En Ivy, hemos estado desarrollando tecnología más nueva para empresas de bienes de consumo durante los últimos 20 años. Nuestros equipos de I+D han creado muchas soluciones para ayudar a las empresas de bienes de consumo a escalar y seguir el ritmo de la creciente competencia. Gracias a los avances en inteligencia artificial, aprendizaje automático y aprendizaje profundo, ahora puede analizar millones de tiendas utilizando un modelo de datos para comprender comportamientos y tendencias para hacer recomendaciones. Siga leyendo para descubrir cómo los sistemas de recomendación lo ayudan a obtener más información sobre sus clientes y aumentar las ventas.

Este blog también es un recorrido por el camino de la memoria de Ranjith T, jefe de desarrollo de productos, y explica lo que sucedió detrás del desarrollo de nuestro motor de recomendación nativo: Ivy Recommender.

Prescriptivo sobre predictivo

Un motor típico de recomendación de ventas analiza el espectro de datos para ofrecer consejos prescriptivos a los representantes de ventas sobre las acciones a tomar. Estos están un paso por delante de los predictivos porque los predictivos pueden decir lo que sucederá, pero los prescriptivos pueden cambiar lo que sucederá si actúa de una manera particular.
Todos nos encontramos con motores de recomendación en nuestra vida cotidiana, como sugerencias de películas en Netflix, recomendaciones de productos de Amazon y muchos otros. ¡Eso es todo B2C! Para las empresas de bienes de consumo, donde los representantes de ventas visitan las tiendas para impulsar las ventas de productos, hemos aplicado la misma sabiduría analítica a las necesidades de empresas de bienes de consumo. Nuestra solución puede ayudarlos a obtener más valor de cada canal y aumentar las decisiones de los representantes de ventas para un mejor rendimiento.

Adaptación a las operaciones de distribución

Puede preguntarse si todo esto suena muy bien en teoría, pero ¿cómo encaja en las aplicaciones prácticas? Una empresa de bienes de consumo con un excelente equipo de ventas, donde los representantes de ventas tienen excelentes relaciones con cada tienda, también se beneficiaría de un motor de recomendaciones.

Imagine un escenario en el que sus representantes de ventas comparten recomendaciones con los gerentes y propietarios de la tienda, y la tienda queda impresionada con la cantidad de información que su equipo tiene al alcance de la mano. Lo que sería aún más emocionante es cuando la tienda se beneficia de estas recomendaciones. Obtiene una mejor experiencia del cliente, crecimiento, ejecución perfecta en la tienda, menos desabastecimientos y pedidos grandes. También implica más ingresos, un aumento en las ventas mismas tiendas y una mejora en el margen de utilidad.

Recomendaciones para la victoria 

Un estudio de Harvard Business Review sugiere que sistemas de recomendación son una distinción algorítmica importante entre las organizaciones nacidas digitales y las empresas heredadas. También menciona que cuando AI & ML genera recomendaciones personalizadas mediante el análisis de los datos de los clientes, puede aumentar las ventas para los minoristas en 1% a 2%, y nuestra solución de recomendación nativa, Ivy Recommender, tiene el potencial de aumentar las ventas para los minoristas en 5%.

Construimos nuestro motor de recomendación para ayudar a las organizaciones a obtener un mejor valor de sus datos para ayudarlas a escalar su negocio y mejorar las ventas. Una de nuestras mayores ganancias es que nuestra solución solo necesita unos escasos seis meses de datos anteriores para generar recomendaciones con alta precisión y valores de recuperación. Sin embargo, preferimos que nuestros clientes utilicen datos de al menos 13 meses para garantizar que se cubra el aspecto de la estacionalidad.

Cerca de la perfección

Reciclar y reutilizar registros de varias pistas nos ha ayudado a crear patrones repetibles que ahorran tiempo para que nuestro algoritmo de recomendación produzca resultados. Ahora ofrecemos dos recomendaciones significativas con mejoras enfocadas: Fit Sell y Up-Sell. También tenemos otros 14 casos de uso en trámite que esencialmente mitigarían los problemas desde el reclutamiento hasta el desempeño de los agentes de campo.

Cuanto más utilice el recomendador, más aprenderá y mejorará. Recomendadores utilizar una potencia computacional masiva para procesar millones de gigabytes de datos. También ejecuta subprocesos paralelos para procesar varios cientos de parámetros, índices de segmentos, permutaciones y combinaciones para identificar patrones entre estos datos.

El futuro de los recomendadores

El viaje hacia la innovación está en marcha. nosotros sombreamos representantes de ventas en sus viajes a las tiendas para comprender cómo nuestro recomendador marca la diferencia en su trabajo. Eso nos ayuda a obtener información sobre cómo mejorar lo que hacen y diseñar en consecuencia.

A medida que aprendemos más sobre nuestro motor, mejoramos las funciones existentes y desarrollamos nuevos paquetes de gestión del crecimiento de los ingresos que garantizan una mayor rentabilidad. También esperamos construir un sistema que pueda capacitar y mejorar la productividad de nuestros agentes de fuerza de campo.

La otra parte de la que depende el futuro de los recomendadores es la usabilidad. Si una empresa de bienes de consumo implementa el recomendador, pero el equipo de operaciones no entiende su valor, no cumplirá el propósito. Además, si las recomendaciones no se cargan rápidamente, el representante de ventas puede perder la fe en ellas y hacer las cosas a la antigua. Por lo tanto, la adopción y el rendimiento de la solución van de la mano. Si un representante de ventas siente que Ivy Recommender me ayuda a terminar mi día antes y también me ayuda a alcanzar mis objetivos, sería una victoria para nosotros y una declaración convincente para que las empresas de bienes de consumo lo adopten.

En las observaciones finales, Ranjith dice: "En Ivy, nos esforzamos por ayudar a las empresas de bienes de consumo a construir una relación más profunda, sólida y valiosa con sus socios de canal, una relación que se traduce en un crecimiento mutuo y en el que todos ganan".