Jaką półkę chcesz badać?

„Jaką półkę chcesz badać? No przecież tę prawdziwą” — to naturalna, niemal odruchowa odpowiedź. Problem w tym, że „prawdziwa półka” nie jest jedna. Jest ich co najmniej dwie: półka, która faktycznie stoi przed konsumentem, oraz półka, którą widzi twój przedstawiciel handlowy. Te dwie rzadko bywają tożsame, a od tego, którą z nich zdecydujesz się mierzyć, zależy, czy automatyczny audyt ekspozycji przyniesie Ci przewagę, czy frustrację.

Dwie półki: ta, która jest, i ta, którą chcesz widzieć

Przedstawiciel handlowy ma nad aparatem i nad konsumentem jedną przewagę: wie, co powinno stać na półce. Dlatego patrzy na nią wzrokiem w trybie X-ray. Produkt przewrócony, schowany w drugim rzędzie, zasłonięty paletą, ustawiony bokiem, czy tyłem — dla PH wciąż „jest”. Bez trudu rozpozna go po fragmencie opakowania, bo zna asortyment na pamięć. Zaznaczy więc obecność i ruszy dalej.

Konsument nie dysponuje taką wiedzą. Jeśli produktu nie widać, dla kupującego on nie istnieje i nie trafi do koszyka, choćby fizycznie leżał na półce. Kamera zachowuje się tak samo jak oko konsumenta: rejestruje wyłącznie to, co realnie widoczne, bez domyślania się, co powinno się w danym miejscu znaleźć.

To jest źródło nieporozumienia, które rozbija wiele wdrożeń i sprawia, że marzenia rozbijają się o twardą ścianę raportowej rzeczywistości. Kiedy automatyczny audyt pokazuje niższą obecność niż dotychczasowe raporty, pierwsza reakcja brzmi: „narzędzie się myli, przecież ten produkt tam jest”. Otóż narzędzie odwzorowuje półkę z perspektywy konsumenta, podczas gdy dotychczasowy raport powstawał z perspektywy człowieka, który wie, czego szukać. Właśnie ta perspektywa stanowi o wartości pomiaru.

Stąd pytanie do managera nie jest retoryczne. Czy chcesz mierzyć półkę taką, jaka jest — często z bałaganem, lukami i produktami widocznymi tylko dla wtajemniczonych? Czy też półkę przywróconą do ładu, a więc taką, do której doprowadzenia potrzeba realnej pracy merchandisingowej? Oba wybory są dostępne. Ale to są różne wybory, o różnych kosztach, i trzeba je podjąć świadomie, a nie odkryć przypadkiem w trzecim tygodniu testu.

Kłopotliwe pytanie o konkurencję

Tu pojawia się napięcie, o którym mało kto mówi głośno. Żeby półka „ładnie się policzyła”, trzeba uporządkować i wyfejsować produkty własne — to akurat zdrowe, bo porządkowanie własnej ekspozycji to praca, za którą i tak płacisz. Gorzej, że pełny, wiarygodny obraz udziału wymagałby też, żeby produkty konkurencji stały frontem i równo. A one nie stoją i stać nie będą.

I tu trzeba powiedzieć jasno: rozwiązaniem nie jest kazanie przedstawicielom porządkować ekspozycję konkurencji. To nie jest ich zadanie, większość organizacji słusznie tego nie wymaga, a sama sugestia wywołuje — w pełni uzasadniony — bunt zespołu. Nikt nie chce odczuwać, że pracuje na wynik konkurenta.

Właściwa odpowiedź jest inna: udział konkurencji na półce ma wbudowaną, znaną niepewność i nie wolno traktować go jak metryki precyzyjnej. Produkt konkurenta stojący bokiem, tyłem albo przewrócony bywa policzony jako nieobecny, mimo że zajmuje powierzchnię widoczną dla kupującego — co zaniża jego udział i odrobinę zawyża twój. Własną ekspozycję mierzysz dokładnie; udział konkurencji traktujesz jako wskaźnik kierunkowy, a nie jak liczbę, od której zależy czyjaś premia. To różnica między dojrzałym a naiwnym czytaniem danych z półki. Zdarzają się wyjątkowe sytuacje, że produkty konkurencji również warto wystawić frontem do kamery, na przykład przy okresowym audycie cen dla całej kategorii, ale to już zadanie ponadstandardowe.

Dlaczego twoje stare wskaźniki będą walczyć z nowym narzędziem

Najczęstsza przyczyna nieudanych wdrożeń jest zarazem najmniej oczywista i ma niewiele wspólnego z technologią. Wynika z tego, że nowe, obiektywne narzędzie wpina się w system celów i premii zaprojektowany pod raportowanie manualne, a te dwa porządki pozostają ze sobą w sprzeczności. Pisaliśmy już szerzej o tym, dlaczego dane raportowane ręcznie są niewiarygodne, w artykule „Twoje dane o ekspozycji w sklepie nie są wiarygodne”. Tu warto dopowiedzieć, co z tego wynika dla wskaźników.

• Cele były sztucznie zawyżane. Kiedy przedstawiciel raportuje wskaźnik, od którego zależy jego premia, staje się sędzią we własnej sprawie. Standard rośnie, „bo przecież spełniliśmy” — i po kilku cyklach suma udziałów wszystkich producentów w kategorii potrafi przekroczyć 100%. Cele zbudowane na takiej bazie są oderwane od rzeczywistości.
• Percepcja raportuje to, czego oczekujemy. Ludzki wzrok jest zawodny i ukierunkowany na cel — widzimy raczej to, co chcemy zobaczyć, niż to, co jest. Najlepiej widać to w praktyce, do której sami przyznają się przedstawiciele: zaczynać badanie od danych z poprzedniej wizyty, „bo i tak się prawie nie zmienia”. Taka praktyka sprowadza pomiar do potwierdzania wcześniejszego założenia.
• Niewykrywalność błędu pozwalała ustawiać ostre progi. Skoro nikt nie weryfikował ręcznych raportów, można było rozliczać przedstawiciela twardo, za każdą pojedynczą wizytę. Dane obiektywne tego nie zniosą — i nie powinny. Pojedynczy pomiar zawsze niesie trochę szumu; sensowny obraz daje dopiero agregacja wielu wizyt i trend w czasie.
• Niektóre KPI ustawiono dla wygody liczenia. Przykład: udział mierzony „tylko z warstwy stykającej się z półką” przyjmowano dlatego, że tak najłatwiej liczyć ręcznie. Problem w tym, że ten sposób pomija realną widoczność. Produkty ułożone w tackach czy warstwach, jeden na drugim zajmują tę samą szerokość półki, lecz budują znacznie większą powierzchnię ekspozycji — tę „plamę produktową”, którą faktycznie rejestruje oko konsumenta. Liczenie samej warstwy dolnej zaniża udział dokładnie tam, gdzie marka inwestuje w ekspozycję piętrową, a różnica między jednym a drugim podejściem bywa radykalna. Definicja przyjęta dla wygody ręcznego liczenia rozjedzie się z tym, co pokaże narzędzie mierzące powierzchnię dokładnie.
• Manualnie zebrane dane zawyżały twój udział – image recognition go urealnia. W ręcznym raporcie nierozpoznana konkurencja znika z mianownika, więc twój udział rośnie. Shelf Recognition AI wykrywa i przypisuje marki konkurencji znacznie lepiej niż zmęczony człowiek po dwudziestej wizycie, więc twój udział wychodzi niższy. Niższy wynik nie świadczy o realnym pogorszeniu pozycji, lecz o tym, że liczba wreszcie odpowiada rzeczywistości. Ten moment bywa trudny do przyjęcia i właśnie on otwiera drogę do decyzji opartych na prawdziwych danych.
• Transparentność jak strzał w kolano. Błędy sztucznej inteligencji są łatwiejsze do namierzenia, ponieważ dane są ustrukturyzowane, a przy tym często są tak oczywiste (np. wykrycie produktu spoza listingu danej sieci), że świecą lampkami ostrzegawczymi jak deska rozdzielcza 40-letniego Passata. Błędy manualnego raportowania (którego skuteczność jest policzona na ok 50% przy 95-98% skuteczności z AI) chowają się za powtarzalnością, prawdopodobieństwem i rutyną. Zdjęcia na dowód? Dobrze wiesz, że nikt do nich nie zagląda.

Co w takim razie zrobić?

Jeśli rozumiesz powyższe, plan działania układa się niemal sam. Punktem wyjścia pozostaje wierność danych względem rzeczywistości, ponieważ dopiero na niej da się oprzeć sensowne decyzje.

• Zdecyduj świadomie, którą półkę badasz — i powiedz to zespołowi. Reszta wynika z tej jednej decyzji.
• Oddziel metrykę nagradzaną od metryki kruchej. Premiuj za to, co mierzy się odpornie: dystrybucję numeryczną, obecność, dostępność względem listingu, zgodność ze standardem, trendy cenowe. Udział na półce, zwłaszcza konkurencji, traktuj jako wskaźnik zarządczy i kierunkowy, nie jako wyzwalacz premii.
• Zresetuj cele do nowej, uczciwej bazy. Nie przenoś zawyżonych targetów z czasów raportowania ręcznego. Wyznacz nowe punkty wyjścia na realnych danych i buduj cele od nich (np. w modelu perfect store).
• Premiuj na danych zagregowanych w czasie, nie za pojedynczą wizytę. Uśrednienie z miesiąca czy dwóch wchłania drobny szum rozpoznania, a trend i tak powie ci prawdę o kierunku.
• Rozdziel pracę z półką od pomiaru KPI. Jeśli chcesz, żeby przedstawiciele porządkowali ekspozycję, to jest realna praca merchandisingowa — ma wartość, ale kosztuje czas. Nie udawaj, że to bezpłatny efekt uboczny robienia zdjęć.
• Wprowadź okres przejściowy. Daj zespołowi czas na oswojenie się z nowym pomiarem i zapewnij, że na urealnieniu danych nie stracą rzetelni pracownicy. Najszybsza droga do porażki to powiązać obiektywny pomiar z premią od pierwszego dnia.

Prawdziwa półka jest jedna — ta, którą widzi kupujący

Wdrożenie rozwiązań takich jak eLeader Shelf Recognition AI wykracza poza wymianę narzędzia do liczenia. Decyduje o tym, czyją wersję rzeczywistości uznajesz za obowiązującą: wygodną i zawyżoną wersję raportu ręcznego czy mniej wygodną, lecz prawdziwą wersję konsumenta. Ta druga jest trudniejsza do przyjęcia, a zarazem jedyna, na której da się rzetelnie zarządzać.

eLeader Shelf Recognition AI powstał właśnie po to, by tę drugą półkę pokazać — obiektywnie, niezależnie od intencji i kondycji badającego. Najlepiej zobaczyć to na żywo: zamiast slajdów proponujemy prezentację bezpośrednio z prawdziwego sklepu. Wtedy pytanie „jaką półkę chcesz badać?” przestaje być teorią, a staje się decyzją, którą możesz świadomie podjąć.