Apprentissage automatique + marchandisage au détail = visites en magasin et analyses des données chargées à bloc
Avez-vous déjà imaginé à quel point votre journée serait différente si vous disposiez d’un assistant personnel dédié? Il pourrait arriver tôt et travailler tard et s’occuper des tâches administratives sur le terrain pour vous permettre de profiter au maximum de votre temps. La solution, c’est l’apprentissage automatique, une technologie émergente qui permet aux ordinateurs d’apprendre à partir de données et d’effectuer des prédictions à partir de celles-ci sans que vous ayez à leur fournir des directives explicites. En ce qui concerne les entreprises de biens de consommation, l’apprentissage automatique peut permettre d’affecter les représentants sur le terrain à des visites en magasin plus efficacement et de leur fournir les capacités nécessaires pour effectuer rapidement leurs tâches quotidiennes. Imaginez un robot qui pourrait faire le tour des rayons pour vérifier la conformité des produits et libérer ainsi du capital humain pour vos tâches à plus grande valeur ajoutée. Gagner du temps en magasin permet aux représentants d’effectuer davantage de visites et donc potentiellement de réaliser des économies importantes. Mais l’apprentissage automatique ne sert pas qu’à simplifier les visites en magasin : c’est un moyen efficace d’appliquer un historique de données à un problème en créant un modèle et en utilisant ce dernier pour prédire des comportements futurs. Au fil du temps, l’apprentissage automatique détecte les habitudes et les tendances, par exemple la période où une promotion connaît du succès et les paramètres connexes, sur lesquels les intervenants peuvent se fonder pour améliorer la stratégie de l’entreprise. Poursuivez votre lecture pour découvrir comment l’apprentissage automatique peut aider les entreprises de biens de consommation à déterminer où aller et quoi faire, à en faire plus avec moins de saisies de données et à approfondir leur analyse de données.
Automatisez et optimisez la planification des itinéraires
Beaucoup d’efforts sont mis pour déterminer quel point de vente doit faire l’objet d’une visite et à quelle fréquence et ce qui doit être fait sur place. Imaginez disposer d’un logiciel qui tient compte de plusieurs facteurs autres que la localisation pour prédire automatiquement le meilleur moment pour se rendre à un magasin et améliorer l’efficacité globale des itinéraires. Si un magasin connaît une période creuse chaque mois de juillet, a récemment embauché un nouveau gérant ou s’apprête à lancer une promotion, le logiciel adaptera les itinéraires en conséquence pour optimiser le temps de travail des employés. La technologie d’apprentissage automatique peut également créer des listes de tâches à effectuer en magasin en fonction des besoins particuliers de chaque magasin. Ainsi, avant d’arriver en magasin, le représentant sera déjà au courant des problèmes, par exemple ceux relatifs à de l’équipement en panne, et n’aura pas à perdre du temps à déterminer les tâches à effectuer. Lorsque les représentants arrivent sur place, le logiciel peut également les aider à simplifier leurs activités de vérification.
Ayez la possibilité d’effectuer la visite en magasin « parfaite »
Imaginez que les représentants disposent d’une technologie qui leur permette d’employer leur temps à bon escient lorsqu’ils effectuent une vérification en magasin. Ils pourraient non seulement travailler sans stylo ni papier (qu’utilisent encore 64 % des professionnels du marchandisage au détail[1]), mais également éviter d’avoir à saisir des données numériques en employant la reconnaissance des images numériques et une fonctionnalité parole-texte. La reconnaissance des images numériques permet aux représentants de prendre des photos des présentoirs de produits en magasin plutôt que de consigner manuellement les résultats d’inspection. Un modèle peut ensuite évaluer les articles en rupture de stock, la présentation, les prix, l’espace sur les tablettes et la conformité au planogramme à partir d’une image. Alors qu’un agent humain devrait évaluer visuellement chaque élément pour déceler un problème de placement de produit, le logiciel, lui, peut trouver les erreurs et les incohérences en quelques secondes. L’apprentissage automatique permet également aux représentants de dicter des notes, des ordres et des commandes dans un appareil portable comme une montre ou un casque d’écoute intelligents. Le système isole les mots-clés des paroles enregistrées, et ces mots déclenchent des actions dans le logiciel de marchandisage au détail. Les données enregistrées numériquement permettent aux professionnels du marchandisage au détail de gagner du temps et d’éviter les erreurs inhérentes à la collecte de données manuelle. Comme les données recueillies lors des visites sont disséminées en temps réel, les gestionnaires reçoivent les résultats des vérifications sur-le-champ plutôt que plusieurs mois après celles-ci.
Approfondissez l’analyse de données
En plus de recueillir les données, l’apprentissage automatique employé dans le domaine du marchandisage au détail peut déceler des tendances dans les données pour prédire la meilleure marche à suivre pour la suite des choses. Les entreprises de biens de consommation gèrent d’énormes quantités de données concernant les ventes, les stocks en magasin, les livraisons et les promotions chez des milliers de détaillants. L’utilisation de feuilles de calcul pour effectuer un suivi et une analyse demande beaucoup de temps, et une feuille de calcul peut uniquement faire ce que vous lui demandez explicitement. L’apprentissage automatique, lui, reconnaît automatiquement les modèles et tendances courants qui seraient normalement difficiles à déceler. Par exemple, une solution d’apprentissage automatique peut analyser des données pour prédire l’effet exact d’une promotion chez une importante chaîne de magasins ou déterminer le rendement d’un programme de fidélité au sein d’un magasin précis. Comprendre les données à l’échelle granulaire facilite le calcul du rendement d’un produit, la détection de problèmes et la mise à l’échelle de pratiques exemplaires à l’ensemble des activités.
Microsoft Machine Learning
L’apprentissage automatique peut grandement aider à affecter efficacement les employés sur le terrain, à automatiser les procédés manuels répétitifs et à améliorer l’analyse de données et l’obtention de renseignements pratiques à l’échelle d’une organisation. Au final, ces avantages vous aident à suivre le rythme de la croissance du marché de votre produit et à prendre de meilleures décisions en matière de promotions, de campagnes et d’investissements. Microsoft et ses partenaires continueront à réaliser des investissements continus en apprentissage automatique et en marchandisage au détail pour aider les entreprises de biens de consommation à mieux s’adapter à notre époque de plus en plus numérique. Pour en savoir plus sur nos solutions en marché de marchandisage au détail actuelles, jetez un coup d’œil à AFS POP Retail Execution et à AFS Retail Execution sur AppSource dès aujourd’hui. [1]EKN Outlook, 2016
