Ir para o conteúdo
Blogs de indústria da Microsoft

Você já imaginou como seu dia seria diferente se você tivesse um assistente pessoal dedicado? Alguém que pudesse chegar cedo e ficar até tarde, fazendo o trabalho administrativo cansativo para que você pudesse aproveitar seu tempo ao máximo. Agora você tem o Machine Learning, uma tecnologia emergente que permite aos computadores aprender e fazer previsões sobre dados sem instruções explícitas. Para as empresas de bens de consumo, o Machine Learning pode, por exemplo, assegurar que os representantes de campo sejam encaminhados para visitas a lojas de forma mais eficiente e fiquem capacitados a gerenciar tarefas diárias rapidamente. Imagine, por exemplo, que você pudesse implantar um robô para verificar se há conformidade com o merchandising nos corredores, liberando seu capital humano para se concentrar em tarefas com mais valor agregado. Ao poupar tempo nas lojas, os representantes podem realizar mais visitas, o que resulta em uma economia de custos potencialmente significativa. Mas o Machine Learning faz mais do que agilizar visitas a lojas. Trata-se de uma maneira eficaz de aplicar dados históricos a um problema por meio da criação de um modelo usado para prever o comportamento futuro. Ao longo do tempo, o Machine Learning identifica padrões e tendências — por exemplo, quando uma promoção funciona e com que parâmetros — que as partes interessadas podem aproveitar para melhorar a estratégia da empresa. Continue lendo para saber mais sobre como o Machine Learning pode ajudar as empresas de bens de consumo a planejar para onde ir e o que fazer, produzir mais com menos entrada de dados e aprofundar a análise de dados.

Automatizar e otimizar o planejamento de rotas

Dá muito trabalho identificar quais pontos de venda devem ser visitados, com que frequência e o que deve ser feito lá. Imagine estar de posse de um software que considera vários fatores além da geografia para prever automaticamente a melhor época para visitar uma determinada loja e melhorar a eficiência geral das rotas. Se uma loja costuma tem uma queda em julho, contratou um novo gerente recentemente ou vai fazer uma nova promoção em breve, o software ajusta o planejamento das rotas de modo a otimizar o tempo dos funcionários. A tecnologia de Machine Learning também gera listas de tarefas adaptadas para visitas a lojas com base nas necessidades de uma loja específica. Assim, antes que o representante da conta chegue à loja, ele estará ciente de problemas como equipamentos defeituosos e não terá que gastar tempo determinando quais tarefas são necessárias. Quando o representante chegar ao local, o software também poderá ajudá-lo a agilizar suas atividades de auditoria.

Possibilitar a visita de loja “perfeita”

Quando os representantes de conta estão realizando uma auditoria de loja, imagine ter uma tecnologia que os ajude a usar seu tempo com mais eficiência. Não só eles seriam capazes de evitar o uso de caneta e papel — que 64% dos profissionais de execução de varejo ainda usam[1] — como também poderiam ignorar a entrada de dados digitais usando as funções de reconhecimento de imagem digital e de conversão de fala em texto. O reconhecimento de imagem digital permite que os representantes tirem fotos de produtos expostos na loja, em vez de registrar os resultados da inspeção manualmente. Com base em uma imagem, um modelo pode avaliar a falta de estoque, a distribuição dos produtos, os preços, o espaço destinado aos produtos e a conformidade com o planograma. Enquanto um operador humano teria que avaliar cada detalhe visualmente para encontrar erros na colocação de produtos, o software encontra erros e inconsistências em segundos. Além disso, o Machine Learning permite que os representantes ditem anotações, comandos e encomendas verbalmente para um dispositivo “wearable”, como um relógio inteligente ou fone de ouvido. O sistema isola palavras-chave do ditado, desencadeando ações no software de execução de varejo. Capturando os dados digitalmente, os profissionais de execução de varejo poupam tempo e evitam os erros inerentes à coleta manual de dados. Os dados das visitas são disseminados em tempo real, de modo que os gerentes recebem os resultados da auditoria imediatamente, e não meses após a conclusão.

Aprofundar a análise de dados

Uma vez coletados os dados, o benefício final da aplicação do Machine Learning à execução de varejo é encontrar padrões em dados que podem ajudar a prever o próximo passo. As empresas de bens de consumo lidam com imensos volumes de dados sobre vendas, inventários, entregas e promoções em milhares de lojas de varejo. O uso de planilhas para acompanhamento e análise é demorado, e as planilhas só podem fazer o que você manda fazer. Mas o Machine Learning automaticamente identifica padrões comuns e tendências que normalmente seriam difíceis de descobrir. Por exemplo, uma solução de ML pode analisar dados para prever o impacto exato de uma promoção em uma grande cadeia de lojas ou determinar o ROI de um programa de fidelidade em uma determinada loja. O entendimento dos dados em nível granular torna mais fácil medir a performance dos produtos, reconhecer os problemas e escalar as melhores práticas coletivas.

Microsoft Machine Learning

O Machine Learning pode oferecer uma contribuição significativa na determinação de rotas mais eficientes para funcionários de campo, na automatização de processos manuais repetitivos e no aprimoramento da análise de dados e dos insights em toda a organização. Em última análise, esses benefícios ajudam a acompanhar o crescimento do mercado de produtos e a tomar melhores decisões sobre promoções, campanhas e investimentos. A Microsoft e seus parceiros continuarão a realizar investimentos constantes em Machine Learning e execução de varejo para ajudar as empresas de bens de consumo a se posicionarem melhor em uma era cada vez mais digital. Para saber mais sobre as soluções já disponíveis no mercado para execução de varejo, confira hoje mesmo o AFS POP Retail Execution e o AFS Retail Execution no AppSource. [1]EKN Outlook, 2016