Bloguer par Deepak P., vice-président de la technologie chez Ivy Mobility

Les entreprises de biens de consommation vendent leurs produits principalement via des points de vente au détail et, pour de meilleures ventes de leurs produits, elles exécutent plusieurs activités de vente dans ces points de vente. Ceux-ci sont généralement liés à la disponibilité des bons produits dans les points de vente, à la visibilité des produits, aux prix et à l'exécution des promotions. Nous pouvons décomposer ces éléments de stratégie de marque en plusieurs KPI. Par exemple, un fabricant de biens de consommation peut négocier une part de marché 20% pour sa marque dans certaines chaînes de vente au détail et vouloir garantir l'exécution de ces conditions commerciales dans les points de vente. L'une des façons d'exécuter les conditions commerciales consiste à effectuer des audits périodiques dans les points de vente au détail, et ce processus est appelé exécution au détail.

Technologie pour l'exécution au détail

À l’ère pré-smartphone, les agents de terrain effectuaient manuellement des audits de vente au détail. Auditeurs de détail (marchandiseurs) nommés par fabricants de biens de consommation visitez périodiquement les points de vente. Ils comptent les références SKU, vérifient les prix des produits, l'exécution des promotions, les promotions des concurrents et les activités de tarification à l'aide d'un stylo et de papier. Une fois qu'ils ont couvert tous les points de vente de la journée, ils retournent au bureau et saisissent manuellement les données dans une application de bureau ou Web. Ce processus présente de nombreux défis, prend du temps, est sujet aux erreurs et ne donne aucun rapport en temps réel. Le manque de granularité des données rend les possibilités de validation et d’analyse proches de zéro. Certains KPI sont également difficiles à calculer avec un stylo et du papier, ce qui rend difficile la prise de mesures correctives au niveau du point de vente.

Avec le lancement des smartphones, les entreprises ont commencé à construire applications basées sur smartphone pour l'exécution au détail. Ainsi, au lieu de capturer des données sur papier, les auditeurs peuvent saisir les chiffres dans une application mobile, et l'application calculera automatiquement tous les KPI pertinents. Cela a aidé les marchandiseurs à prendre des mesures en temps réel dans les points de vente. Les applications basées sur smartphone ont également permis d'accélérer le reporting, car les données pouvaient être synchronisées périodiquement avec la base de données principale, réduisant ainsi le temps de reporting. Mais même avec une application basée sur un smartphone, certains des défis mentionnés précédemment, tels que le temps nécessaire à la collecte manuelle des données, la possibilité d'erreurs manuelles, la granularité moindre de la collecte des données et la possibilité de manipuler les données, subsistaient.

L'intelligence artificielle et l'apprentissage automatique ont progressé au cours des 5 à 6 dernières années et nous constatons leur utilisation pour plusieurs applications pratiques. La vision par ordinateur, une branche de l’apprentissage automatique, ne fait pas exception. La vision par ordinateur a trouvé des applications dans la détection des visages, l'analyse du flux de trafic, la détection des défauts et le diagnostic assisté par machine en sont quelques exemples. L’une de ces applications concerne le domaine de l’exécution au détail. Au lieu de collecter données sur les rayons de vente au détail manuellement, nous pouvons le faire grâce à une application basée sur la vision par ordinateur avec beaucoup plus de précision et de rapidité. Les auditeurs capturent un ensemble d'images d'étagères, et l'application basée sur la vision par ordinateur traite ces images et produit tous les KPI pertinents dans un court laps de temps. Les défis liés à une application de saisie manuelle de données sont désormais résolus par une application basée sur la vision par ordinateur, comme indiqué ci-dessous.

• Puisque l’utilisateur doit capturer un ensemble d’images sur l’étagère au lieu de compter les produits, de vérifier les prix, etc., cela permet de gagner beaucoup de temps.
• Étant donné que le processus de collecte de données implique un traitement manuel limité, il réduit considérablement les erreurs manuelles.
• Il élimine toute possibilité de manipulation lors de la capture des données et l'application effectue automatiquement le calcul des KPI.
• L'application basée sur la vision par ordinateur permet également de capturer des données à un niveau beaucoup plus granulaire (suivi du niveau des yeux et de la position des SKU, suivi des KPI au niveau du SKU par rapport au niveau de la sous-marque/marque et suivi de plusieurs activités des concurrents) avec le même effort de capture de données.

Ivy Eye - Reconnaissance d'images pour l'exécution de la vente au détail

Nous travaillons dans le domaine des biens de consommation depuis plus de 15 ans et avons vu ces changements technologiques avoir un impact sur l'industrie. En ce qui concerne exécution au détail est concerné, nous travaillons depuis plusieurs années avec plusieurs des 100 plus grandes entreprises de biens de consommation à travers le monde. Nous avons parcouru le parcours mentionné ci-dessus et avons joué un rôle actif dans ces avancées technologiques. Au départ, nous disposions d'une application de saisie de données aidant les marchandiseurs (auditeurs de vente au détail) à saisir manuellement les données des rayons. Nous avons maintenant automatisé cela grâce à un Reconnaissance d'images-application basée sur Ivy Eye.

Nous avons constaté une amélioration considérable des activités d'exécution de vente au détail grâce à l'utilisation du Solution pour les yeux de lierre, et les CPG peuvent réaliser des économies de 5%-60% sur le temps nécessaire à l'exécution des audits de vente au détail. Cela aide les entreprises de biens de consommation à utiliser ce temps supplémentaire pour augmenter la couverture de leurs points de vente. Cela aidera également le marchandiseur à avoir des discussions productives avec les responsables des points de vente et à exécuter efficacement des actions correctives basées sur les recommandations du système. Nous avons également constaté, en moyenne, une précision de 97% des données rapportées par Oeil de lierre et une réduction des erreurs manuelles d'environ 15%. L'application utilise la puissance de la vision par ordinateur pour suivre les données à un niveau granulaire. Un exemple consiste à signaler la présence des SKU par niveau de rayon et à calculer la part du rayon au niveau des yeux.

L'avenir de la technologie d'exécution du commerce de détail

L’apprentissage automatique, en particulier la vision par ordinateur, progresse rapidement. De nouvelles architectures optimisées sont publiées tous les quelques mois. Nous nous sommes concentrés sur la détection des contours (traitement d'image sur l'appareil). Il s’agit d’optimiser les modèles de vision par ordinateur actuels et de les déployer sur l’appareil. Il permet de traiter les images sur l'appareil mobile lui-même, éliminant ainsi le besoin de connectivité pour traiter les images. Un autre domaine d'intérêt est la reconnaissance vidéo, qui aide les marchandiseurs à capturer l'étagère via une vidéo plutôt que plusieurs images, rendant ainsi ce processus plus fluide. On voit aussi que Réalité augmentée (AR) / La réalité virtuelle (VR), associée à l'apprentissage automatique et à la vision par ordinateur, peut entraîner de nombreuses avancées technologiques dans le domaine de l'exécution du commerce de détail dans les prochains jours. Un exemple est l’utilisation de la génération d’images Synthetic Shelf via une application de réalité virtuelle.

Êtes-vous intéressé à explorer et à faire partie de cette aventure passionnante Parcours technologique d’exécution du commerce de détail? S'il te plaît Connecte-toi avec nous.