Comment anticiper et estimer les retours produits ?

‍

Pourquoi noyer les retours dans le stock de sécurité crée des angles morts

La pratique courante soustrait un taux de retour supposé de la prévision de demande, ou rallonge le buffer de quelques jours pour « couvrir » les retours. Les deux réflexes écrasent deux questions distinctes dans un seul chiffre.

• Combien de stock garder face à l'incertitude de la demande est une question ?
• Combien d'unités vont physiquement revenir dans votre entrepôt mardi prochain ?

Fondre la seconde dans la première masque précisément l'information dont un planificateur a besoin pour dimensionner son réapprovisionnement.

Le résultat se voit tout de suite : des entrepôts à la fois en surstock (parce que personne n'a déduit les unités déjà dans un camion de retour) et en sous-stock (parce qu'une famille à retours rapides a hérité du même buffer générique qu'une famille à retours lents).

Un flux de retours qu'on ne suit pas comme un chiffre distinct ne peut être ni dimensionné, ni calé dans le temps, ni fiabilisé, et c'est exactement pour ça qu'on continue de le balayer comme du « bruit ».

Le piège des retours fantômes

Voici l'erreur qui fait le plus de dégâts, et elle est assez subtile pour que des équipes aient bâti des process autour sans la voir.

Si vous calculez vos retours attendus à partir de votre prévision de ventes plutôt qu'à partir de ce que vous avez réellement expédié, vous allez prévoir des retours sur des unités jamais vendues, tout simplement parce que l'article était en rupture cette semaine-là.

Exemple : la prévision annonçait 100 unités sorties ; il n'en est parti que 40 ; mais le modèle de retours, aveugle à cet écart, attend toujours le retour de la moitié des 100 fantômes.

Résultat : des entrepôts dimensionnés en personnel et en stock pour des retours qui ne peuvent pas exister.

Le correctif paraît presque trop simple :

• calculez le taux et le délai de retour à partir d'un historique réel appariant ventes et retours (rapprocher chaque commande sortante des retours qui lui sont effectivement revenus)
• puis appliquez ce taux et ce délai au flux sortant contraint, c'est-à-dire au plus petit des deux entre ce qui était réellement disponible à la vente et ce que la prévision annonçait, et non à la prévision seule.

Appliqué à un retailer ou distributeur e-commerce mid-market d'accessoires de mode réparti sur plusieurs entrepôts régionaux, ce seul changement (le flux réel plutôt que la prévision théorique) a fait toute la différence entre un modèle de retours auquel l'équipe pouvait se fier et un modèle qu'elle corrigeait discrètement à la main depuis des années.

Le taux de retour et le délai de retour ne sont pas des constantes universelles

La deuxième erreur consiste à traiter le taux de retour comme un chiffre unique pour tout le catalogue. Il ne l'est pas, et l'écart peut être spectaculaire.

Imaginons un distributeur textile mid-market qui applique une hypothèse de taux de retour unique à toute sa gamme : un basique racheté en continu et une robe de cérémonie achetée pour un seul événement ne reviennent pas au même rythme, et les moyenner produit un chiffre faux pour presque tout ce à quoi on l'applique.

Le délai de retour est tout aussi irrégulier, et il dépend du canal plus que du produit. Une politique de retour peut autoriser deux semaines via la boutique en ligne de l'enseigne et plus de trois mois via une marketplace partenaire, si bien que la même unité vendue le même jour peut revenir à des moments très différents selon l'endroit où la vente a eu lieu. Un calcul de taux et de délai de retour qui ne distingue pas les canaux gomme précisément l'information de calendrier dont un entrepôt a besoin pour planifier sa capacité en réception.

Rien de tout cela n'a à rester une boîte noire. Le taux et le délai de retour se calculent directement à partir de l'historique ventes-retours, à la granularité (référence, famille de produits, canal) que la variabilité impose réellement, et les chiffres obtenus doivent être assez transparents pour qu'un planificateur les explique en une phrase, pas seulement pour qu'il pointe une sortie « décidée par l'IA ». Un planificateur qui hérite d'un modèle de retours qu'il ne sait pas expliquer ne lui fait pas confiance, et un modèle auquel personne ne se fie finit corrigé à la main jusqu'à ne plus tourner du tout.

Quand les retours sont le cœur de métier, pas l'exception

Le retail est le cas le plus courant, mais la même logique va bien plus loin dans les modèles fondés sur la circulation, comme la location de vêtements ou l'abonnement à du matériel, où la vie entière d'une unité est expédition sortante, retour entrant, remise en état, puis nouvelle expédition. Dans ce modèle, le « retour » n'est pas une fuite face à un chiffre de ventes : c'est la moitié du cycle d'exploitation, et la prévision doit tourner sur des volumes de circulation entrants et sortants plutôt que sur une courbe de demande classique par référence. Une entreprise de location de vêtements par abonnement qui aborde ce sujet, par exemple, a besoin que son outil de planification traite les retours entrants comme une donnée de prévision de premier plan dès le premier jour, et non comme une correction appliquée après coup, parce qu'il n'existe tout simplement pas de prévision de demande « normale » à corriger en dessous.

C'est un cas extrême utile à garder en tête même pour un retailer classique : un aperçu de ce qui arrive quand un modèle de retours pensé comme un simple ajout se retrouve à porter un vrai poids opérationnel. Si votre volume de retours représente déjà une fraction significative de votre volume sortant, vous êtes plus proche de ce modèle de circulation que vous ne le pensez, et l'approche « on ajuste le stock de sécurité » est plus près de rompre qu'il n'y paraît.

Transformer la prévision des retours en source d'approvisionnement à part entière

Une fois le taux et le délai de retour correctement calculés, la prévision des retours doit alimenter le réapprovisionnement comme sa propre source d'approvisionnement entrante, à côté de la commande fournisseur externe, et non fondue dedans.

Concrètement, pour une semaine donnée, les unités à commander à votre fournisseur égalent :

• la prévision de demande de la semaine,
• moins les unités déjà présentes en entrepôt,
• moins les unités que votre modèle de retours attend pour cette même semaine.

Omettez ce dernier terme et vous surcommandez systématiquement, puisque vous achetez un stock que vous alliez de toute façon récupérer gratuitement.

Cela change aussi ce qu'un planificateur doit voir au quotidien. Une prévision des retours affichée comme une ligne distincte et visible permet de repérer quand le taux de retour d'un produit dérive, le signe d'un problème de qualité ou de fiche produit qui mérite une escalade, là où un chiffre silencieusement absorbé dans un buffer plus gros ne le montrera jamais. Coupler cette visibilité à une prévision de la demande centralisée et pilotée par l'IA, c'est réconcilier le signal des retours et celui de la demande au même endroit, au lieu de les laisser vivre dans deux tableurs déconnectés que quelqu'un doit recroiser à la main chaque semaine.

Construire un modèle de retours que vous pouvez expliquer à votre direction

L'exigence la plus difficile dans toute discussion sur la prévision des retours n'est pas le calcul, c'est la transparence. Un planificateur à qui l'on demande de défendre un chiffre devant la direction doit pouvoir dire mieux que « c'est le modèle qui l'a décidé ».

Un modèle de retours bâti comme taux de retour × délai de retour × flux sortant contraint est auditable là où un ajustement en boîte noire ne le sera jamais : chaque entrée remonte à un historique réel de ventes et de retours, et chaque sortie peut être recalculée à la main si quelqu'un le demande.

Cette exigence de transparence est au fond la même que celle qui sous-tend le fait de dimensionner le stock de sécurité sur le risque réel plutôt que sur un taux de service uniforme : dans les deux cas, l'objectif est un chiffre qu'un planificateur peut assumer, pas un chiffre qui a simplement l'air raisonnable.

Une prévision des retours bien menée ne remplace pas cette discipline, elle l'étend à l'autre moitié du flux, les unités qui reviennent au lieu des seules unités qui sortent. Laissée sans pilotage, cette moitié entrante se comporte comme une variabilité de la demande qui s'amplifie de façon incontrôlée le long de la chaîne : une petite erreur d'hypothèse sur les retours se propage en entrepôts en surstock, en planification des équipes mal calée et en fausses urgences sur des commandes qui n'auraient jamais dû partir.

Bien modélisée, elle devient une donnée d'entrée comme une autre, de la même façon que le passage du Groupe Lemoine à une optimisation des stocks pilotée par l'IA a transformé un processus de planification fragmenté et recollé à la main en un processus que l'équipe pouvait voir sur tout son réseau et piloter au quotidien.

‍

Prêt à modéliser les retours comme un vrai flux d'approvisionnement, et non comme une approximation du stock de sécurité ? Demander une démo.