Comment les recommandateurs aident les grandes entreprises à évoluer de manière rentable

Chez Ivy, nous développons de nouvelles technologies pour les entreprises de biens de consommation depuis 20 ans. Nos équipes R&D ont créé de nombreuses solutions pour aider les entreprises de biens de consommation à évoluer et à suivre le rythme de la concurrence croissante. Grâce aux progrès de l'intelligence artificielle, de l'apprentissage automatique et de l'apprentissage en profondeur, vous pouvez désormais analyser des millions de magasins à l'aide d'un modèle de données pour comprendre les comportements et les tendances afin de faire des recommandations. Lisez la suite pour découvrir comment les systèmes de recommandation vous aident à en savoir plus sur vos clients et à augmenter vos ventes.

Ce blog est également une revue de la mémoire de Ranjith T, responsable du développement de produits, et explique ce qui s'est passé derrière le développement de notre moteur de recommandation natif - Ivy Recommender.

Prescriptif plutôt que prédictif

Un moteur de recommandation de vente typique analyse l'éventail des données pour offrir des conseils normatifs aux commerciaux sur les actions à entreprendre. Ceux-ci ont une longueur d'avance sur le prédictif, car le prédictif peut dire ce qui va se passer, mais le prescriptif peut changer ce qui se passera si vous agissez d'une manière particulière.
Nous rencontrons tous des moteurs de recommandation dans notre vie quotidienne comme des suggestions de films sur Netflix, des recommandations de produits par Amazon et bien d'autres. C'est tout B2C ! Pour les entreprises de biens de consommation, où les commerciaux se rendent dans les magasins pour stimuler les ventes de produits, nous avons appliqué la même sagesse analytique aux besoins des entreprises de biens de consommation. Notre solution peut les aider à tirer plus de valeur de chaque canal et à augmenter les décisions des commerciaux pour de meilleures performances.

Intégration dans les opérations de distribution

Vous vous demandez peut-être que tout cela semble bien en théorie, mais comment cela s'intègre-t-il dans les applications pratiques. Une entreprise de biens de consommation avec une excellente équipe de vente, où les commerciaux entretiennent d'excellentes relations avec chaque magasin, bénéficierait également d'un moteur de recommandation.

Imaginez un scénario dans lequel vos commerciaux partagent des recommandations avec les gérants et propriétaires de magasins, et le magasin est impressionné par la quantité d'informations dont dispose votre équipe. Ce qui serait encore plus excitant, c'est quand le magasin bénéficierait de ces recommandations. Vous bénéficiez d'une meilleure expérience client, d'une croissance, d'une exécution parfaite en magasin, de moins de ruptures de stock et de commandes importantes. Cela implique également plus de revenus, une augmentation des ventes des magasins comparables et une amélioration de la marge bénéficiaire.

Recommandations pour la victoire 

Une étude de Harvard Business Review suggère que systèmes de recommandation constituent une distinction algorithmique importante entre les organisations nées numériques et les entreprises héritées. Il mentionne également que lorsque AI & ML génèrent des recommandations personnalisées en analysant les données des clients, cela peut augmenter les ventes des détaillants de 1% à 2%, et notre solution de recommandation native, Ivy Recommender, a le potentiel d'augmenter les ventes des détaillants de 5%.

Nous avons conçu notre moteur de recommandation pour aider les organisations à tirer une meilleure valeur de leurs données afin de les aider à faire évoluer leur activité et à améliorer leurs ventes. L'une de nos plus grandes victoires est que notre solution n'a besoin que de six mois de données passées pour générer des recommandations avec une grande précision et des valeurs de rappel. Cependant, nous préférons que nos clients utilisent des données d'au moins 13 mois pour s'assurer que l'aspect de saisonnalité est couvert.

Proche de la perfection

Le recyclage et la réutilisation des enregistrements multipistes nous ont aidés à créer des modèles reproductibles qui permettent à notre algorithme de recommandation de gagner du temps pour produire des résultats. Nous proposons désormais deux recommandations importantes avec des améliorations ciblées : Fit Sell et Up-Sell. Nous avons également 14 autres cas d'utilisation en préparation qui atténueraient essentiellement les problèmes allant du recrutement à la performance des agents de terrain.

Plus vous utilisez l'outil de recommandation, plus il apprend et s'améliore. Recommandateurs utiliser une puissance de calcul massive pour traiter des millions de gigaoctets de données. Il exécute également des threads parallèles pour traiter plusieurs centaines de paramètres, index de segment, permutations et combinaisons afin d'identifier des modèles parmi ces données.

L'avenir des recommandations

Le voyage vers l'innovation est en cours. Nous ombrageons VRP lors de leurs déplacements dans les magasins pour comprendre comment notre conseiller fait une différence dans leur travail. Cela nous aide à mieux comprendre comment améliorer ce qu'ils font et concevoir en conséquence.

Au fur et à mesure que nous en apprenons davantage sur notre moteur, nous améliorons les fonctionnalités existantes tout en développant de nouveaux packages de gestion de la croissance des revenus qui s'accompagnent de l'assurance d'une rentabilité accrue. Nous espérons également construire un système capable de former et d'améliorer la productivité de nos agents de terrain.

L'autre partie dont dépend l'avenir des recommandataires est la convivialité. Si une entreprise de biens de consommation implémente le recommandateur, mais que l'équipe des opérations ne comprend pas sa valeur, cela ne servira à rien. De plus, si les recommandations ne se chargent pas rapidement, le commercial peut perdre confiance en elles et fera les choses à l'ancienne. Par conséquent, l'adoption et les performances de la solution vont de pair. Si un commercial estime qu'Ivy Recommender m'aide à terminer ma journée plus tôt et m'aide également à atteindre mes objectifs, ce serait une victoire pour nous et une déclaration convaincante pour les entreprises de biens de consommation de l'adopter.

Dans les remarques de clôture, Ranjith déclare : « Chez Ivy, nous nous efforçons d'aider les entreprises de biens de consommation à établir une relation plus profonde, solide et précieuse avec leurs partenaires de distribution, une relation qui se traduit par une croissance mutuelle et gagnant-gagnant pour les deux.

Partagez ceci

Messages récents

Maximiser les ventes de produits de grande consommation : tirer parti de l'automatisation des forces de terrain et des stratégies de pré-vente

Chaque matin, dans les supermarchés, des agents de terrain se promènent dans les magasins avec leurs tablettes, vérifient les stocks et passent des commandes de produits en faible stock…

Un guide destiné aux marques de produits de grande consommation pour éliminer les ruptures de stock et augmenter l'efficacité avec les solutions DMS

Les entreprises de biens de grande consommation sont confrontées à des défis importants en matière de contrôle des stocks, notamment pour éviter les ruptures de stock. Cependant, en mettant en œuvre une solution DMS, les entreprises peuvent surmonter ces défis et assurer un meilleur contrôle des stocks.

L'avenir de l'exécution du commerce de détail avec la technologie de reconnaissance d'image en 2024

La croissance de la technologie de reconnaissance d’images a été substantielle ces dernières années et elle continue d’évoluer rapidement, grâce aux progrès…

fr_FRFrench