Aller au contenu
La transformation numérique avec Microsoft

Avez-vous déjà imaginé combien votre journée serait différente si vous aviez un assistant personnel dédié ? Quelqu’un qui arriverait tôt et partirait tard, qui ferait tout le travail administratif pour que vous fassiez bon usage de votre temps. Ne cherchez pas plus loin que le Machine Learning : une technologie émergente qui permet aux ordinateurs d’apprendre à partir des données, puis d’en tirer des prévisions, sans instructions explicites. Dans le cas des CPG (Consumer Goods Companies, entreprises de biens de consommation), le machine learning peut, par exemple, faire en sorte de que les représentants visitent les magasins plus efficacement et aient les moyens d’effectuer plus rapidement leurs tâches quotidiennes. Imaginez par exemple que vous puissiez déployer un robot pour contrôler la conformité des marchandises dans les rayons, ce qui libérerait votre capital humain pour des tâches à plus grande valeur ajoutée. Le fait de gagner du temps dans le magasin permet aux représentants de faire davantage de visites, ce qui peut générer des économies potentiellement importantes. Mais le machine learning sait faire mieux que rationaliser les visites des magasins : c’est un moyen efficace d’appliquer des données d’historique à un problème et créant un modèle et en l’utilisant pour prédire un comportement futur. Au fil du temps, le machine learning identifie des schémas et des tendances—quand une promotion marche, et avec quels paramètres—que les parties prenantes peuvent exploiter pour optimiser la stratégie de l’entreprise. Poursuivez votre lecture pour savoir comment le machine learning peut aider les CPG à savoir que faire et vers où se diriger, à en faire plus avec moins de saisie et à effectuer des analyses plus approfondies.

Automatiser et optimiser le plan de route

L’identification des points de vente à visiter, à quelle fréquence et ce qu’il convient de faire dans chacun demande beaucoup de travail. Imaginez que vous disposez d’un logiciel qui prend en compte un grand nombre de facteurs (outre la géographie) pour prévoir automatiquement le meilleur moment pour visiter un magasin particulier et améliorer l’efficacité générale de l’itinéraire. Si un magasin a généralement un passage à vide au moins de juillet, qu’un nouveau manager a été embauché ou qu’une nouvelle promotion est lancée, le logiciel ajuste l’itinéraire en fonction de ces éléments pour optimiser l’emploi du temps du collaborateur. Le machine learning produit également des listes de tâches sur mesure pour les visites de magasins fondées sur les besoins de ceux-ci. Ainsi, avant que le représentant n’arrive au magasin, il sera informé des problèmes tels que des équipements défaillants et ne perdra pas de temps à déterminer les tâches requises. Une fois que le représentant est sur place, le logiciel peut l’aider à rationaliser ses activités d’audit.

La visite de magasin « parfaite »

Quand un représentant réalise l’audit d’un magasin, imaginez qu’une technologie l’aide à employer son temps plus efficacement. Non seulement il peut se passer d’un papier et d’un crayon—toujours utilisés par 64 % des professionnels de la vente au détail[1]—mais il peut aussi éviter la saisie de données numériques grâce à la reconnaissance des images et à la fonctionnalité de conversion de parole en texte. La reconnaissance des images numériques permet de prendre des photos des étalages des produits dans le magasin au lieu d’enregistrer manuellement les résultats de l’inspection. Partant d’une image, un modèle peut évaluer les ruptures de stock, les fronts de vente, les parts de rayonnage et la conformité au planogramme. Alors qu’un opérateur humain devrait évaluer visuellement chaque détail pour déceler un placement de produit incorrect, le logiciel détecte les erreurs et les incohérences en quelques secondes. Le machine learning permet également au représentant de dicter oralement des notes, des instructions et de passer des commandes au moyen d’un appareil portable tel qu’une montre ou un casque connecté. Le système isole les mots clés de la dictée, lesquels déclenchent des actions dans le logiciel Retail Execution. Les données capturées numériquement font gagner du temps aux professionnels de la vente au détail et permettent d’éviter les erreurs inhérentes à la saisie manuelle des données. Les données issues des visites sont diffusées en temps réel, de sorte que les responsables reçoivent les résultats de l’audit instantanément au lieu d’attendre des mois après qu’il a été conduit.

Une analyse des données en profondeur

Une fois les données recueillies, le dernier avantage du machine learning dans le contrôle de la vente au détail est la détection de schémas dans les données, qui facilitent la détermination de la meilleure mesure à prendre par la suite. Les CPG traitent d’énormes volumes de données sur les ventes, les inventaires des magasins, les livraisons et les promotions dans des milliers de points de vente. L’utilisation de feuilles de calcul pour le suivi et l’analyse est très chronophage et les feuilles de calcul ne font jamais que ce qu’on leur dit de faire. En revanche, le machine learning identifie automatiquement les schémas et tendances communs qui seraient normalement difficiles à déceler. Par exemple, une solution ML peut analyser les données pour prévoir l’impact exact d’une promotion dans une grande chaîne de magasins, ou déterminer le retour sur investissement d’un programme de fidélisation dans une certaine boutique. Comprendre les données à leur niveau le plus élémentaire facilite l’évaluation des performances des produits, révèle les problèmes et aide à répandre les bonnes pratiques à tous les niveaux.

Machine Learning de Microsoft

Grâce au machine learning, vous pouvez améliorer significativement l’itinéraire des collaborateurs, automatiser les processus manuels répétitifs et améliorer l’analyse des données et la production d’informations dans toute votre organisation. Pour finir, ces avantages vous permettent de tenir le rythme de la croissance de votre marché et de prendre de meilleures décisions quant aux promotions, aux campagnes et aux investissements. Microsoft et ses partenaires vont poursuivre leurs efforts d’investissement dans le machine learning et le contrôle de la vente au détail pour aider les CPG à améliorer leur positionnement dans une ère de plus en plus numérique. Pour en savoir plus sur les solutions actuelles pour le contrepôle de la vente au détail, jetez un œil à AFS POP pour la vente au détail et AFS pour la vente au détail sur AppSource dès maintenant. [1]EKN Outlook, 2016