Die Regale sind der Ort des Geschehens und die Kunden treffen hier wichtige Kaufentscheidungen. CPG-Unternehmen, die der Konkurrenz voraus sein wollen, nutzen künstliche Intelligenz (KI), um an diesem entscheidenden Punkt wichtige Informationen zu sammeln.

KI-Anwendungen, die menschenähnliche Eigenschaften wie Problemlösung und Planung widerspiegeln, können Außendienstmitarbeitern dabei helfen, die Reihenfolge der Filialbesuche zu optimieren, weniger Zeit für die Produktplatzierung und -verteilung aufzuwenden und sich stattdessen umsatzfördernden Aufgaben zu widmen und gesammelte Daten zu nutzen, um intelligente neue Initiativen zu entwickeln.  

CPG-Unternehmen waren schon immer einem harten Wettbewerb ausgesetzt, und das ist auch heute noch so. Was sich in letzter Zeit geändert hat, ist, dass einige von ihnen neue Technologien in den Regalen des Einzelhandels einsetzen, um ihren Marktanteil erheblich zu vergrößern.

In der Vergangenheit nutzten sie Technologien, um wichtige Informationen über Verbrauchertrends, Markenleistung, Kundenerfahrungen, Lagerbestände und Marketinginitiativen zu sammeln, um neue Entwicklungen zu verstehen und Entscheidungen über das Merchandising zu treffen. Aber diese hatten immer einen blinden Fleck - was auf der Ebene der Geschäfte passiert, wo viele Kunden ihre Kaufentscheidungen treffen.

KI liefert sowohl Konsumgüterherstellern als auch Einzelhändlern wichtige Daten über Verfügbarkeit, Preisgestaltung, Positionierung und Verkaufsförderung - und zwar bis auf Kategorie-, Marken- und Artikelebene. Wenn diese Daten verfolgt und analysiert werden, bieten sie das Potenzial, Strategien für die Umsetzung in den Geschäften effektiver umzusetzen und so den Anteil am Regal und den Umsatz zu steigern.

Neue Entwicklungen in der KI, die die Strategien des Einzelhandels intelligenter machen

KI nutzt Computer Vision und Deep Learning, um diese Ergebnisse zu erzielen. Computer Vision umfasst neuronale Netze, die Computern helfen, Objekte in Regalbildern zu erkennen und sie genau zu klassifizieren.

Deep Learning ist ein neuer Bereich, der das maschinelle Lernen einem seiner ursprünglichen Ziele näher bringt: KI. Beim Deep Learning wird ein Computersystem mit einer großen Menge an Daten gefüttert, die es dann beobachtet und analysiert, um entstehende Muster und Trends zu erkennen und schließlich entsprechende Empfehlungen und Vorhersagen zu erstellen.

Deep-Learning-Anwendungen, insbesondere im Bereich der Computer-Vision, sind mehr als reif für die erste Stunde. Kürzlich hat eine neuronale Netzwerkarchitektur den ImageNet-Wettbewerb gewonnen, indem sie eine Vielzahl von Objekten - wie Vögel, Schiffe und Katzen - genauer als Menschen in die richtigen Kategorien einordnete.

Zurück im Ladenregal lassen sich mit diesen leistungsstarken KI-Anwendungen selbst feine Unterschiede zwischen Objekten, schlechte Beleuchtung, Reflexionen und Unordnung im Hintergrund überwinden.

Von Daten zu Erkenntnissen: Erhebliche Effizienzsteigerungen ermöglichen

Die Integration von KI-Anwendungen in den Außendienst ermöglicht durchgängige Effizienzverbesserungen, die Umsatzchancen erschließen und den Anteil der Regalfläche deutlich erhöhen können.

Noch bevor die Außendienstmitarbeiter die Filialen auf ihrer Route erreichen, können KI-Anwendungen die optimale Reihenfolge der Filialbesuche auf der Grundlage der besten Besuchszeit, des verfügbaren Personals, der Werbeaktionen in den Filialen und der spezifischen Anforderungen der Filialen festlegen.

In der Filiale kann die digitale Bilderkennung zur Rationalisierung von Filial-Audits eingesetzt werden, indem Informationen über SKUs erfasst werden - Aufgaben, die bisher von zeitaufwändigen und fehleranfälligen manuellen Eingaben abhängig waren. Durch den geringeren Zeitaufwand für die Datenerfassung, Produktplatzierung und -verteilung bleibt mehr Zeit für das, was die Mitarbeiter eigentlich tun sollen - den aktiven Verkauf.

So konnte beispielsweise ein weltweit führendes FMCG-Unternehmen mit mehr als 8.000 Marken in mehreren Märkten durch den Einsatz von Trax Retail Execution die Zeit, die seine Mitarbeiter für Store Audits aufwenden mussten, um satte 50 Prozent reduzieren, so dass sie 40 Prozent mehr Zeit für die Ausführung von Aktivitäten im Laden aufwenden konnten.

Darüber hinaus können die gesammelten Informationen schnell analysiert werden, um nicht vorrätige Artikel, Facings, Preise und Regalanteile zu bewerten und sogar verdeckte Muster zu finden, die auf sinnvolle nächste Schritte hinweisen können. In einer weiteren erfolgreichen Implementierung nutzte Coca-Cola Hellenic Bottling Company Trax Retail Execution und reduzierte die Out-of-Stocks drastisch um 63 Prozent bei gleichzeitiger Steigerung der Execution Scores um mehr als 10 Prozent.

Die hier kurz erwähnten Anwendungen stellen nur einen Bruchteil des Potenzials von KI für die Vertriebsabläufe eines Unternehmens dar. Da es sich um eine noch junge Disziplin handelt, ist es wahrscheinlich, dass weitere Fortschritte in der KI CPG- und Einzelhandelsunternehmen dabei helfen werden, ihre Prozesse zu verbessern und ihren Umsatz und Marktanteil zu steigern.

Lesen Sie unseren zweiten Blog in dieser Reihe, um die Leistungsfähigkeit von KI im Einzelhandel anhand von Fallstudien aus der Praxis zu verstehen.