Искусственный интеллект (ИИ)
Как искусственный интеллект помогает производителям товаров повседневного спроса и офлайн-ритейлерам
Эпидемия COVID-19 временно изменила наши потребительские привычки. Люди стали больше экономить; сократили количество посещений магазинов, частично перешли на онлайн-покупки. При этом доля интернет-канала в продажах FMCG увеличилась с максимальных 2 до 3% из-за карантинных мер. Этот скромный результат обусловлен тем, что факторы роста электронной коммерции слабо выражены в товарах массового спроса. В ближайшие 5 лет не стоит ожидать увеличения на порядок доли онлайн-продаж в рознице.
Кроме того, пандемия не затронула еще один мощный тренд — поглощение традиционной розницы сетевыми магазинами. Последние уже занимают 75-80% российского рынка, и это свидетельствует о завершении этапа консолидации в отрасли.
При такой структуре рынка конкуренция за полочное пространство среди производителей товаров повседневного спроса постоянно возрастает. Так как в данной товарной категории потенциал товарных свойств давно исчерпан, то сейчас главным фактором является цена.
До введения ограничительных мер этой весной торговые сети массово привлекали покупателей всевозможными акциями. По оценке Nielsen, доля промо в продажах потребительских товаров в России уже превысила 50%-ный рубеж прошлого года как в стоимостном, так и в натуральном выражении.
Планируя оставаться конкурентоспособными, руководство присматривается к действительно новым решениям для работы в офлайне. Да, на рынке есть успешные кейсы увеличения выручки за счет увеличения доли рынка. Но также можно избежать ловушки низкой маржи, оптимизируя процессы и повышая их эффективность. Современные масштабируемые технологии и инновационные подходы к управлению продажами позволяют повысить прибыльность бизнеса даже в неблагоприятных условиях.
"Локальность и Точность"
На мировом рынке услуг по распознаванию фотографий явный лидер — израильский вендор Trax. Он начал свою операционную деятельность более десяти лет назад. В 2019 году компания окончательно подтвердила свои позиции за счет поглощения ближайшего конкурента, европейской компании Planorama. Кроме того, после коммерциализации технологий в 2014-2015 годах на местных рынках стали появляться молодые компании с амбициями, в том числе международными.
Крупные и средние производители при формировании своих бизнес-процессов повсеместно используют систему Sales Force Automation (SFA). Его функционал позволяет оптимизировать сбор и обработку заказов, обеспечить максимально эффективное управление выездным персоналом и дистрибьюторской сетью, настроить базовый уровень аналитики по розничным точкам, по вторичным продажам (Sell-Out), по эффективности Структура организации продаж.
Структура KPI для управления продажами Sell-Out в FMCG
Некоторые ритейлеры тестируют и внедряют новые технологии и искусственный интеллект пока на втором уровне системы управления продажами.
Для снижения нагрузки на фонд оплаты труда все участники рынка, в том числе и FMCG-гиганты, вынуждены отказываться от собственного торгового персонала и применять в своей практике аутстаффинг. К преимуществам относятся экономия средств и повышенная гибкость. Однако возрастают риски, связанные с человеческим фактором: низкая лояльность, вовлеченность, квалификация и мотивация внешних сотрудников.
Это оказывает особенно сильное влияние на сбор, обработку и аудит полевых метрик. Речь идет о классических полочных KPI мерчендайзера и торгового представителя: On Shelf Availability (OSA), Out of Stock (OOS), Share of Shelf и многих других показателях представленности товара в торговых точках.
Международные корпорации разрабатывают собственные алгоритмы достижения и контроля этих показателей («RED» для Coca Cola, «Perfect Store» для MARS, «ITOS» для InBev и др.). Но даже в этом случае сбор данных с полки или аудит является «камнем преткновения». В то же время производители второго эшелона и локальные игроки пытаются разобраться с базовыми KPI, чтобы хоть как-то управлять своим присутствием в рознице. В обоих случаях в последние годы лучшим катализатором процесса служат инновационные технологии. В нашем случае это сервис высокоточного распознавания фотографий на основе ИИ, направленный на контроль ассортимента на полках в офлайн-магазинах и повышение эффективности мерчандайзинга.
Директор по Развитию Бизнеса
ДО и ПОСЛЕ роллаут
Проект реализуется в несколько этапов. На пилотном этапе достигается базовый уровень точности для распознавания новой продуктовой базы в одной или нескольких категориях. Выездные сотрудники обучаются работе с техникой на тестовом сайте, совершают выезды по новым правилам и накапливают фотоконтент. Нейросеть начинает лучше распознавать товары на полках. Первые результаты предоставляют заказчику достоверную информацию о реальных уровнях выполнения основных KPI: OSA и OOS. Появляется возможность эффективно управлять показателями на пилотной территории, формируется доверие к процессу.
В случае успеха проект переходит в стадию роллаут: количество участников экосистемы увеличивается до сотен или тысяч, а фотобаза увеличивается до сотен тысяч или миллионов изображений SKU. Расширение списка KPI, их настройка, устранение сбоев в цепочках работы персонала, управление изменениями, техподдержка — все это превращает продукт в полноценный SaaS-сервис. Теперь услуги предоставляются по подписке, а компания-разработчик получает рекуррентные платежи.
В этот период стоит сосредоточиться на масштабировании, а не выходить далеко за рамки базовых метрик, связанных с распределением товарных позиций, их наличием на полках и долей в категории. В противном случае заказчик рискует затянуть запуск «в поле», что может привести к излишним потерям для бизнеса.
После того, как технология распознавания внедрена повсеместно, а служба продаж доверяет и опирается на данные, полученные с помощью технологии, начинаются третьи этапы — извлечение дополнительных выгод.
Его основная задача — автоматизировать более сложные метрики и процессы как приоритетные для конкретного производителя FMCG. Чаще речь идет об измерении уровня соблюдения планограмм (правил выкладки товара), мониторинге цен, анализе конкурентов. Но есть и уникальные запросы. Например, чтение меню или оцифровка категорий товаров в магазине.
На практике планограмма раскладывается на набор определенных правил выкладки товаров. Они доставляются исполнителям, т. е. мерчендайзерам или торговым представителям, и аудитору, т. е. системе распознавания образов. Так достигается наивысшая эффективность процесса — пользователь четко понимает, почему сервис оценил его работу на том или ином уровне. Среди наиболее распространенных правил выделяют: количество позиций товара; ширина дисплея (как в гранях, так и в сантиметрах); соответствие номера полки; макет бренда в едином блоке; и заказ товара. При этом система не сравнивает фото макета с целевой планограммой попиксельно. В этом случае уровень уступчивости всегда будет стремиться к нулю, что обусловлено многими факторами.
Обычно на этом этапе акцент смещается на получение максимальной выгоды от оптимизации процессов, так как задача окупаемости технологии уже решена ранее. Накапливая повседневные данные, пользователь увеличивает глубину и качество оценки ассортимента, что позволяет ему в режиме реального времени делать выводы о наиболее эффективных стратегиях мерчандайзинга, масштабировать их и тестировать новые гипотезы.
В будущем этот вид SaaS-сервиса может стать одним из базовых сервисов крупных розничных сетей FMCG, и не только их. По оценке BCG, выручка может быть увеличена на 7-9% за счет внедрения ИИ-решений в области продаж, маркетинга и планирования производства. По этому пути уже идут некоторые зрелые игроки рынка в странах Запада, имеющие более прозрачные и формализованные условия сотрудничества.