Chez Ivy, nous développons des technologies plus récentes 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 d'une concurrence croissante. Grâce aux progrès de l'intelligence artificielle, de l'apprentissage automatique et de l'apprentissage profond, 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 formuler des recommandations. Poursuivez votre lecture 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 visite guidée de la mémoire de Ranjith T, responsable du développement de produits, et explique ce qui a motivé le développement de notre moteur de recommandation natif, Ivy Recommender.

Prescriptif plutôt que prédictif

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

S'intégrer aux opérations de distribution

Vous vous demandez peut-être si tout cela semble bien en théorie, mais comment cela s’intègre-t-il dans les applications pratiques ? Une entreprise de biens de consommation dotée d’une excellente équipe commerciale, 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 les propriétaires de magasin, et le magasin est impressionné par la quantité d'informations dont votre équipe dispose à portée de main. Ce qui serait encore plus excitant, c'est que le magasin bénéficie 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 une augmentation des revenus, une augmentation des ventes à magasins comparables et une amélioration de la marge bénéficiaire.

Recommandations pour la victoire 

Une étude de la Harvard Business Review suggère que systèmes de recommandation Il existe une distinction algorithmique importante entre les organisations nées numériques et les entreprises traditionnelles. Il mentionne également que lorsque l'IA et le ML génèrent des recommandations personnalisées en analysant les données client, elles peuvent 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 créé notre moteur de recommandations pour aider les organisations à tirer une meilleure valeur de leurs données afin de les aider à développer 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 des valeurs de rappel et de précision élevées. Cependant, nous préférons que nos clients utilisent des données d'au moins 13 mois pour garantir que l'aspect saisonnalité soit 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 le outil de recommandation, plus il apprend et s’améliore. Recommendeurs 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 segments, permutations et combinaisons afin d'identifier des modèles parmi ces données.

L'avenir des recommandataires

Le voyage vers l’innovation est en cours. Nous observons VRP lors de leurs visites en magasin pour comprendre comment notre recommandataire fait une différence dans leur travail. Cela nous aide à mieux comprendre comment améliorer ce qu'ils font et à 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 garantissent une rentabilité accrue. Nous espérons également construire un système capable de former et d’améliorer la productivité de nos agents sur le terrain.

L’autre élément dont dépend l’avenir des recommandataires est la convivialité. Si une entreprise de biens de consommation met en œuvre le système de recommandation, mais que l’équipe opérationnelle ne comprend pas sa valeur, cela ne servira à rien. De plus, si les recommandations ne se chargent pas rapidement, le commercial risque de perdre confiance en elles et fera les choses à l'ancienne. L’adoption et la performance de la solution vont donc 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 ses remarques finales, 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 ses partenaires de distribution, une relation qui se traduit par une croissance mutuelle et gagnant-gagnant pour les deux. »