Kiedy warto zastosować inteligentną analizę ekspozycji swoich produktów?


Gigantyczne tempo rozwoju technologii rozpoznawania obrazu w ramach sztucznej inteligencji sprawiło, że funkcjonujące od kilku lat narzędzia do automatycznej analizy sklepowych półek stały się znacznie bardziej dostępne dla producentów i agencji. Transfer danych w sieciach komórkowych, jakość zdjęć wykonywanych smartfonami, wreszcie prędkość przetwarzania danych i zwracania wyników analiz przestały być przeszkodami we wdrażaniu technologii opartych na głębokim uczeniu sieci neuronowych. Wciąż jednak wielu dyrektorów sprzedaży i CIO zadaje sobie pytanie, czy jest sens wdrożenia tak zaawansowanej technologii?

Zastąpienie automatem ręcznego badania parametrów ekspozycji –  zarówno w podstawowym wymiarze (obecność, facing), tych bardziej złożonych (udział w półce, udział w kategorii, konkurencja), czy mocno zaawansowanych (blokowanie produktów, sąsiedztwo SKU i kategorii, w tym własnych i konkurencji), uwalnia ogromne ilości zasobów czasowych i osobowych. Z drugiej strony automatyzacja inspiruje do skoku na głęboką wodę analizy biznesowej i zarządzania poprzez cele – i to w czasie rzeczywistym. Wyobraźmy sobie te wszystkie przekrojowe raporty, których nigdy nie stworzyliśmy z braku danych lub z obawy przed ich słabą jakością!

Skoro na bazie inteligentnej analizy ekspozycji można wyciągać wnioski dla pojedynczego sklepu i pracownika, poprzez segmenty, zespoły, regiony, aż po poziom strategii biznesowych, centralnych promocji i założeń trade marketingu czy polityki HR, to mamy do czynienia z różnicą jakościową, na którą wielu managerów sprzedaży czekało od wielu lat. Co jest jednak bardzo istotne, nie tylko ilość, ale i jakość oraz wiarygodność danych pełnią tu równie istotną rolę. Zasoby gromadzonych informacji oraz możliwość ich przetwarzania później (np. analiza retrospektywna wcześniej nie badanych wskaźników) składają się na przewagę konkurencyjną, która może zaważyć o sukcesie w danej kategorii, czy na określonym rynku.

Inwestycja w inteligentne rozwiązanie takie jak eLeader Shelf Recognition AI to decyzja o wejściu w projekt wymagający związania niepomijalnej części zasobów. Oprócz ludzi zaangażowanych w implementację funkcjonalności do systemu oraz ustalenie zasad i kryteriów (np. KPI właściwych dla badania ekspozycji, a niezależnie od tego jaką technologią dysponujemy, zawsze warto to zrobić), potrzebujemy również nieco czasu na nauczenie sieci neuronowej rozpoznawania produktów.

POBIERZ BEZPŁATNE OPRACOWANIE

Aby proces przebiegł sprawnie i przyniósł zadowalające ROI, zalecamy przeprowadzenie podstawowej „analizy”, do której wystarczy w zasadzie znajomość wyglądu produktów – w szczególności etykiet ich opakowań. Poniżej zamieszczamy podstawowe wytyczne, które pozwolą stwierdzić, czy warto zainteresować się analizą automatyczną.

Należy więc rozważyć wdrożenie eLeader Shelf Recognition AI jeśli:

• produkty posiadają opakowania;
• opakowania posiadają kształty pozwalające wyodrębnić je z otoczenia;
• etykiety opakowań można łatwo odróżnić od konkurencji, zwłaszcza jeśli różnią się od siebie w ramach brandu i kategorii;
• sprzedajesz produkty w kanale nowoczesnym i umieszczasz je na regałach np. zgodnie z listingiem (kontraktem na półkę);
• sprzedajesz produkty w kanale tradycyjnym stosując standardy merchandisingowe lub planogramy.

Jeśli odpowiedź na większość powyższych zagadnień jest twierdząca to podstawowe warunki do wprowadzenia automatyzacji w badaniu półki zostały spełnione, a więc projekt ma zielone światło. Jeśli jednak nie udało się pozytywnie przejść powyższych punktów, być może lepiej będzie pozostać przy metodach tradycyjnych, ze szczególnym uwzględnieniem możliwości wprowadzenia strategii perfect store w obrębie podstawowych i dających się łatwo mierzyć KPI (obecność produktów, facing, numer półki itp.). Pozwoli to nie tylko na skuteczniejszą realizację strategii w terenie, ale również da mocne podstawy do wiarygodnej analizy za pomocą narzędzi klasy business intelligence, które są w stanie operować na dużych ilości danych napływających cyklicznie i z wielu źródeł.

Kiedy skuteczniejszy okazuje się manualny audyt półki?

• gdy są to produkty bez opakowań, sypkie, lub ciężkie do wyodrębnienia z otoczenia (np. pieczywo, ciasta);
• gdy produkty sprzedawane są w małych ilościach w nietypowym otoczeniu (np. salon samochodowy, personalizowane stoiska);
• gdy jesteś producentem luster ;).

Oczywiście zawsze warto rozważyć zmianę strategii trade marketingowej i wprowadzenie przynajmniej jednej kategorii produktowej z opakowaniami spełniającymi kryteria pozytywnej kwalifikacji do projektu analizy przez sztuczną inteligencję.

Sieci neuronowe „widzą” produkty w sposób bardzo podobny do tego, jak postrzega je ludzkie oko. Uzasadnioną więc jest teza, że cechy opakowania nie pozwalające wyodrębnić go z otoczenia lub odróżnić od innych produktów to sygnał że należy coś poprawić, aby konsumenci ostatecznie widzieli je lepiej na sklepowych regałach.

Jakie zatem wyzwania czekają sprzedaż w dobie galopującej digitalizacji i zdobywającej kolejne przyczółki rynku sztucznej inteligencji? Z pewnością warto przynajmniej wziąć pod uwagę możliwości użycia technologii, która eliminuje błędy i pomyłki właściwe ludzkiej percepcji i wytrzymałości, biorąc pod uwagę, ze w tym samym momencie otoczenie biznesowe i  konkurencja stoją przed podobnymi wyzwaniami i poszukują rozwiązań. Technologia oparta na głębokim uczeniu z pewnością nie jest dla każdego, jednak często okazuje się, że mimo pozornej trudności, nie ma przeciwwskazań do zastosowania inteligentnej analizy (np. sieć neuronowa eLeader – Ala, radzi sobie dobrze w przypadku okrągłych butelek, czy opakowań chipsów).

Jeśli Twoje produkty kwalifikują się do rozpoznawania za pomocą nowoczesnej technologii, należy ocenić możliwość wdrożenia eLeader Shelf Recognition AI na poziomie strategii i wyposażenia (pamiętać należy, że mówimy tu o systemie naczyń połączonych, jeśli chodzi o funkcjonalności typu Perfect Store, RAO, czy zaawansowane raportowanie typu BI). W celu pozyskania odpowiedniej wiedzy najlepiej porozmawiać z analitykiem eLeader, który pomoże wstępnie ocenić możliwości wdrożenia i zakwalifikować projekt do pogłębionej analizy lub zaleci alternatywne rozwiązania, pozwalające na satysfakcjonujące wdrożenie business intelligence i perfect store w Twojej organizacji.

WIĘCEJ O ELEADER SHELF RECOGNITION AI

Czytaj także:

eLeader Retail Portal – mobilna platforma marketingowa b2b dla Twoich Klientów

Bitwa na neurony, czyli sztuczna inteligencja w sprzedaży

Zrzuć parę kilo z Perfect Store!