Pourquoi les données dans la mode sont-elles si notoirement mauvaises ? Les défis sont bien connus et souvent attribués à l'opacité et à la complexité des chaînes d'approvisionnement de la mode.

Pour mieux comprendre pourquoi les chaînes d'approvisionnement de la mode sont complexes, imaginons l'assemblage d'une voiture par rapport à la création d'une chemise.

Les étapes impliquées dans l'assemblage d'une voiture sont restées largement inchangées au fil des ans, avec une production centralisée et des matériaux cohérents (avec de rares exceptions). En ce qui concerne une chemise, cependant, l'approvisionnement en matériaux peut être dans un état de flux constant. La plupart des chaînes d'approvisionnement des vêtements sont externes aux entreprises qui vendent la chemise finie à nous en tant que consommateurs, ce qui signifie une visibilité limitée sur les conditions de travail sur les sites de fabrication.

Dans cet article, nous plongeons dans les divers obstacles liés aux données rencontrés par l'industrie : la gestion des données hétérogènes, le manque de définition dans les niveaux et les fonctions, la rareté des données locales, et enfin, le manque de normes de qualité des données. Les problèmes d'identification, de collecte et de traitement des données sont rarement discutés. Mais ils devraient être un point de départ pour créer une stratégie significative qui inclut des étapes réalisables pour répondre aux obligations croissantes de diligence raisonnable et de reporting. 

Données hétérogènes

Un défi majeur réside dans la nature hétérogène des formats de données. Même au sein de la même entreprise, un manque de normalisation des formats de données peut rendre laborieux l'établissement de liens et la définition de corrélations entre les ensembles d'informations. Ce problème est aggravé par la dépendance à l'entrée manuelle de données, où les agents locaux sont laissés à encoder des informations, ce qui entraîne des divergences et des incohérences.

Manque de définition dans les niveaux et les fonctions

Un autre défi concerne la tentative de visualiser et de différencier les données de la chaîne d'approvisionnement par fonctions des fournisseurs (souvent appelées niveaux). 

Les fonctions complexes impliquées dans la fabrication de produits de mode signifient qu'un fournisseur peut être impliqué dans différentes tâches qui ne font pas partie du même 'niveau', rendant souvent difficile la création de représentations visuelles complètes. Ce manque de clarté autour des fonctions des fournisseurs peut entraver l'identification et l'atténuation des risques liés à chaque niveau particulier. 

Rareté des données locales

Une rareté de données frappe les échanges domestiques dans les chaînes d'approvisionnement de la mode. Bien que les données sur les flux de commerce international soient généralement facilement disponibles, et même en source ouverte, il peut être difficile de suivre les mouvements et les transactions entre les fournisseurs à l'intérieur du même pays. 

Même lorsque des données locales sont disponibles, des barrières linguistiques existent souvent encore. Les documents présentés dans des langues locales avec des caractères différents de l'alphabet latin doivent passer par un processus de translittération qui peut altérer le sens original prévu, exacerbant le défi de la compréhension des sources de données non anglophones.

 Manque de normes de qualité des données

Le manque de normes de données signifie que ce qui peut souvent être rencontré est de mauvaise qualité, avec des inexactitudes et des informations obsolètes dues à des facteurs tels que des changements fréquents de noms parmi les fournisseurs et les entreprises. La nature dynamique de l'industrie rend difficile le maintien d'une base de données précise et à jour, posant des obstacles aux entreprises de mode qui dépendent des données des fournisseurs.

Comment les entreprises technologiques répondent-elles à ces défis ? 

Il est évident qu'une approche interdisciplinaire est cruciale pour comprendre et révolutionner la gestion de la chaîne d'approvisionnement dans l'industrie de la mode. 

Par exemple, une solution convaincante qui prend de l'ampleur est le concept de ‘jumeaux numériques’. Certaines marques de mode adoptent déjà cette approche innovante en créant des répliques virtuelles dynamiques d'environnements réels. Cela leur permet de prédire les risques et d'anticiper les résultats dans diverses conditions, conduisant à de meilleures capacités de surveillance.  

Chez Bendi, nous sommes à l'avant-garde de la résolution de ces défis de données en utilisant un apprentissage automatique de pointe en plus de notre expertise en matière de données. Nous développons des méthodes pour des dépistages continus du travail forcé et d'autres risques liés aux droits de l'homme à travers les lieux des fournisseurs en s'appuyant sur des connaissances contextuelles et en analysant des événements historiques.

Grâce à des efforts collaboratifs et un engagement à tirer parti de la technologie, nous pouvons façonner une industrie de la mode plus résiliente et responsable, en intégrant la transparence à chaque étape.

Si vous êtes intéressé à en savoir plus, restez à l'écoute pour nos e-books et webinaires sur la science des données à venir.

Photo par Alina Grubnyak