)
)
)
)
)
)
Roberto Cavalli réduit son cycle d'achat de 85 % et ses ruptures de stock de 75%
)
)
43%
Réduction du nombre de SKU
85%
Réduction du cycle d'achat
75%
Réduction du taux de rupture
Le processus d'achat collection de Roberto Cavalli reposait sur l'intuition, des fichiers manuels et des décisions prises canal par canal.
Chaque saison, les équipes devaient reconstituer une vision globale à partir de données fragmentées, avec une visibilité limitée sur les performances passées, les reports de collection, les meilleures ventes ou la demande par SKU et par point de vente.
autone a donné à l'équipe Merchandising un espace de travail centralisé, combinant prévisions pilotées par l'IA, historique des ventes et recommandations boutique par boutique sur le Retail et l'E-commerce.
Résultat : une réduction de 85 % du cycle d'achat, un assortiment allégé de 43 % en nombre de SKU, et un taux de rupture ramené de 20 % à 5 %.
Moins de SKU inutiles. Des décisions plus rapides. Un achat collection plus performant.
La marque
Roberto Cavalli est une maison de mode de luxe italienne reconnue pour ses imprimés audacieux, ses codes créatifs distinctifs et sa forte présence mondiale sur le prêt-à-porter, les accessoires et les collections lifestyle.
Avec un réseau retail mêlant boutiques en propre et E-commerce, la marque gère des collections saisonnières complexes sur plusieurs canaux et points de vente.
)
Pourquoi autone ?
Pour Roberto Cavalli, un meilleur reporting ne suffisait pas. La marque cherchait à transformer les performances des collections passées en achats futurs plus précis, tout en alignant le Retail et l'E-commerce sur une même logique d'achat.
Le module Buying d'autone a donné à l'équipe un accès structuré à l'historique des ventes, aux meilleures ventes par catégorie, aux analyses de reports de collection et aux prévisions par SKU et par localisation, le tout dans un seul workflow.
Au lieu d'acheter large pour couvrir l'incertitude, l'équipe pouvait identifier quels produits, tailles et quantités présentaient le meilleur potentiel commercial, canal par canal et point de vente par point de vente.
)
De la taxonomie au scoring : des prévisions d'achat enfin pilotées par la donnée
Le challenge
Avant autone, l'achat collection reposait largement sur l'intuition. L'équipe ne disposait pas d'un moyen structuré pour connecter chaque nouvel achat aux résultats des collections précédentes.
L'analyse des meilleures ventes par catégorie, les performances de report de collection et la demande par SKU et par point de vente étaient soit indisponibles, soit difficiles à consolider. La réponse la plus sûre était donc souvent d'acheter large. Cela a conduit à des collections de plus de 700 SKU, avec de nombreux produits enregistrant zéro vente avant démarque.
Les fichiers Excel et les échanges par email portaient une grande partie du processus, sans référentiel de données central et sans système capable de transférer les apprentissages d'une collection à l'autre. Le Retail et l'E-commerce prenaient également leurs décisions d'achat séparément, ce qui créait de fréquents désalignements entre canaux.
La solution
autone a centralisé toutes les données d'achat de Roberto Cavalli dans une seule plateforme. L'équipe Merchandising accède désormais à l'historique des ventes, aux modèles de prévision, aux analyses de performance et aux données par SKU et par point de vente, sans collecte ni réconciliation manuelle entre fichiers.
Chaque nouvelle collection est planifiée en s'appuyant sur les performances des collections précédentes, les meilleures ventes par catégorie, les analyses de reports et les prévisions par point de vente. L'assortiment a ainsi été rationalisé de plus de 700 SKU à environ 400, avec un focus renforcé sur les tailles centrales et les références éprouvées.
Le Retail et l'E-commerce travaillent désormais à partir des mêmes données et du même cadre stratégique, ce qui renforce la cohérence entre canaux sur l'ensemble des décisions d'achat.
« L'impact d'autone sur nos équipes a été radical. Remplacer les fichiers manuels par des prévisions pilotées par l'IA nous a permis de réduire notre cycle d'achat de 3 semaines à seulement 3 jours, soit une réduction de 85 % du temps de cycle d'achat. »
— Daniele Riggi, Director Data Insights, Roberto Cavalli
Résultats
L'allocation est également devenue plus précise. Roberto Cavalli est passé d'un modèle 80/20, où 80 % du stock était envoyé en boutiques en début de saison, à un modèle 30/70, avec 70 % du stock conservé centralement en entrepôt.
Les boutiques reçoivent désormais les quantités et les tailles correspondant à leurs prévisions de vente, tandis que le stock est distribué sur des drops planifiés plutôt qu'envoyé en masse dès le départ. Cela donne plus de flexibilité à l'activité et renforce la capacité de fulfillment E-commerce tout au long de la saison.
Réduction du nombre de SKU
La collection est passée de plus de 700 SKU à environ 400. Moins de SKU inutiles a permis à l'équipe de se concentrer sur les tailles centrales, les références éprouvées et les produits à plus fort potentiel commercial.
Réduction du cycle d'achat
Le cycle d'achat est passé de 3 semaines à 3 jours. Avec les prévisions, l'historique des ventes et les recommandations par SKU et localisation disponibles en un seul endroit, l'équipe consacre moins de temps à collecter des informations et plus de temps à décider.
Réduction du taux de rupture
Les ruptures de stock sont passées de 20 % à 5 %. Des prévisions plus précises et une allocation au niveau de chaque point de vente permettent aux boutiques de recevoir les quantités et les tailles correspondant à leurs prévisions de vente.
)
)
)
)
)
)
Prêt pour des stocks qui se gèrent bien ?
Tant mieux, car on vous a gardé la meilleure place.
){kind=icon}
){kind=icon}