מדפי החנויות הם המקום שבו מתבצעת האקשן והלקוחות מקבלים כאן החלטות קנייה מרכזיות. חברות CPG שרוצות להקדים את המתחרים משתמשות בבינה מלאכותית (AI) כדי לאסוף מידע מפתח בנקודה קריטית זו .

יישומי בינה מלאכותית, המשקפים מאפיינים דמויי אדם כמו פתרון בעיות ותכנון, יכולים לעזור לנציגי שטח לייעל את סדר הביקורים בחנות, להשקיע פחות זמן במיקום והפצה של מוצרים לטובת משימות מניבות הכנסה, ולהשתמש בנתונים שנאספו כדי לתכנן יוזמות חדשות וחכמות.  

חברות CPG תמיד התמודדו עם תחרות עזה, וזה עדיין המצב. מה שהשתנה לאחרונה הוא שחלקם משתמשים בטכנולוגיה חדשה על המדפים הקמעונאיים כדי להגדיל משמעותית את נתח השוק שלהם.

בעבר, הם השתמשו בטכנולוגיה כדי לאסוף מידע חיוני על מגמות צרכניות, ביצועי מותג, חוויות לקוחות, מלאי ויוזמות שיווקיות כדי להבין התפתחויות חדשות ולקבל החלטות שיווקיות. אבל לאלה תמיד הייתה נקודה עיוורת - מה קורה ברמת החנות, שם לקוחות רבים מקבלים את החלטות הקנייה שלהם.

היכנסו לבינה מלאכותית, המספקת גם CPG וגם לחברות קמעונאיות נתונים חיוניים - עד לרמות הקטגוריה, המותג והפריטים - לגבי זמינות, תמחור, מיקום וקידום. לאחר מעקב וניתוח, הנתונים הללו מציעים פוטנציאל לביצוע אסטרטגיות ביצוע בחנות בצורה יעילה יותר, ובכך להגדיל את נתח המדף וההכנסות.

פיתוחים חדשים בתחום הבינה המלאכותית שמחזקים אסטרטגיות קמעונאיות

AI משתמשת בראייה ממוחשבת ולמידה עמוקה כדי להשיג תוצאות אלו. ראייה ממוחשבת משלבת רשתות עצביות המסייעות למחשבים לזהות אובייקטים בתוך תמונות מדף ולסווג אותם בצורה מדויקת.

למידה עמוקה היא תחום חדש שמקרב את למידת המכונה לאחת מיעדיו המקוריים: AI. בלמידה עמוקה, מערכת מחשב מוזנת בהרבה נתונים, שאותם היא צופה ומנתחת כדי לזהות דפוסים ומגמות מתעוררים, ובסופו של דבר מייצרת המלצות ותחזיות מתאימות.

יישומי למידה עמוקה, במיוחד בתחום הראייה הממוחשבת, מוכנים יותר לפריים טיים. לאחרונה, ארכיטקטורת רשת עצבית זכתה באתגר ImageNet על ידי סיווג מגוון רחב של אובייקטים - כמו ציפורים, ספינות וחתולים - לקטגוריות הנכונות בצורה מדויקת יותר מאשר בני אדם.

בחזרה למדף החנות, ניתן להתגבר אפילו על הבדלים עדינים בין אובייקטים, תאורה לקויה, השתקפויות ועומס ברקע באמצעות יישומי AI עוצמתיים אלה.

מנתונים לתובנות: מאפשר שיפורי יעילות משמעותיים

שילוב יישומי בינה מלאכותית בפעולות שטח מאפשר שיפורי יעילות מקצה לקצה שיכולים לפתוח הזדמנויות הכנסה ולהגדיל משמעותית את נתח המדף.

עוד לפני שנציגי המכירות מגיעים לחנויות במסלול שלהם, יישומי בינה מלאכותית יכולים לקבוע את הסדר האופטימלי לביקורים בחנות על סמך הזמן הטוב ביותר לבקר בכל אחד מהם, כוח אדם זמין, מבצעים בחנות וצרכי חנות ספציפיים.

בתוך החנות, ניתן להשתמש בזיהוי תמונות דיגיטלי כדי לייעל את ביקורת החנות על ידי לכידת מידע על SKUs, משימות שהיו תלויות בעבר בהזנה ידנית גוזלת זמן ונוטה לשגיאות. פחות זמן מושקע באיסוף נתונים ומיקום והפצת מוצרים משאיר יותר זמן למה שהנציגים אמורים לעשות בפועל - מכירה אקטיבית.

לדוגמה, באמצעות Trax Retail Execution , מובילת FMCG עולמית עם יותר מ-8,000 מותגים בשווקים מרובים הצליחה לצמצם את הזמן שהנציגים שלה בילו בביקורות בחנויות ב-50% עצום, ובכך אפשרה להם להשקיע 40% יותר זמן בפעילויות ביצוע בחנות.

יתרה מכך, ניתן לנתח במהירות את המידע שנאסף כדי להעריך פריטים שאזלו מהמלאי, כיסויים, מחירים וחלק של המדף, ואפילו למצוא דפוסים קבורים שיכולים להצביע על צעדים הגיוניים הבאים. ביישום מוצלח נוסף, Coca-Cola Hellenic Bottling Company השתמשה ב-Trax Retail Execution והפחיתה באופן דרסטי את אזל המלאי ב-63 אחוזים תוך העלאת ציוני הביצוע ביותר מ-10 אחוזים.

השימושים שהוזכרו בקצרה כאן מייצגים רק חלק קטן מהפוטנציאל של AI בפעילות המכירות של חברה. בהתחשב בכך שהמשמעת עדיין חדשה, סביר להניח שהתקדמות נוספת בתחום הבינה המלאכותית תמשיך לעזור ל-CPG ולחברות קמעונאות לשפר תהליכים ולהגדיל את ההכנסות ונתח השוק.

קרא את הבלוג השני שלנו בסדרה זו כדי להבין באמת את הכוח של AI בקמעונאות, שהודגם באמצעות מקרי מקרים מהחיים האמיתיים.