Les rayons des magasins sont le lieu de l'action et les clients y prennent des décisions d'achat essentielles. Les entreprises de produits de grande consommation qui veulent garder une longueur d'avance sur la concurrence utilisent l'intelligence artificielle (IA) pour recueillir des informations clés à ce moment crucial.

Les applications d'IA, qui reflètent des caractéristiques humaines telles que la résolution de problèmes et la planification, peuvent aider les représentants sur le terrain à optimiser l'ordre des visites en magasin, à consacrer moins de temps au placement et à la distribution des produits au profit de tâches génératrices de revenus, et à utiliser les données collectées pour concevoir de nouvelles initiatives intelligentes.  

Les entreprises de produits de grande consommation ont toujours été confrontées à une concurrence féroce, et c'est toujours le cas. Ce qui a changé récemment, c'est que certaines d'entre elles utilisent les nouvelles technologies dans les rayons des magasins pour accroître considérablement leur part de marché.

Dans le passé, ils utilisaient la technologie pour recueillir des informations essentielles sur les tendances de consommation, les performances des marques, les expériences des clients, les stocks et les initiatives marketing afin de comprendre les nouveaux développements et de prendre des décisions en matière de merchandising. Mais elles avaient toujours un angle mort : ce qui se passe au niveau du magasin, là où de nombreux clients prennent leurs décisions d'achat.

C'est là qu'intervient l'IA, qui fournit aux entreprises de produits de grande consommation et de vente au détail des données cruciales - au niveau de la catégorie, de la marque et de l'article - sur la disponibilité, le prix, l'emplacement et la promotion. Lorsqu'elles sont suivies et analysées, ces données offrent la possibilité de mettre en œuvre plus efficacement les stratégies d'exécution en magasin, ce qui permet d'accroître la part de linéaire et le chiffre d'affaires.

Les nouveaux développements de l'IA qui rendent les stratégies de vente au détail plus intelligentes

L'IA utilise la vision par ordinateur et l'apprentissage profond pour obtenir ces résultats. La vision par ordinateur intègre des réseaux neuronaux qui aident les ordinateurs à détecter des objets dans des images de tablettes et à les classer avec précision.

L'apprentissage profond est un nouveau domaine qui rapproche l'apprentissage automatique de l'un de ses objectifs initiaux : L'IA. Dans le cadre de l'apprentissage profond, un système informatique est alimenté par une grande quantité de données, qu'il observe et analyse ensuite pour reconnaître les modèles et les tendances émergents, afin de générer des recommandations et des prédictions appropriées.

Les applications d'apprentissage en profondeur, en particulier dans le domaine de la vision par ordinateur, sont plus que prêtes pour le "prime time". Récemment, une architecture de réseau neuronal a remporté le défi ImageNet en classant une grande variété d'objets - comme des oiseaux, des bateaux et des chats - dans les bonnes catégories avec plus de précision que les humains.

De retour dans les rayons du magasin, ces puissantes applications d'IA permettent de surmonter les différences subtiles entre les objets, le manque d'éclairage, les reflets et l'encombrement de l'arrière-plan.

Des données à la connaissance : Permettre des améliorations significatives de l'efficacité

L'intégration d'applications d'IA dans les opérations sur le terrain permet d'améliorer l'efficacité de bout en bout, ce qui peut débloquer des opportunités de revenus et augmenter de manière significative la part de linéaire.

Avant même que les commerciaux n'atteignent les magasins sur leur itinéraire, les applications d'IA peuvent déterminer l'ordre optimal des visites en fonction du meilleur moment pour visiter chaque magasin, du personnel disponible, des promotions en magasin et des besoins spécifiques des magasins.

Dans le magasin, la reconnaissance d'images numériques peut être utilisée pour rationaliser les audits de magasin en capturant des informations sur les UGS, tâches qui dépendaient auparavant d'une saisie manuelle chronophage et sujette aux erreurs. La réduction du temps consacré à la collecte de données, à la mise en place et à la distribution des produits laisse plus de temps pour ce que les représentants sont censés faire, à savoir la vente active.

Par exemple, grâce à Trax Retail Execution, un leader mondial des produits de grande consommation, qui compte plus de 8 000 marques sur plusieurs marchés, a pu réduire de 50 % le temps que ses représentants consacraient aux audits de magasins, ce qui leur a permis de passer 40 % de temps en plus sur les activités d'exécution en magasin.

En outre, les informations recueillies peuvent être rapidement analysées pour évaluer les articles en rupture de stock, les facings, les prix et la part de linéaire, et même trouver des modèles cachés qui peuvent indiquer les prochaines étapes à suivre. Dans le cadre d'une autre mise en œuvre réussie, Coca-Cola Hellenic Bottling Company a utilisé Trax Retail Execution et a considérablement réduit les ruptures de stock de 63 % tout en augmentant les scores d'exécution de plus de 10 %.

Les utilisations brièvement mentionnées ici ne représentent qu'une fraction du potentiel de l'IA sur les opérations de vente d'une entreprise. Étant donné que la discipline est encore nouvelle, il est probable que les progrès de l'IA continueront d'aider les entreprises de produits de grande consommation et de vente au détail à améliorer leurs processus et à augmenter leurs revenus et leurs parts de marché.

Lisez notre deuxième blog de cette série pour vraiment comprendre le pouvoir de l'IA dans le commerce de détail, démontré par des études de cas réels.