Na Ivy, temos desenvolvido tecnologias mais recentes 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 concorrência crescente. 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 aprender mais sobre seus clientes e aumentar as vendas.

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

Prescritivo em vez de preditivo

Um mecanismo típico de recomendação de vendas analisa o espectro de dados para oferecer conselhos prescritivos aos representantes de vendas sobre as ações a serem tomadas. Estes estão um passo à frente do preditivo porque o preditivo pode dizer o que vai acontecer, mas o prescritivo 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 os representantes de vendas visitam as 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 obter melhor desempenho.

Adaptação às operações de distribuição

Você pode se perguntar se tudo isso parece ótimo 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 com 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 ao seu alcance. O que seria ainda mais emocionante é quando a loja se beneficiasse dessas recomendações. Você obtém melhor experiência do cliente, crescimento, execução perfeita na loja, menos rupturas de estoque e grandes pedidos. Implica também mais receita, aumento nas vendas mesmas lojas e melhoria na margem de lucro.

Recomendações para a vitória 

Um estudo da Harvard Business Review sugere que sistemas de recomendação são uma distinção algorítmica importante entre organizações nascidas digitais e empresas legadas. Ele também menciona que quando a IA e o ML geram recomendações personalizadas por meio da análise de dados do cliente, podem aumentar as vendas para varejistas em 1% a 2%, e nossa solução de recomendação nativa, 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 expandir seus negócios e melhorar as vendas. Uma de nossas maiores vantagens é que nossa solução precisa apenas de seis meses de dados anteriores para gerar recomendações com alta precisão e valores de recall. No entanto, preferimos que os nossos clientes utilizem dados de pelo menos 13 meses para garantir que o aspecto da sazonalidade seja coberto.

Perto da perfeição

A reciclagem e reutilização de registros multitrack nos ajudou a criar padrões repetíveis que economizam tempo para que nosso algoritmo de recomendação produza resultados. Agora oferecemos duas recomendações significativas com melhorias específicas: Fit Sell e Up-Sell. Também temos outros 14 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. GravaçãoRecomendadores usam enorme poder computacional para processar milhões de gigabytes de dados. Ele também executa threads paralelos para processar centenas de parâmetros, índices de segmentos, permutações e combinações para identificar padrões entre esses dados.

O futuro dos recomendadores

A jornada em direção à 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, aprimoramos os recursos existentes e, ao mesmo tempo, desenvolvemos novos pacotes de gerenciamento de crescimento de receitas que oferecem a garantia de maior lucratividade. Esperamos também construir um sistema que possa treinar e aumentar a produtividade dos nossos agentes de 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 compreender seu valor, ela não servirá ao propósito. Além disso, se as recomendações não carregarem rapidamente, o representante de vendas pode perder a fé nelas e fazer as coisas da maneira antiga. Conseqüentemente, a adoção e o desempenho da solução andam de mãos dadas. Se um representante de vendas sentir que o Ivy Recommender me ajuda a terminar o dia mais cedo e também a atingir minhas metas, seria uma vitória para nós e uma declaração convincente para as empresas de bens de consumo adotá-lo.

Nas observações 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 em ganhos mútuos para ambos”.