Share it with your network.
Reloj Shelf ayudó a una de las mayores empresas de bienes de consumo del mundo mejorar el cumplimiento de la comercialización en un 30% en 100 000 tiendas comerciales tradicionales en la India.
Las marcas de CPG gastan una cantidad sustancial de dinero en sus socios minoristas para mejorar su presencia en la tienda y ejecución de promociones. Estas tarifas de asignación de plazas, visualización y pago por estancia pueden acumularse rápidamente, lo que repercute en sus resultados. Por lo tanto, es importante que los fabricantes de bienes de consumo envasados se aseguren de obtener el espacio por el que pagan. También deben asegurarse de que los representantes hacen su trabajo correctamente para garantizar la mejor ejecución posible en el sector minorista.
En este blog, te explicamos cómo funciona ParallelDots herramienta automatizada de monitoreo de estanterías ShelfWatch, ayudó al cliente a mejorar el cumplimiento de su comercialización con su tecnología de reconocimiento de imágenes.
Iniciativa única del cliente
Nuestro cliente, una marca global de productos de cuidado personal y doméstico con una gran cartera de marcas icónicas, quería entender el cumplimiento de las secciones de comercialización de sus secciones de marca especializadas en comercio tradicional en la India. Antes de ponerse en contacto con nosotros, el cliente hizo un estudio y descubrió que las tiendas con secciones dedicadas a su marca generaban ventas adicionales del 7 al 10% al mes.
Con el objetivo de generar un aumento de ventas adicional del 7 al 10%, el cliente también quería comprender el cumplimiento de las secciones de su marca después de la visita de los comerciantes.
El cliente quería implementar Reconocimiento de imágenes para automatizar las comprobaciones de cumplimiento a partir de las fotos capturadas por los comerciantes después de sus visitas.
Además de comprender el cumplimiento de la comercialización, el cliente también quería entender cómo los minoristas mantenían sus secciones de marca. Contrataron a una agencia de campo externa para que auditara estas tiendas una vez al mes. Querían entender el índice de cumplimiento de las secciones de su marca en diferentes tiendas y premiar a las tiendas mantener un mayor cumplimiento.
Además de analizar las imágenes capturadas por los comerciantes, el cliente también quería que las fotos capturadas por los auditores de campo fueran analizadas por Image Recognition para clasificar las tiendas.
El desafío
1. El alcance del proyecto
El estudio se lleva a cabo a gran escala con más de 500 tipos diferentes de activos de comercialización distribuidos en 1000 SKU desplegados en más de 100 000 tiendas. La escala y el alcance del proyecto significaron que el número total de imágenes capturadas cada día superaría las 75 000 y 1,5 millones al mes.
2. Materiales de comercialización muy variados
Otro desafío para la tecnología de reconocimiento de imágenes basada en redes neuronales era que los materiales de comercialización cambiaban todos los meses y, por lo tanto, la red debía capacitarse rápidamente y desplegarse antes de que los comerciantes comenzaran a instalarla en las tiendas.
El enfoque: la diferencia de ShelfWatch
Antes de ShelfWatch
El enfoque inicial del cliente consistía en analizar manualmente las fotos de la tienda y medir el cumplimiento de la comercialización. La evaluación manual planteó varios desafíos, algunos de los cuales se mencionan a continuación:
1. Tiempo de respuesta bajo
El análisis manual de datos a escalas tan grandes consumía mucho tiempo, lo que provocaba un retraso en la generación de información. Esto provocó además un retraso en la identificación de los cuellos de botella y en la adopción oportuna de las medidas correctivas. Como resultado, siempre hubo una enorme brecha entre el planograma esperado y la realidad de la tienda.
2. Baja precisión
Hay una falta de uniformidad en los patrones de apilamiento entre los minoristas, lo que lleva a diferentes tipos de imágenes en términos de orientación del stock, iluminación y posicionamiento. Los agentes de campo tienen dificultades para mantener la coherencia de los datos que recopilan porque estas imágenes atípicas tardan más en analizarse.
3. Análisis incompleto
En la búsqueda de imágenes estándar, los agentes de campo son víctimas de otros tipos de sesgos de percepción humana. Muy a menudo sucede que mientras recopilación de datos, los representantes toman varias imágenes de la misma estantería desde varios ángulos. Este es un problema grave, ya que puede provocar una doble contabilización de las métricas de estantería (por ejemplo parte de la estantería), lo que a su vez afecta a los conocimientos.
4. Caro
Dado que las auditorías manuales eran incompetentes y no llegaban a proporcionar cumplimiento deseado del planograma, el dinero total gastado en el estudio no pudo compensarse con las ventas totales.
Debido a los factores anteriores, el cliente no pudo tomar medidas sobre la base de los conocimientos de manera oportuna y, por lo tanto, el cumplimiento general fue de alrededor del 55%.
Después de ShelfWatch
Implementamos ShelfWatch después de capacitar a la IA en todos los SKU y materiales de comercialización. Superamos algunos de los desafíos gracias a la novedad de nuestra tecnología, que se detalla a continuación:
- Escasez de datos: Como los materiales de comercialización cambiaban cada mes, nunca había datos suficientes para entrenar a las redes neuronales a detectar estos materiales con una precisión muy alta.
- Calidad de imagen: Debido a la naturaleza caótica de Comercio general, no todos los SKU se colocaron en la orientación ideal para que la IA los detectara fácilmente.
Estos problemas se superaron utilizando la arquitectura de IA de ShelfWatch, que solo requiere una imagen de alta resolución para entrenar a la IA. El cliente compartió estas imágenes de alta resolución, también conocidas como fotos de paquetes o imágenes maestras, a principios de mes. En 48 horas, la IA recibió formación sobre estos materiales de comercialización para empezar a detectarlos.
1. Integración
Una vez que se configuró el entrenamiento de IA, el equipo de ParallelDots descargó automáticamente las imágenes de campo mediante integraciones de SFA con el sistema de gestión de activos del cliente. Las imágenes se descargaban a una hora determinada todos los días, junto con metadatos como el nombre de la tienda, la ubicación geográfica, el nombre del comerciante, la hora de captura y las entradas del comerciante.
2. El monitoreo diario es más fácil
- Como el análisis manual llevó tiempo, ralentizó el proceso de monitoreo diario, lo que retrasa la toma de información y las medidas correctivas.
- Tan pronto como se analizaron todas las imágenes, ShelfWatch envió informes diarios generados automáticamente a los supervisores, lo que les permitió hacer un seguimiento de su propia ejecución en la tienda. La reducción del tiempo de entrega ayudó a acelerar las medidas correctivas y a mejorar la ejecución general.
El resultado: una mejora del 30% en el cumplimiento de la comercialización
Con la ayuda de la tecnología de reconocimiento de imágenes de ShelfWatch, el cliente pudo obtener información precisa y oportuna sobre las condiciones de la tienda, lo que permitió las condiciones de comercialización mejorarán del 55% al 85% con 2 meses de implementación. Este aumento del 30% en el cumplimiento de las normas de comercialización también contribuyó a una aumento de ventas adicional del 2%. Impresionado por la eficiencia de ShelfWatch, el cliente ahora está lanzando ShelfWatch a las tiendas comerciales modernas para entender el Share of Shelf (SOS) de sus marcas.
¿Te gustó el blog? Lea nuestro otro blog para entender cómo el reconocimiento de imágenes puede ayudar a tu marca a lograr una tienda perfecta.
¿Quieres ver el rendimiento de tu propia marca en las estanterías? Haga clic aquí para programar una demostración gratuita.
