Déchiffrer les défis logistiques de la seconde main pour accéder à la rentabilité

L’acquisition de nouveaux clients par le biais du segment de la seconde main est une stratégie payante pour de nombreuses marques de mode (lire notre article dédié), mais au-delà de l’aspect marketing, un défi majeur demeure : comment l’implémentation d’une catégorie Seconde Main peut-elle devenir rentable ?

« Le secteur de la revente parle sans cesse de durabilité et de croissance, mais la réalité opérationnelle est impitoyable », fait remarquer Marcel Melzig, PDG et fondateur de Circular Link, dans un récent rapport titré Resale at Scale: The Operations Bottleneck et publié par Aistetic, une entreprise issue de l’Université d’Oxford et spécialisée en intelligence artificielle. Selon le dirigeant, « la rentabilité par unité est souvent compromise et, avec les droits de douane et les changements réglementaires, de nombreuses entreprises autrefois prospères fonctionnent désormais avec des marges infimes. Le succès repose aujourd'hui sur la rigueur opérationnelle, et non plus sur de simples beaux discours. »

Dans son étude, la société Aistetic liste les points de frictions qui compromettent la rentabilité de la mode de seconde main. Elle met à jour les problèmes fondamentaux qui découlent d’une spécificité de l’inventaire : alors que le commerce de détail traditionnel est basé sur la répétition et l'homogénéité (des milliers de produits identiques), la revente est basée sur la variation infinie.

Cette hétérogénéité complique les opérations. Lorsque les entreprises gèrent les stocks, les étapes logistiques liées à la revente d’un article textile – transport, authentification, mise en vente, etc. – représentent un pourcentage plus important que la valeur totale de l'article. Selon Aistetic ces coûts absorbent 30 à 40 % des marges.

L’IA à la rescousse des tâches physiques

La majorité des acteurs du marché (3 sur 5) identifie la phase de listing – photo, description, mesure, enregistrement de l'article dans le système de vente – comme l'étape la plus limitante. C'est là que le flux de travail ralentit.

Le coût par article pour la mise en ligne est un coût variable qui augmente strictement proportionnellement au volume (si vous traitez 10 fois plus d'articles, il vous faut 10 fois plus de personnel pour le listing). Cependant, la marge de profit (la différence entre le prix de vente et le coût d'achat/traitement) par article, elle, reste stable ou diminue. Cela signifie que la croissance du chiffre d'affaires n'entraîne pas d'économies d'échelle.

L’idée est de cibler les tâches répétitives et manuelles qui doivent être multipliées proportionnellement au volume. Selon les experts d'Aistetic, il est crucial d’automatiser ces tâches, pour permettre à l'entreprise de croître sans augmenter les effectifs (et donc les coûts) de manière exponentielle.

Ici, l’approche recommandée est la combinaison de l'intelligence artificielle avec le jugement humain. Tandis que l'IA gère l'extraction de données, la reconnaissance d'attributs et les mesures à grande échelle, les humains se concentrent sur la validation de la qualité et la gestion des exceptions.

Algorithmes de tarification dynamique

Dans la revente, sur la même plateforme, et le même jour, des articles identiques affichent une variance de prix significative. Cette dispersion conduit à un échec opérationnel puisque l’on peut en déduire que les articles vendus moins chers sont sous-évalués.

Toutefois, le défi ici n’est pas seulement l'unicité. La valeur d'un article d'occasion est multidimensionnelle et dépend de son état, de sa pertinence saisonnière, etc. Dans ce contexte, la tarification est un véritable challenge.

Alors que dans le modèle peer-to-peer, des plateformes comme Vinted tentent de résoudre le problème avec des suggestions de prix algorithmiques ou des recommandations de prix basées sur des articles vendus similaires, le modèle géré en interne (Managed Model) doit éviter la tarification manuelle car elle ne fonctionne pas à grande échelle ainsi que la tarification aléatoire qui détruit les marges. La solution : utiliser des systèmes hautement sophistiqués, avec des politiques de prix basés sur l'état (plus l'état est bon, plus le prix est élevé) et des algorithmes spécifiques à la catégorie.

Dans tous les cas, ajuster les prix en temps réel en fonction de l'offre et de la demande (« dynamic repricing ») est la clé de la vraie rentabilité.

Le mieux est encore de collecter beaucoup de données de transactions passées (historique) pour chaque petite variation d'un modèle d'article. On obtient ainsi des données solides pour la tarification et on évite de « simplement » estimer un prix qui pourrait amener à une tarification incohérente et créer de la confusion pour les acheteurs comme pour les vendeurs.

Miser « local »

L’idée de tout centraliser dans une grande usine (comme dans la fabrication) est attrayante, mais pour des articles de faible valeur comme les vêtements, les coûts de transport pour acheminer les articles sur de longues distances vers ce centre annulent les économies réalisées sur le traitement.

Le principal argument contre la centralisation du traitement des articles tient dans le fait que les coûts de transport et le temps de traitement s'additionnent. Cela réduit la marge (surtout sur les articles de milieu de gamme) et augmente les besoins en fonds de roulement. De plus, les retours d'articles non conformes ou de refus du prix multiplient les transactions déficitaires.

La proximité est plus efficace. Les points de collecte locaux (comme dans les centres commerciaux) fonctionnent mieux que les services distants. Cela réduit les trajets, les coûts de transport, le temps de mise en vente et encourage les consommateurs à déposer leurs articles.