Achats
Un plan d’achat validé par le directeur du réseau en une seule revue.
Aurélien
Le détaillant
Un détaillant premium contemporain de 14 magasins, trois acheteurs, cinq mille cinq cents SKU.
Notre détaillant exploite 14 magasins en France sur le segment lifestyle apparel premium contemporary. L'équipe est structurée : une équipe achat de 3 personnes, plus un responsable merchandising dédié, avec environ 5 500 SKU en saison.
La stack est standard pour le secteur — Polaris comme socle de gestion retail, Shopify pour l'e-commerce, et Excel comme liant entre tout le reste. Cela fonctionne. Jusqu'au moment où cela ne fonctionne plus.
"Chaque saison ressemblait à un saut dans l'inconnu. Nous achetions ce que nous espérions vendre."
— Acheteur principal
Contexte
Après une année difficile, une équipe achat confrontée à une réduction budgétaire.
Printemps 2025. Après deux saisons consécutives avec un sell-through au plein prix décevant, la direction avait demandé aux acheteurs de réduire de 12 % l'open-to-buy de la saison suivante. La pression était réelle : un troisième échec consécutif obligerait l'entreprise à repenser son plan d'expansion pour 2026.
L'équipe disposait de dix semaines pour préparer un achat plus réduit, plus précis. Des volumes plus faibles laissaient moins de marge d'erreur. Chaque catégorie, chaque fournisseur, chaque niveau de magasin devait être remis en question.
Le playbook de l'équipe — fondé sur l'intuition des seniors et sur l'année dernière plus ou moins X — ne résisterait pas à l'examen cette fois-ci.
La problématique
La donnée existait. Elle n’arrivait simplement jamais jusqu’à la table d’achat.
Les rapports de sell-through étaient extraits chaque mois, par catégorie, dans des exports Excel agrégés qui prenaient deux jours de travail à produire. Au moment où l’équipe les analysait, trois semaines s’étaient écoulées et les conclusions étaient déjà en partie obsolètes.
Pire encore : les rapports étaient agrégés au niveau catégorie, jamais par SKU et par magasin. Une veste best-seller à Paris pouvait rester en rayon à Lyon pendant des semaines, mais l’Excel ne voyait qu’« les vestes se vendaient correctement sur l’ensemble du réseau. » L’acheteur n’avait aucun moyen d’identifier les patterns qui comptaient.
Le problème se manifestait à trois endroits :
Achats année N-1 + X, pilotés par des tendances catégorie plutôt que par des faits au niveau SKU.
Aucun signal au niveau magasin, avec le même achat appliqué à tous les magasins, sans tenir compte des performances locales.
Rapprochement manuel, chaque réunion commençant par déterminer quel fichier Excel était le bon.
L’équipe prenait des décisions sur une donnée techniquement disponible, mais opérationnellement invisible.
La solution
Un achat saisonnier construit sur ce qui s’est réellement vendu, là où cela s’est réellement vendu.
Solya a unifié deux ans de données de sell-through entre magasins, canaux et catégories — avec une granularité SKU × magasin × semaine. Pour la première fois, l’équipe achat pouvait ouvrir un dashboard et voir la performance réelle de chaque produit, dans chaque magasin, sur chaque semaine de la saison.
Sur cette base, Solya a construit un plan d’achat recommandé : par catégorie, par fournisseur, par mois, en respectant le nouveau budget -12 %. Chaque recommandation était accompagnée de la donnée qui la justifiait — courbes de sell-through, performance au niveau magasin, SKU similaires issus des saisons précédentes.
2 ans de données unifiées à la granularité SKU × magasin × semaine.
Plan d’achat calculé selon le budget -12 %, les MOQ et le seuil de marge.
Chaque recommandation est traçable jusqu’aux données et aux SKU similaires qui la sous-tendent.
L’équipe n’a pas remplacé son expertise par le modèle. Elle a utilisé le modèle pour challenger ses propres hypothèses — puis s’est engagée sur un plan combinant les deux.
Comment nous avons procédé
Dans la boucle.
Le plan d'achat saisonnier s'est appuyé sur les quatre couches Solya, dans une boucle continue entre les données, les règles et l'équipe achats. Cinq étapes, dix semaines, un plan final.
01 — Ingestion des données.
Solya s'est connectée à Polaris et Shopify, a récupéré deux ans d'historique des ventes, et les a unifiés dans un modèle de données retail unique. Trois jours entre le contrat et la mise en flux des données.
02 — Structurer pour le retail.
Les données de vente ont été réorganisées au niveau SKU × magasin × semaine, avec auto-tagging sur la catégorie, la saison et le stade de cycle de vie. L'équipe pouvait désormais interroger n'importe quelle combinaison, instantanément.
03 — Calculer la vérité.
Les courbes de sell-through, la part au plein tarif et la couverture de stock ont été calculées par SKU et par magasin. Les références à rotation lente, les best-sellers cachés et les tendances au niveau magasin ont émergé pour la première fois.
04 — Recommander l'achat.
Solya a proposé un plan d'achat par catégorie, en respectant le budget de −12 %, les MOQ fournisseurs et le seuil de marge de l'équipe. Chaque recommandation était traçable jusqu'aux données qui la sous-tendaient.
05 — Valider ensemble.
L'équipe achats a examiné chaque catégorie, accepté, ajusté ou outrepassé. Solya a consigné chaque décision et le raisonnement associé. Le plan final était hybride : 70 % des recommandations de Solya, 30 % des ajustements des acheteurs.
Ce qui était auparavant une succession de réunions, d'exports et de rapprochements déconnectés est devenu une seule boucle dans laquelle l'équipe pouvait avoir confiance — et que le directeur réseau pouvait lire d'un seul coup.
Les impacts
Un plan engagé trois semaines plus tôt, validé en une seule revue.
Après la première saison pilotée avec le plan d'achat Solya, les résultats ont été mesurables sur trois axes : vitesse, marge et confiance de l'équipe.
−12% — Réduction de l'OTB absorbée sans perte de volume sur les best-sellers.
70 / 30 — Répartition du plan final : recommandations Solya / ajustements des acheteurs.
2 jours → 3 heures — Temps nécessaire pour actualiser l'analyse de sell-through.
Zéro réunion — Pour savoir quel Excel était le bon.
"La première saison, le directeur réseau ne nous a pas demandé de refaire nos chiffres."
— Acheteur principal
Découvrez d'autres cas d'usage
Une seule plateforme. Chaque décision retail.
Stocks, allocation, tarification, planification, exécution — réunis dans une seule couche opérationnelle.
