En marketplace, le risque le plus coûteux n’est pas “de ne pas vendre”. Le risque, c’est de vendre beaucoup… un produit qui détruit la marge. Ce scénario est fréquent et pervers : les dashboards se remplissent de chiffres positifs (ventes, CA, sessions, Buybox) pendant que la rentabilité s’érode à petit feu.
Pourquoi ? Parce que les marketplaces fragmentent la réalité économique. Les frais arrivent sous forme de transactions séparées, la logistique varie selon le canal, les retours sont différés, la publicité est agrégée à la campagne, et les promos s’empilent. Résultat : un SKU peut être “top ventes” et être en marge nette négative.
À grande échelle, ce n’est plus une erreur ponctuelle. C’est une fuite structurelle : quelques SKU non rentables, multipliés par des milliers de commandes, absorbent le profit généré par le reste du catalogue.
La solution n’est pas de “faire un rapport”. La solution, c’est de détecter automatiquement ces produits non rentables, au bon niveau (SKU/canal/pays), et de déclencher des actions : pricing, promo, ads, stock, ou délistage.
Avant d’automatiser la détection, il faut définir ce que vous appelez “non rentable”. Sinon, vous allez générer des alertes qui ne correspondent pas aux décisions possibles.
Prix de vente - coût d’achat < 0. C’est rare dans les organisations structurées… mais ça arrive (erreurs de coûts, repricing agressif, promo cumulée). Détection simple, mais insuffisante : beaucoup de produits ont une marge brute positive et restent non rentables.
Après commissions + logistique + retours attendus (et parfois frais de paiement). C’est le niveau le plus utile pour automatiser l’action, car il reflète une réalité “par commande” et permet de corriger (prix, logistique, canal).
Marge de contribution - ads - promos seller-funded - coûts alloués. Très utile si vous investissez beaucoup en ads/promo, mais plus dur à attribuer parfaitement au SKU. Cela n’empêche pas de faire une estimation (allocation par SKU/canal/période).
Certains produits sont positifs sur le papier mais détruisent la trésorerie : stock immobilisé, retours élevés, délais de versement, coûts ads payés avant encaissement. Ce n’est pas “non rentable” au sens strict, mais c’est “non soutenable”. À l’échelle, c’est un signal à intégrer (scoring).
Dans la plupart des organisations, un système de détection automatique doit être construit sur : marge de contribution (signal principal) + marge nette estimée (si ads/promo) + signaux de cash.
La détection automatique ne peut pas fonctionner si votre marge est calculée au mauvais niveau. La vérité en marketplace se trouve au niveau de la ligne de commande (orderLine), puis se consolide en SKU et en canal.
Un modèle actionnable (et réaliste) :
Marge de contribution (orderLine) = Revenu net vendeur - COGS (coût d’achat réel, historisé) - Frais marketplace (commission + frais fixes + services) - Logistique (prépa + shipping + fulfilment + emballage + stockage variable) - Coût retours attendu (taux_retour_SKU_canal × coût_moyen_retour_canal)
Puis : marge SKU/canal = somme(marge orderLine) / unités, + profit total. Et vous gardez aussi la décomposition (frais/logistique/retours) pour expliquer les alertes.
Sans cette granularité, vous ne pouvez pas distinguer : un SKU non rentable “sur Amazon” mais rentable “sur Fnac”, ou non rentable “en Allemagne” mais rentable “en France”. Et donc vous ne pouvez pas agir correctement.
La plupart des reportings ratent les produits non rentables pour quatre raisons.
Les retours et concessions apparaissent après la vente. Les corrections marketplace arrivent sur les versements suivants. Si vous calculez à J+0, vous surestimez la marge des SKU à risque.
Ads au niveau campagne, stockage au niveau mois, pénalités au niveau compte vendeur. Si vous ne les allouez pas avec une règle, vous aurez des marges “propres” mais fausses.
Un coût moyen peut masquer un lot acheté plus cher. Vous pensez que le SKU est rentable, mais sur le lot actuel vous perdez.
Marge globale, marge marque, marge canal : c’est utile pour la direction, mais cela ne détecte pas les SKU “trous noirs”. La détection automatique exige une vue SKU/canal.
Corriger ces points, ce n’est pas “refaire tout le SI”. C’est structurer un modèle canonique et une stratégie d’allocation de coûts, puis automatiser la production de signaux fiables.
Avant de parler algorithmes, il faut connaître les causes racines. Un bon système de détection ne se contente pas de dire “non rentable” : il indique pourquoi.
Catégorie mal mappée, variation pays, frais spécifiques : la commission “moyenne” ment.
Volumineux, surcharges, zones, promesses plus rapides, stockage : le coût explose à l’échelle.
Taille, compatibilité, fragilité, attentes client : un taux de retour peut effacer la marge.
Coupon + deal + baisse de prix + remise auto : le net vendeur chute sans que l’équipe le voie.
Le SKU “vend” grâce à la pub, mais le coût d’acquisition dépasse la contribution.
Spirale de prix, concurrence irrationnelle, prix plancher basé sur marge brute.
Hausse fournisseur, devises, frais import : coût réel > coût système.
Remboursements partiels, gestes commerciaux : coût différé, souvent invisible au départ.
Configuration pays, règles spécifiques : la marge nette par pays est faussée.
Annulations, pénalités, perte de performance : coût direct + coût d’opportunité.
SKU lents en fulfilment : stockage et surcharges détruisent la marge.
Mauvaise comparaison (reconditionné, bundle, livraison incluse) → baisse de prix inutile → marge détruite.
La première couche d’un système de détection automatique est souvent la plus efficace : des règles de seuils. Elles ne sont pas “intelligentes” au sens ML, mais elles stoppent 80% des pertes.
Si la marge de contribution unitaire devient négative sur un SKU/canal, vous déclenchez une alerte critique. Mais attention : une vente isolée peut être bruitée (frais exceptionnels, retour atypique). Il faut donc aussi regarder : moyenne glissante (7 jours) + volume minimum.
Un SKU peut être légèrement positif unitairement, mais perdre en total à cause des ads et promos, ou d’un coût de retour. Déclenchez une alerte quand le profit total d’un SKU/canal passe sous un seuil.
Si le prix descend sous le prix plancher net (calculé avec coûts complets), vous devez empêcher la vente : augmenter le prix, geler le repricing, ou délistage temporaire. Sinon, l’outil de repricing peut industrialiser la perte.
Les règles de seuils ont un énorme avantage : elles s’expliquent facilement et déclenchent des actions immédiates. Leur limite : elles réagissent. Pour anticiper, il faut une couche de scoring et d’anomalies.
Un bon système ne détecte pas seulement “non rentable”. Il anticipe les SKU susceptibles de devenir non rentables. C’est le rôle d’un score de risque.
Le principe : vous calculez un score 0-100 basé sur des signaux structurels :
Vous n’avez pas besoin d’un modèle ML complexe pour commencer. Un scoring pondéré suffit souvent, tant qu’il est cohérent et calibré. L’intérêt : vous pouvez prioriser vos actions. Une entreprise ne peut pas “optimiser tout le catalogue”. Elle doit savoir où regarder.
Le scoring transforme la détection en pilotage : vous voyez les SKU à risque avant qu’ils ne basculent en marge négative, et vous intervenez (prix, logistique, promo, ads, contenu, assortiment).
Une autre cause majeure de pertes : les dérives soudaines. Un SKU rentable hier peut devenir non rentable aujourd’hui suite à : un changement de frais, une surcharge logistique, une erreur de mapping, une promo activée, une concurrence irrationnelle, ou une hausse de coût d’achat.
La détection d’anomalies vise à repérer ces changements rapidement. Les signaux utiles :
Techniquement, on peut faire simple : z-score, seuils sur variations, contrôle des quantiles, comparaison à une baseline glissante. L’objectif n’est pas d’avoir la “meilleure IA”. L’objectif est d’avoir un système qui crie quand un SKU commence à saigner.
Et surtout : l’anomalie doit être explicable. “Marge -3€” n’aide pas. “Marge -3€ car frais fulfilment +1,40€ et coupon -10% activé” déclenche une action.
Détecter “non rentable” est utile. Mais pour agir vite, il faut localiser la fuite. C’est la logique “profit leakage” : décomposer l’écart de marge.
Pour chaque SKU/canal, conservez une décomposition de la marge :
Ensuite, pour une période donnée, calculez : contribution de chaque poste à la baisse de marge. Exemple : “Ce SKU a perdu 2,10€ de marge unitaire, dont 1,30€ vient du shipping, 0,50€ du coupon, 0,30€ des ads.”
C’est ce diagnostic qui rend l’automatisation utile : vous ne déclenchez pas la même action si la fuite vient des retours (contenu, qualité, assort), du shipping (logistique, packaging, carriers), des ads (bid, ciblage), ou des promos (stop empilement).
Un système de détection n’est pas un système de décision si l’action reste manuelle. L’objectif est de réduire le délai entre “le SKU devient non rentable” et “on arrête de perdre de l’argent”.
Voici une matrice d’actions automatisables.
Si marge contribution < 0 : geler le repricer, remonter au prix plancher net, activer stop-loss, réduire vitesse de baisse. Objectif : stopper l’hémorragie.
Si empilement détecté : désactiver coupon/deal, ou réduire la réduction totale. Objectif : remonter le net vendeur.
Si coût ads par commande > plafond contribution : réduire bids, exclure le SKU des campagnes, basculer en défensif. Objectif : arrêter d’acheter du volume non rentable.
Si la fuite vient du shipping/fulfilment : basculer FBM ↔ fulfilment, modifier packaging, changer transporteur, revoir zones. Objectif : réduire le coût variable.
Si un SKU est rentable sur un canal et destructeur sur un autre : prioriser le stock sur le canal profit, limiter le stock sur le canal volume. Objectif : éviter la cannibalisation et protéger le profit.
Si marge < 0 + volume élevé + cause non résolue : délistage temporaire, ou passage “out of stock” contrôlé, le temps de corriger (mapping frais, prix, contenu, qualité). Objectif : arrêter les pertes quand l’analyse n’est pas terminée.
Important : toutes ces actions doivent être “réversibles” et tracées. Vous devez pouvoir expliquer pourquoi un SKU a été gelé, et comment il est réactivé.
L’automatisation sans gouvernance crée un autre risque : un système qui coupe des produits sans cohérence business. Il faut donc définir des niveaux de décision.
Ex : marge contribution < 0 pendant X heures sur volume > N → stop-loss prix + gel promos. C’est de la protection.
Ex : réduction ads, bascule logistique, allocation stock. Le système propose, un humain valide en 2 minutes.
Ex : délistage permanent, changement assortiment, renégociation fournisseur, repositionnement pricing. Ces décisions touchent au portefeuille, pas seulement à la machine.
Le rituel simple qui marche : une revue hebdomadaire “profit leakage” : top pertes, top risques, décisions. L’automatisation gère l’urgence ; l’humain gère la stratégie.
Pour détecter automatiquement, il faut une donnée automatique. Donc une architecture qui tient à l’échelle.
Briques nécessaires :
Sans replays et supervision, vous aurez des alertes “fantômes”. Avec replays, vous corrigez votre modèle et vous voyez immédiatement l’impact. C’est ce qui différencie un système “reporting” d’un système “pilotage”.
Détection : marge contribution faible + coût ads/commande élevé + coupon actif. Action : couper coupon, plafonner bids, rebaser prix plancher net. Remédiation : re-segmenter SKU en acquisition (budget explicite) ou profit (ads défensives).
Détection : fuite logistique dominante. Action : bascule modèle logistique, ajuster packaging, revoir prix canal. Remédiation : long tail → FBM, et protéger le stock sur canaux plus profit.
Détection : marge chute sur tous les canaux simultanément, sans changement de prix. Action : mise à jour coût historisé, recalcul planchers nets, repricing défensif. Remédiation : renégocier, augmenter prix, ou réduire exposition.
Détection : hausse taux retour SKU/canal, marge bascule négative, volume stable. Action : ajuster contenu (compatibilité, tailles), durcir conditions, revoir promesse, tester prix plus haut. Remédiation : si canal structurellement “retours”, limiter l’exposition.
Détection : frais marketplace/unités anormalement élevés vs historique. Action : corriger mapping, demander ajustement si applicable, recalcul période (replay). Remédiation : supervision sur variation frais pour détecter ces erreurs dès J+1.
Détecter automatiquement les produits non rentables, ce n’est pas “faire du reporting”. C’est construire un pare-feu de marge : un système qui voit la perte en temps quasi réel, explique la cause, et déclenche l’action avant que le volume ne l’amplifie.
Nous accompagnons les opérateurs et les vendeurs dans la création, la gestion et l’évolution de leurs marketplaces. Notre mission : construire un écosystème performant, fluide et durable, où technologie et stratégie avancent ensemble.
Vous préférez échanger ? Planifier un rendez-vous
Centralisez vos commandes marketplace avec un OMS clair et fiable : statuts unifiés, expéditions traçables et retours maîtrisés pour une exécution logistique sans friction.
Vendre sur plusieurs marketplaces augmente les ventes, mais révèle des coûts cachés : commissions, logistique, retours, TVA, publicité. Ce guide explique comment mesurer, fiabiliser et piloter vos marges pour préserver durablement la rentabilité.
Le chiffre d’affaires augmente, mais la marge nette stagne : commissions, publicité, promotions, logistique, retours et TVA. Ce guide montre comment analyser la rentabilité par SKU et canal, puis activer des leviers concrets sans freiner la croissance.
Encaissements décalés, commissions, publicité, retours, remboursements, TVA et stock immobilisé pèsent sur la trésorerie. Ce guide analyse les causes réelles et propose un plan d’action concret pour restaurer le cash sans ralentir durablement la croissance.
Nous accompagnons les opérateurs et les vendeurs dans la création, la gestion et l’évolution de leurs marketplaces. Notre mission : construire un écosystème performant, fluide et durable, où technologie et stratégie avancent ensemble.
Vous préférez échanger ? Planifier un rendez-vous
