MEGATREND POSLOVNA RJEŠENJA

Kad računalni vid ode u trgovinu u kupnju

storyeditor/2022-03-24/Picture_3.png
storyeditor/2022-03-24/Picture1.png
01.04.2022.
u 09:17
Kako projekt SOVA temeljen na umjetnoj inteligenciji pomaže i što ga čini posebnim
Pogledaj originalni članak

Svi mi nerijetko kupujemo nešto što nismo planirali jer smo dobili iznenadni poticaj, impuls da kupimo upravo taj proizvod na licu mjesta. Postoje procjene po kojima se 76 posto svih odluka pri kupovini donosi upravo impulzivno. Na tu pretpostavku oslanjaju se proizvođači i distributeri te ulažu resurse u razvoj procesa u tom krajnjem koraku prodaje. Optimizacija tih procesa radi maksimiziranja prodaje zove se retail execution, a najčešće se spominje u kontekstu proizvoda široke potrošnje (FMCG Fast Moving Consumer Goods ili CPG Consumer Packaged Goods). Pitanje je kako poboljšati retail execution.

Napomenut ćemo neke probleme, čijim rješavanjem dolazimo do podizanja kvalitete retail executiona. A to su: prepoznavanje proizvoda koji nedostaju na polici (out-of-stock), praćenje udjela proizvoda u odnosu na konkurenciju, kontroliranje usklađenosti s planogramom.

Što nedostaje

Recimo da ste pošli u trgovinu kupiti svoje najdraže bezalkoholno gazirano piće, a tog pića više nema na polici. U tom slučaju vjerojatno ćete se odlučiti za drugo najdraže, što bi moglo biti piće konkurentskog proizvođača. Upravo zato proizvođači i distributeri moraju iznimno voditi brigu o tome da trgovina koja stavlja njihov proizvod na tržište redovito obnavlja zalihe na policama, inače to donosi gubitke u prodaji. Naravno, to podrazumijeva da se briga o tome ne povjerava isključivo trgovini. Proizvođači i distributeri često šalju svoje zaposlenike na teren kako bi osigurali da se takvi slučajevi što manje događaju.

Kada kao proizvođač stavljate svoj proizvod na tržište (u ovom slučaju su to police u trgovinama), s trgovinama dogovarate na kojim mjestima će se nalaziti vaš proizvod i koliki će udio zauzimati. Budući da su police organizirane tako da sadrže proizvode iste kategorije, vaš se proizvod nalazi “bok uz bok” s konkurencijom. To je jedna od češćih metrika koju promatraju proizvođači i distributeri: udio vlastitog proizvoda u odnosu na konkurenciju na polici – shelf share. Trenutačni način na koji se provjerava drže li se trgovine dogovorenog udjela sličan je onome u rješavanju out-of-stock problema – šalju svoje zaposlenike na teren. Naime, zaposlenici će na polici ručno izbrojiti vlastite proizvode i proizvode konkurencije. Bez imalo sumnje moglo bi se reći da to iziskuje mnogo rada na terenu.

Kontroliranje usklađenosti

Proizvođači zakupljuju određen broj lica (mjesto koje zauzima jedan proizvod) na svakoj polici. Koliko je lica i koji su proizvodi u pitanju te sama vizualna prezentacija, definirano je planogramom. Budući da je raspored proizvoda visoko optimiziran za maksimizaciju prodaje, bilo kakvo odstupanje od dogovorenog rasporeda predstavlja značajne potencijalne gubitke. Za razliku od praćenja udjela, gdje je fokus i na konkurenciji, kontroliranje planograma odnosi se prvenstveno na pozicioniranje i promoviranje vlastitih proizvoda. Kao što je i prije spomenuto, svi ovi problemi rješavaju se ručno, točnije rečeno agenti na terenu stanu ispred police i broje jedan po jedan artikl.

Automatizacija i ishodi

Kada bi se prethodno spomenuti problemi uspjeli automatizirati barem do neke mjere, ovo bi bili pozitivni ishodi: znatna ušteda vremena i resursa – agenti na terenu efikasnije bi analizirali stanje na policama, precizniji podaci – smanjenje ljudske pogreške, instantan i češći uvid u stvarno stanje na terenu.

Upravo su to problemi koje rješavamo u sklopu projekta SOVA. Rješenje koje razvijamo bazirano je na računalnom vidu, koji je potpomognut umjetnom inteligencijom. Što projekt SOVA čini posebnim?

Na temelju jedne fotografije naš alat u stvarnom vremenu pruža sljedeće informacije: koordinate svakog artikla/proizvoda na policama, naziv svakog artikla, redni broj police u kojem se artikl nalazi, redni broj lica u polici (redni broj artikla gledano slijeva nadesno), veličinu ambalaže u slučaju da je ta informacija potrebna. Sa svim tim podacima i znanjem uspješno smo savladali navedene izazove.

Upravo zato neke od njih planiramo za budućnost: predviđanje orijentacije proizvoda (npr. zaokrenutost boce), čitanje cijena, uparivanje proizvoda s njihovim cijenama, generiranje 3D scena koje predstavljaju police u trgovinama.

Bitno je ne zanemariti izazov koji je sveprisutan: kontinuirano poboljšanje svih dosadašnjih rješenja. Ambicioznim planiranjem projekta i međusobnom suradnjom pokrit će se što veći asortiman proizvoda u trgovinama za robu široke potrošnje. Time nam se pružaju putevi za širenje na međunarodno tržište, čime se otvaraju i potpuno novi izazovi.

Pogledajte na vecernji.hr

Još nema komentara

Nema komentara. Prijavite se i budite prvi koji će dati svoje mišljenje.