Как искусственный интеллект приносит деньги производителям FMCG и офлайн-ритейлерам

Рассказывает Евгений Матаев, директор по развитию Intelligence Retail. 

Эпидемия COVID-19 временно изменила наши потребительские привычки. Люди стали больше экономить, сократили число походов в магазины, частично переключились на покупки в онлайн. При этом доля интернет-канала в продажах FMCG вследствие карантинных мер выросла максимум с 2 до 3%. Этот скромный результат обусловлен тем, что факторы роста e-commerce слабо выражены в товарах массового спроса. В ближайшие 5 лет не стоит ожидать порядкового роста доли онлайн-продаж в ритейле. 

Кроме того, пандемия не сказалась на другом мощном тренде — поглощении традиционной розницы сетями. Последние уже занимают 75-80% российского  рынка, и это говорит о завершении стадии укрупнения в отрасли. 

При такой структуре рынка среди производителей FMCG постоянно усиливается конкуренция за полочное пространство. Поскольку в этой товарной категории потенциал свойств продукта давно исчерпан, главным фактором стала цена.

До введения этой весной ограничительных мер розничные сети массово привлекали покупателей всевозможными акциями. По оценке компании Nielsen в России доля промо в продажах товаров повседневного спроса превысила отметку в 50% еще в прошлом году, как в стоимостном выражении, так и по объемам. 

Чтобы остаться конкурентоспособным, менеджмент присматривается к действительно новым решениям по работе в офлайн. Да, на рынке есть успешные кейсы наращивания выручки за счет увеличения доли рынка. Но выйти из ловушки низкой маржинальности можно и путем оптимизации процессов, повышения их эффективности. Современные масштабируемые технологии и инновационные подходы в управлении продажами способны улучшить рентабельность бизнеса даже в неблагоприятных условиях. 


«Локально и точно»

На глобальном рынке сервисов по распознаванию фотоизображений есть очевидный лидер — израильский вендор Тrах. Он начал деятельность более десяти лет назад. В 2019 году окончательно закрепил свою позицию за счет поглощения ближайшего по величине конкурента — европейской компании Planorama. Кроме того, после коммерциализации технологии в 2014-2015 гг., на локальных рынках стали появляться молодые компании с амбициями, в том числе и международными.

Выстраивая свои бизнес-процессы, крупные и средние производители  повсеместно используют систему Sales Force Automation (SFA). Ее функционал позволяет оптимизировать сбор и обработку заказов, обеспечить максимально эффективное управление полевым персоналом и дистрибьюторской сетью, настроить базовый уровень аналитики по торговым точкам, вторичным продажам (Sell-Out) и эффективности оргструктуры продаж.
 

Уже на втором уровне системы управления продажами некоторые ритейлеры тестируют и внедряют новые технологии, искусственный интеллект. 

Для снижения нагрузки на фонд оплаты труда все участники рынка, включая гигантов FMCG, вынуждены отказываться от собственного торгового персонала и практиковать аутстаффинг. Среди плюсов — экономия и повышение гибкости. Однако повышаются риски, связанные с человеческим фактором: низкая лояльность, вовлеченность, квалификация и мотивация внешних сотрудников. 

Особенно сильно это сказывается на сборе, обработке и аудите полевой метрики. Речь о классических полочных KPI мерчендайзера и торгового представителя: On Shelf Availability (OSA), Out of Stock (OOS), доля полки (Share of Shelf), и многих других индикаторах представленности продукта в торговых точках. 

Международные корпорации разрабатывают собственные алгоритмы достижения и контроля этих показателей (“RED” у Coca Cola, “Perfect Store” у MARS, “ITOS” у InBev и т.д.). Но даже в таком случае сбор данных с полочного пространства, или аудит — это “узкое место”. В то же время, производители второго эшелона и локальные игроки пытаются разобраться с базовыми KPI, чтобы хоть как-то управлять своей представленностью в рознице. И в том и в другом случае, наилучшим катализатором процесса, в последние годы, выступают инновационные технологии. В нашем случае — сервис высокоточного распознавания фотоизображений на базе ИИ для контроля ассортимента полок в офлайн магазинах и повышения эффективности мерчендайзинга. 

---

Читайте также: Я тебя вижу: как компьютерное зрение помогает управлять покупателями

---

 
До и после роллаута 

Внедрение проекта происходит в несколько этапов. 

На стадии пилота достигается базовый уровень точности распознавания новой товарной базы, одной или нескольких категорий. Полевые сотрудники учатся работать с технологией на тестовой территории, совершают визиты по новым правилам и аккумулируют фотоконтент. Нейросеть начинает лучше узнавать товары на полках. 

Первые результаты дают заказчику достоверную информацию о реальных уровнях выполнения базовых KPI: OSA и OOS. Появляется возможность эффективно управлять показателями на пилотной территории, формируется доверие к процессу.

В случае успеха, проект переходит в стадию роллаута: количество участников экосистемы увеличивается до сотен или тысяч, база фотографий — до сотен тысяч или миллионов изображений SKU. Расширение перечня KPI, их кастомизация, устранение провалов в цепочках работы персонала, change-менеджмент, техническое сопровождение — все это превращает продукт в полноценный SaaS-сервис. Теперь услуги предоставляются по подписке, компания-разработчик получает рекуррентные платежи.

В этот период стоит сфокусироваться на масштабировании и не выходить далеко за рамки базовых метрик, относящихся  к дистрибьюции товарных позиций, их наличию на полках, доле в категории. Иначе  заказчик рискует задержать запуск «в полях», что приведет к ненужным потерям для бизнеса.

После того, как технология распознавания повсеместно внедрена, а служба продаж доверяет и опирается на данные, полученные благодаря технологии, начинается третий этап — извлечение дополнительных выгод. 

Его основная задача — автоматизировать более сложные метрики и процессы в приоритетном для того или иного FMCG-производителя порядке. Чаще речь идет о замере уровня соблюдения планограмм (правил выкладки продукта), ценовом мониторинге и анализе конкурентов. Но встречаются и уникальные запросы. Например, чтение меню или оцифровка категорий товаров в магазине. 

Планограмма. Intelligence Retail

На практике, планограмма раскладывается на набор конкретных правил по выкладке товаров. Они доносятся до исполнителей в лице мерчандайзеров или торговых представителей, и аудитора, в лице системы по распознаванию изображений. Так достигается наибольшая эффективность процесса — пользователь отчетливо понимает, почему сервис оценил его работу на том или ином уровне. Среди часто встречающихся правил: количество товарных позиций, ширина выкладки (как в фейсах, так и в сантиметрах), соответствие номера полки, выкладка бренда единым блоком и порядок расположения товаров. 

При этом система не сравнивает фотографию выкладки с целевой планограммой попиксельно. В таком случае, уровень соответствия всегда стремился бы к нулю, ввиду множества факторов.

Обычно на этой стадии фокус смещен на извлечение максимальной выгоды от оптимизации процессов, так как задача окупаемости технологии уже закрыта ранее. Накапливая ежедневные данные, пользователь увеличивает глубину и качество оценки ассортимента  , что позволяет сделать вывод о наиболее эффективных мерчендайзинговых стратегиях в реальном времени, может их масштабировать, а также тестировать новые гипотезы.


Презентация BCG

В будущем такой SaaS-сервис может стать одной из базовых услуг крупных розничных  FMCG-сетей и не только. По оценке BCG, за счет внедрения AI-решений в области продаж, маркетинга и планирования производства можно увеличить выручку на 7-9%. По этому пути уже идут некоторые зрелые игроки в западных странах с более прозрачными и формализованными условиями сотрудничества. 

Евгений Матаев,
директор по развитию Intelligence Retail