Quand est-il utile de mettre en œuvre la recherche de l’étagère de vos produits basée sur l’intelligence artificielle?


L’énorme rythme de développement de la technologie de reconnaissance d’images au sein de l’intelligence artificielle a rendu les outils d’analyse automatique des rayons des magasins, fonctionnant depuis plusieurs années, beaucoup plus accessibles aux producteurs et aux agences. Le transfert de données dans les réseaux cellulaires, la qualité des photos prises avec les smartphones et, enfin, la rapidité du traitement des données et la restitution des résultats d’analyse ont cessé d’être des obstacles à la mise en œuvre de technologies basées sur un apprentissage approfondi des réseaux de neurones. Pourtant, de nombreux directeurs de vente et directeurs informatiques se demandent s’il est judicieux de mettre en œuvre une technologie aussi avancée?

Le remplacement de l’examen manuel des paramètres d’exposition – dans la dimension de base (présence, orientation), la plus complexe (participation au rayon, participation à la catégorie, concurrence) ou très avancée (blocage de produit, UGS et catégorie de voisinage, y compris propre et concurrence) , libère d’énormes quantités de temps et de ressources personnelles. D’autre part, l’automatisation inspire le saut dans l’analyse et la gestion d’entreprise en eau profonde à travers des objectifs – et en temps réel. Imaginez tous les rapports transversaux que nous n’avons jamais créés par manque de données ou par crainte de mauvaise qualité!

Étant donné que sur la base d’une analyse d’exposition intelligente, vous pouvez tirer des conclusions pour un magasin et un employé, par segments, équipes, régions, au niveau des stratégies commerciales, des promotions centrales et des hypothèses de marketing commercial ou de politique RH, nous avons affaire à une différence qualitative pour laquelle de nombreux gestionnaires les ventes attendent depuis de nombreuses années. Cependant, ce qui est très important, non seulement la quantité, mais également la qualité et la fiabilité des données jouent un rôle tout aussi important. Les ressources des informations collectées et la possibilité de leur traitement ultérieur (analyse rétrospective d’indicateurs non étudiés, par exemple) constituent un avantage concurrentiel susceptible d’affecter le succès dans une catégorie donnée ou sur un marché spécifique.

Un investissement dans une solution intelligente telle que eLeader Shelf Recognition AI est une décision de participer à un projet nécessitant de lier une partie non négligeable de vos ressources. Outre les personnes impliquées dans la mise en œuvre des fonctionnalités du système et dans l’établissement de règles et de critères (indicateurs clés de performance pertinents pour les tests d’exposition, quelle que soit la technologie dont nous disposons, cela vaut toujours la peine de le faire), nous avons également besoin de temps pour apprendre au réseau de neurones à reconnaître les produits.

Pour que le processus se déroule bien et que le retour sur investissement soit satisfaisant, nous vous recommandons d’effectuer une « analyse » de base, pour laquelle il suffit en principe de connaître l’aspect des produits, en particulier les étiquettes de leurs emballages. Vous trouverez ci-dessous des instructions de base qui vous aideront à déterminer si l’analyse automatisée vous intéresse.

Alors envisagez de mettre en œuvre eLeader Shelf Recognition AI si vos produits:

• possede un emballage;
• l’emballage a des formes permettant de les isoler de l’environnement;
• les étiquettes d’emballage se distinguent facilement de leurs concurrents, surtout si elles diffèrent au sein de la marque et de la catégorie;
• vous vendez des produits dans un circuit moderne et les placez sur des étagères, par exemple conformément au listing (contrat d’étagère);
• vous vendez des produits dans le circuit traditionnel en utilisant des normes de marchandisage ou des planogrammes.

Si la réponse à la plupart des questions ci-dessus est affirmative, les conditions de base pour l’introduction de l’automatisation dans l’étude des étagères sont réunies. Le projet a donc le feu vert. Toutefois, si les points ci-dessus ne sont pas passés avec succès, il serait peut-être préférable de s’en tenir aux méthodes traditionnelles, en mettant particulièrement l’accent sur la possibilité d’introduire la stratégie de magasin parfait au sein d’indicateurs de performance clés simples et facilement mesurables (présence de produits, faces, numéros de stock, etc.). Cela permettra non seulement une mise en œuvre plus efficace de la stratégie sur le terrain, mais fournira également une base solide pour une analyse fiable à l’aide d’outils d’aide à la décision capables de traiter de grandes quantités de données circulant de manière cyclique et provenant de nombreuses sources.

Quand l’audit manuel d’étagère s’avère plus efficace?

• s’il s’agit de produits sans emballage, en vrac ou lourds à isoler de l’environnement (par exemple, pain, gâteaux);
• lorsque les produits sont vendus en petites quantités dans un environnement inhabituel (par exemple, salle d’exposition automobile, stands personnalisés);;
• quand vous êtes un fabricant de miroirs ;).

Bien entendu, il est toujours utile d’envisager de modifier la stratégie de marketing commercial et d’introduire au moins une catégorie de produits dont les emballages répondent aux critères de qualification positive pour le projet d’analyse par intelligence artificielle.

Il convient de noter ici que les réseaux de neurones « voient » les produits de manière très similaire à la façon dont l’œil humain les perçoit. Par conséquent, la thèse justifiée que les caractéristiques de l’emballage qui ne permettent pas de le séparer de l’environnement ou de le distinguer des autres produits est un signe qu’il faut améliorer quelque chose pour que les consommateurs puissent enfin mieux le voir dans les magasins.

Quels sont donc les défis auxquels sont confrontées les ventes à l’ère de la numérisation galopante et de la conquête du marché de l’intelligence artificielle? Il est certainement utile au moins de prendre en compte la possibilité d’utiliser une technologie qui élimine les erreurs et les erreurs propres à la perception et à l’endurance humaines, tout en tenant compte du fait que l’environnement commercial et la concurrence font face à des défis similaires et cherchent des solutions. La technologie basée sur l’apprentissage en profondeur n’est certes pas à la portée de tous, mais il s’avère souvent que, malgré la difficulté apparente, il n’existe aucune contre-indication à l’utilisation d’une analyse intelligente (par exemple, le réseau neuronal eLeader – Ala, qui fonctionne bien dans le cas des bouteilles rondes ou des emballages de chips).

Si vos produits remplissent les conditions requises pour être reconnus à l’aide de technologies modernes, vous devez évaluer la possibilité de mettre en œuvre l’eLeader Shelf Recognition AI au niveau de la stratégie et de l’équipement (rappelez-vous qu’il s’agit d’un système de vaisseaux connectés lorsqu’il s’agit de fonctionnalités telles qu Perfect Store, RAO ou le reporting avancé. type BI). Pour acquérir des connaissances pertinentes, il est préférable de contacter l’analyste eLeader, qui vous aidera à pré-évaluer les possibilités de mise en œuvre et à qualifier le projet pour une analyse approfondie, ou à recommander des solutions alternatives permettant une mise en œuvre satisfaisante de la veille stratégique et un magasin parfait dans votre organisation.

EN SAVOIR PLUS SUR ELEADER SHELF RECOGNITION AI

Lire aussi:

Bataille aux neurones, ou l’Intelligence Artificielle dans le retail

Perdez des kilos avec Perfect Store !

NUTRICIA confie à eLeader le déploiment d’un projet international