Aller au contenu
Marsanne Studio
← Retour à l’accueil
← La veille

Veille par secteur

L’IA dans le commerce et la distribution

Camille, agent retail, pour Marsanne Studio · mis à jour le 23 octobre 2026

Quand les ventes passent par des boutiques en propre, des franchises, un site e-commerce et plusieurs plateformes déléguées ou de dropshipping, rapprocher ces flux pour savoir quoi commander et où devient une opération lourde. Le groupe Casino, qui gère 6 400 points de contact sous sept enseignes, s’appuie sur l’apprentissage automatique pour prévoir la demande dans ce contexte logistique complexe. Chez Monoprix, un outil du même type produit désormais environ 10 millions de prévisions de vente chaque jour, magasin par magasin et produit par produit.

Le regard du studio

Ce qu’on voit le plus souvent dans le retail, notamment dans le retail omnicanal, c’est une immense diversité de sources de données liées à chaque canal de distribution : les boutiques en propre, les boutiques franchisées, e-commerce en propre, toutes les plateformes de e-commerce déléguées, jusqu’aux plateformes de dropshipping, en France, en Europe et dans le reste du monde.

Cette diversité de sources de données est très difficile à consolider pour des actions aussi basiques que piloter les ventes, faire du forecasting ou rééquilibrer les stocks.

On ne parle même pas de reporting financier : on parle déjà de pilotage des opérations, ce qui représente un défi pour beaucoup d’entreprises que nous avons rencontrées et auquel l’IA peut répondre de manière très directe.

Vincent, Marsanne Studio · mis à jour le 23 octobre 2026

Une multiplication des canaux qui complique le pilotage

Une entreprise qui vend en boutique en propre, chez des franchisés, sur son propre site et sur des plateformes déléguées ou de dropshipping produit des données de vente dans des formats et des rythmes différents selon le canal. Chaque plateforme a ses propres références produit, ses propres calendriers de promotion et ses propres règles de remontée d’information, ce qui complique leur rapprochement. Le groupe Casino illustre cette diversité à grande échelle : avec ses enseignes Monoprix, Casino, Franprix, Naturalia, Vival, Spar et Cdiscount, il totalise 6 400 points de contact, dans un contexte logistique qu’il qualifie lui-même de complexe du fait de la multiplicité des enseignes et des points de vente.

Nos fiches : La Revue du Digital

Ce que cela empêche concrètement : piloter les ventes et les stocks

Sans rapprochement des données entre canaux, une entreprise peine à répondre à des questions pourtant basiques : combien vendre où, et comment éviter la rupture en rayon. Le groupe Casino rappelle que l’absence d’un produit en magasin provoque de la frustration chez le client, ce qui justifie d’investir dans la prévision de la demande en complément des algorithmes classiques. LVMH illustre une autre facette du problème : le groupe a choisi de maintenir cloisonnées les données de chacune de ses 75 maisons, chaque maison gardant ses spécificités, tout en construisant une plateforme unique à base de composants partagés pour industrialiser l’IA et l’analytique sans effacer ces différences.

Nos fiches : La Revue du Digital, IT for Business

Comment l’IA rapproche des données hétérogènes pour prévoir la demande

Face à cette complexité, des systèmes de machine learning produisent des prévisions de vente détaillées, magasin par magasin et produit par produit, en intégrant météo, calendrier et opérations commerciales. Chez Monoprix, un tel système calcule environ 10 millions de prévisions chaque jour, sur un horizon de quatorze jours, et a remplacé une moyenne mobile jusque-là corrigée à la main ; il gagne en moyenne 5 points de fiabilité par rapport à l’ancien système. Le cabinet Tredence, qui a bâti des programmes de prévision pour des supermarchés, indique qu’un tel programme a généré près de 200 millions de dollars de valeur chez un client et porté les taux de correspondance de réapprovisionnement au-delà de 90 %.

Nos fiches : Alliancy, Unite.AI

Des entreprises qui industrialisent directement, sans phase pilote

Certaines entreprises passent directement à l’industrialisation sans phase de test isolée. Sonepar fait ainsi descendre l’intelligence artificielle dans ses processus métier avec Microsoft, pour accélérer ses devis et optimiser sa logistique, en poursuivant une démarche de gouvernance de la donnée et de déploiement de plateformes omnicanales déjà menée à l’échelle mondiale par le groupe. Chez Monoprix, l’outil de prévision, d’abord conçu pour une enseigne, a été étendu à Naturalia et reste piloté par les équipes métier, qui doivent encore l’adapter aux fruits et légumes. Plus largement, des agents d’IA en magasin commencent à centraliser les informations sur les stocks et les ventes pour faciliter la décision des équipes, à condition d’être intégrés directement aux applications métier.

Nos fiches : IT for Business, Alliancy, Journal du Net

Ce qu’il faut réunir avant de se lancer

Avant d’automatiser la tarification, les retours ou la synchronisation des catalogues, la rentabilité de l’architecture technique dépend fortement de la qualité des référentiels de données produit, qu’il s’agisse des données clients, des informations produit ou des actifs numériques. Le cabinet Tredence observe que les projets pilotes échouent le plus souvent faute de données fiables, de gouvernance et de responsabilité métier clairement désignée, indépendamment de la technologie choisie. L’interopérabilité entre fournisseurs d’agents et applications métier est également nécessaire pour éviter de recréer de nouveaux silos technologiques à la place des anciens.

Nos fiches : Journal du Net (1, 2), Unite.AI

Les articles cités

Une autre question ?

Claude cherche dans les articles de la veille et vous répond en citant ses sources.

Réponse rédigée par un modèle d’IA (Claude, d’Anthropic) à partir des seuls articles de la veille : vérifiez les chiffres dans les sources. Les questions posées sont enregistrées ;en savoir plus.

Méthode

Texte rédigé le 23 octobre 2026 par un modèle d’IA (Claude Sonnet 5, d’Anthropic) à partir de 80 articles de la veille sur ce thème, publiés entre le 11 septembre 2026 et le 22 octobre 2026. Chaque paragraphe renvoie aux fiches sur lesquelles il s’appuie, et chaque nombre du texte a été retrouvé dans l’un de ces articles avant publication. Le texte est rédigé à nouveau chaque semaine.

Les autres secteurs

Les autres sujets