{"id":9171,"date":"2022-10-31T08:07:00","date_gmt":"2022-10-31T08:07:00","guid":{"rendered":"https:\/\/ivymobility.com\/?post_type=blog&p=9171"},"modified":"2024-09-13T05:04:54","modified_gmt":"2024-09-13T05:04:54","slug":"the-evolution-of-retail-execution-from-pen-paper-to-image-recognition-technology","status":"publish","type":"blog","link":"https:\/\/ivymobility.com\/fr\/blog\/the-evolution-of-retail-execution-from-pen-paper-to-image-recognition-technology\/","title":{"rendered":"L'\u00e9volution de l'ex\u00e9cution du commerce de d\u00e9tail\u00a0: du stylo et du papier \u00e0 la technologie de reconnaissance d'images"},"content":{"rendered":"

Bloguer par Deepak P.<\/a>, vice-pr\u00e9sident de la technologie chez Ivy Mobility<\/p>\n\n\n\n

Les entreprises de biens de consommation vendent leurs produits principalement via des points de vente au d\u00e9tail et, pour de meilleures ventes de leurs produits, elles ex\u00e9cutent plusieurs activit\u00e9s de vente dans ces points de vente. Ceux-ci sont g\u00e9n\u00e9ralement li\u00e9s \u00e0 la disponibilit\u00e9 des bons produits dans les points de vente, \u00e0 la visibilit\u00e9 des produits, aux prix et \u00e0 l'ex\u00e9cution des promotions. Nous pouvons d\u00e9composer ces \u00e9l\u00e9ments de strat\u00e9gie de marque en plusieurs KPI. Par exemple, un fabricant de biens de consommation peut n\u00e9gocier une part de march\u00e9 20% pour sa marque dans certaines cha\u00eenes de vente au d\u00e9tail et vouloir garantir l'ex\u00e9cution de ces conditions commerciales dans les points de vente. L'une des fa\u00e7ons d'ex\u00e9cuter les conditions commerciales consiste \u00e0 effectuer des audits p\u00e9riodiques dans les points de vente au d\u00e9tail, et ce processus est appel\u00e9 ex\u00e9cution au d\u00e9tail.<\/p>\n\n\n\n

\n
\n

Technologie pour l'ex\u00e9cution au d\u00e9tail<\/b><\/h4>\n

\u00c0 l\u2019\u00e8re pr\u00e9-smartphone, les agents de terrain effectuaient manuellement des audits de vente au d\u00e9tail. Auditeurs de d\u00e9tail (marchandiseurs) nomm\u00e9s par fabricants de biens de consommation<\/a><\/strong> visitez p\u00e9riodiquement les points de vente. Ils comptent les r\u00e9f\u00e9rences SKU, v\u00e9rifient les prix des produits, l'ex\u00e9cution des promotions, les promotions des concurrents et les activit\u00e9s de tarification \u00e0 l'aide d'un stylo et de papier. Une fois qu'ils ont couvert tous les points de vente de la journ\u00e9e, ils retournent au bureau et saisissent manuellement les donn\u00e9es dans une application de bureau ou Web. Ce processus pr\u00e9sente de nombreux d\u00e9fis, prend du temps, est sujet aux erreurs et ne donne aucun rapport en temps r\u00e9el. Le manque de granularit\u00e9 des donn\u00e9es rend les possibilit\u00e9s de validation et d\u2019analyse proches de z\u00e9ro. Certains KPI sont \u00e9galement difficiles \u00e0 calculer avec un stylo et du papier, ce qui rend difficile la prise de mesures correctives au niveau du point de vente.<\/p>\n<\/div>\n

\"R\u00e9alit\u00e9<\/figure>
<\/div>\n<\/div>\n\n\n\n

Avec le lancement des smartphones, les entreprises ont commenc\u00e9 \u00e0 construire applications bas\u00e9es sur smartphone pour l'ex\u00e9cution au d\u00e9tail<\/a><\/strong>. Ainsi, au lieu de capturer des donn\u00e9es sur papier, les auditeurs peuvent saisir les chiffres dans une application mobile, et l'application calculera automatiquement tous les KPI pertinents. Cela a aid\u00e9 les marchandiseurs \u00e0 prendre des mesures en temps r\u00e9el dans les points de vente. Les applications bas\u00e9es sur smartphone ont \u00e9galement permis d'acc\u00e9l\u00e9rer le reporting, car les donn\u00e9es pouvaient \u00eatre synchronis\u00e9es p\u00e9riodiquement avec la base de donn\u00e9es principale, r\u00e9duisant ainsi le temps de reporting. Mais m\u00eame avec une application bas\u00e9e sur un smartphone, certains des d\u00e9fis mentionn\u00e9s pr\u00e9c\u00e9demment, tels que le temps n\u00e9cessaire \u00e0 la collecte manuelle des donn\u00e9es, la possibilit\u00e9 d'erreurs manuelles, la granularit\u00e9 moindre de la collecte des donn\u00e9es et la possibilit\u00e9 de manipuler les donn\u00e9es, subsistaient.<\/p>\n\n\n\n

\n
\"Syst\u00e8me<\/figure>
<\/div>\n
\n

L'intelligence artificielle et l'apprentissage automatique ont progress\u00e9 au cours des 5 \u00e0 6 derni\u00e8res ann\u00e9es et nous constatons leur utilisation pour plusieurs applications pratiques. La vision par ordinateur, une branche de l\u2019apprentissage automatique, ne fait pas exception. La vision par ordinateur a trouv\u00e9 des applications dans la d\u00e9tection des visages, l'analyse du flux de trafic, la d\u00e9tection des d\u00e9fauts et le diagnostic assist\u00e9 par machine en sont quelques exemples. L\u2019une de ces applications concerne le domaine de l\u2019ex\u00e9cution au d\u00e9tail. Au lieu de collecter donn\u00e9es sur les rayons de vente au d\u00e9tail<\/a><\/strong> manuellement, nous pouvons le faire gr\u00e2ce \u00e0 une application bas\u00e9e sur la vision par ordinateur avec beaucoup plus de pr\u00e9cision et de rapidit\u00e9. Les auditeurs capturent un ensemble d'images d'\u00e9tag\u00e8res, et l'application bas\u00e9e sur la vision par ordinateur traite ces images et produit tous les KPI pertinents dans un court laps de temps. Les d\u00e9fis li\u00e9s \u00e0 une application de saisie manuelle de donn\u00e9es sont d\u00e9sormais r\u00e9solus par une application bas\u00e9e sur la vision par ordinateur, comme indiqu\u00e9 ci-dessous.<\/p>\n<\/div>\n<\/div>\n\n\n\n