent des textes en vigueur et de la manière dont le système fixe les prix.

Quand sait-on si un cas d'usage d'IA fonctionne dans le retail ?

Au terme du cycle de la décision que le système éclaire. Une prévision se compare aux ventes à l'horizon où la commande a été passée, une démarque se juge à la fin de la saison, une recommandation dès qu'un essai comparatif en ligne a réuni assez de visites. Un assistant de relation client se vérifie avant sa mise en service, sur un jeu de questions dont les réponses sont connues, puis en exploitation.

Un projet à faire aboutir ?

Un premier échange suffit pour situer votre enjeu, identifier les bons interlocuteurs et vous dire franchement ce que nous pouvons apporter.