Na Ivy, construímos tecnologias mais novas para empresas de bens de consumo nos últimos 20 anos. Nossas equipes de P&D criaram muitas soluções para ajudar as empresas de bens de consumo a escalar e acompanhar a crescente concorrência. Graças aos avanços em inteligência artificial, aprendizado de máquina e aprendizado profundo, agora você pode analisar milhões de lojas usando um modelo de dados para entender comportamentos e tendências para fazer recomendações. Continue lendo para descobrir como os sistemas de recomendação ajudam você a saber mais sobre seus clientes e aumentar as vendas.

Este blog também é um passeio pela memória de Ranjith T, chefe de desenvolvimento de produtos, e explica o que está por trás do desenvolvimento de nosso mecanismo de recomendação nativo - Ivy Recommender.

Prescritivo sobre Preditivo

Um mecanismo de recomendação de vendas típico analisa o espectro de dados para oferecer conselhos prescritivos aos representantes de vendas sobre as ações a serem tomadas. Elas estão um passo à frente da preditiva porque a preditiva pode dizer o que vai acontecer, mas a prescritiva pode mudar o que vai acontecer se você agir de uma determinada maneira.
Todos nós encontramos mecanismos de recomendação em nosso dia-a-dia, como sugestões de filmes na Netflix, recomendações de produtos da Amazon e muitos outros. Isso é tudo B2C! Para empresas de bens de consumo, onde representantes de vendas visitam lojas para impulsionar as vendas de produtos, aplicamos a mesma sabedoria analítica às necessidades de empresas de bens de consumo. Nossa solução pode ajudá-los a obter mais valor de cada canal e aumentar as decisões dos representantes de vendas para um melhor desempenho.

Encaixe nas Operações de Distribuição

Você pode se perguntar que tudo isso soa bem na teoria, mas como isso se encaixa em aplicações práticas. Uma empresa de bens de consumo com uma excelente equipe de vendas, onde os representantes de vendas têm ótimo relacionamento com todas as lojas, também se beneficiaria de um mecanismo de recomendação.

Imagine um cenário em que seus representantes de vendas compartilham recomendações com gerentes e proprietários de lojas, e a loja fica impressionada com a quantidade de informações que sua equipe tem na ponta dos dedos. O que seria ainda mais emocionante é quando a loja se beneficia dessas recomendações. Você obtém melhor experiência do cliente, crescimento, execução perfeita na loja, menos falta de estoque e pedidos grandes. Também implica mais receita, aumento nas vendas nas mesmas lojas e melhora na margem de lucro.

Recomendações para a vitória 

Um estudo da Harvard Business Review sugere que sistemas de recomendação são uma importante distinção algorítmica entre organizações nascidas digitais e empresas legadas. Ele também menciona que, quando AI & ML gera recomendações personalizadas analisando dados de clientes, pode aumentar as vendas para varejistas de 1% a 2%, e nossa solução nativa de recomendação, Ivy Recommender, tem o potencial de aumentar as vendas para varejistas em 5%.

Criamos nosso mecanismo de recomendação para ajudar as organizações a obter melhor valor de seus dados para ajudá-las a escalar seus negócios e melhorar as vendas. Uma de nossas maiores vitórias é que nossa solução precisa de apenas seis meses de dados anteriores para gerar recomendações com alta precisão e valores de recall. No entanto, preferimos que nossos clientes usem dados de pelo menos 13 meses para garantir que o aspecto de sazonalidade seja coberto.

Perto da perfeição

A reciclagem e a reutilização de registros de várias faixas nos ajudou a criar padrões repetíveis que economizam tempo para que nosso algoritmo de recomendação produza resultados. Agora oferecemos duas recomendações significativas com melhorias focadas: Fit Sell e Up-Sell. Também temos 14 outros casos de uso em andamento que essencialmente mitigariam problemas desde o recrutamento até o desempenho dos agentes de campo.

Quanto mais você usa o recomendador, mais ele aprende e melhora. Recomendadores usar o poder computacional maciço para processar milhões de gigabytes de dados. Ele também executa threads paralelos para processar várias centenas de parâmetros, índices de segmento, permutações e combinações para identificar padrões entre esses dados.

O futuro dos recomendadores

A jornada para a inovação está em andamento. Nós sombreamos representantes de vendas em suas idas às lojas para entender como nosso recomendador faz a diferença em seu trabalho. Isso nos ajuda a obter insights sobre como aprimorar o que eles fazem e projetar de acordo.

À medida que aprendemos mais sobre nosso mecanismo, estamos aprimorando os recursos existentes enquanto desenvolvemos novos pacotes de gerenciamento de crescimento de receita que garantem maior lucratividade. Também esperamos construir um sistema que possa treinar e aumentar a produtividade de nossos agentes da força de campo.

A outra parte da qual depende o futuro dos recomendadores é a usabilidade. Se uma empresa de bens de consumo implementar a recomendação, mas a equipe de operações não entender seu valor, ela não servirá ao propósito. Além disso, se as recomendações não forem carregadas rapidamente, o representante de vendas poderá perder a fé nelas e fará as coisas da maneira antiga. Portanto, a adoção e o desempenho da solução andam de mãos dadas. Se um representante de vendas achar que o Ivy Recommender me ajuda a terminar meu dia mais cedo e também me ajuda a atingir minhas metas, seria uma vitória para nós e uma declaração convincente para as empresas de bens de consumo adotá-lo.

Nas considerações finais, Ranjith diz: "Na Ivy, nos esforçamos para ajudar as empresas de bens de consumo a construir um relacionamento mais profundo, robusto e valioso com seus parceiros de canal - um relacionamento que se traduz em crescimento mútuo e ganha-ganha para ambos".