Nestlé Polska wdrożyło rozwiązanie Image Recognition by Asseco. Czy może to w jakiś sposób zainspirować sieci handlowe do podjęcia podobnych inicjatyw?
Z pewnością. Producenci FMCG oraz sieci handlowe mają wiele wspólnych celów biznesowych. Tak samo jak dostawcy, detaliści muszą zadbać o stworzenie jak najlepszych warunków zakupowych dla konsumentów. Wówczas są w stanie zarabiać więcej, skuteczniej realizować targety wynikające z kontraktów, otrzymywać bardziej atrakcyjne bonusy. Poza tym sieci handlowe z roku na rok zwiększają udział marek własnych na półkach. W tym przypadku również muszą zadbać o dostępność oraz atrakcyjną i przemyślaną ekspozycję tych produktów w punktach sprzedaży.
Czego dokładnie dotyczył projekt Image Recognition dla Nestlé?
Nestlé nazywa ten projekt „rewolucją w badaniu półki”. Dlaczego? Do tej pory przedstawiciele handlowi Nestlé realizowali – za pomocą systemu SFA – „ręczny” audyt półek podczas wizyt w sklepach. Było to uciążliwe, czasochłonne, obarczone błędami ludzkimi, często zbyt subiektywne i nie zawsze dokładne. Jakość zebranych danych pozostawiała zatem w niektórych przypadkach wiele do życzenia. Image Recognition pozwoliło ten proces zdigitalizować.
Rozwiązanie bardzo dokładnie odczytuje – w oparciu o takie elementy AI jak Computer Vision i Machine Learning – dane ze zdjęć półek czy ekspozycji, następnie automatycznie przetwarza je na czynniki KPI i udostępnia wyniki w czasie rzeczywistym w kilkanaście sekund. Mając teraz dane dostępne „od ręki”, są oni w stanie podczas tej samej wizyty handlowej właściwie reagować i rozwiązywać problemy na bieżąco a dzięki temu szybciej i skuteczniej budować widoczność w punktach sprzedaży.
Jak w kilku słowach podsumowałby Pan korzyści, jakie udało się osiągnąć Nestlé dzięki wykorzystaniu Sztucznej Inteligencji?
Czas trwania audytu w sklepie skrócił się o ok. 15%. Przedstawiciele handlowi Nestlé mają zatem możliwość negocjowania z kierownikami lub odbycia spotkań w innych punktach, na co do tej pory nie mieli czasu. Są też w stanie dostosowywać częstotliwości wizyt do realnych potrzeb w sklepie, zamiast odwiedzać klientów, bazując wyłącznie na kalendarzu. Znacznie szybszy i prostszy jest proces wdrażania nowych pracowników. Nestlé ma też dostęp do większej ilości jakościowych danych, co zwiększa możliwości analityczne firmy.
No właśnie. Jak analizować tak dużą ilość danych? „Odstawienie ich na półkę” raczej mija się z celem?
Zdecydowanie! To jest właśnie kluczowe przy realizacji projektów z wykorzystaniem AI. Samo generowanie danych to nie wszystko. W kolejnym kroku konieczne jest ich wykorzystanie – szybkie, uniwersalne i właściwe. Inaczej całe przedsięwzięcie nie ma sensu. Zgromadzone dane muszą zostać przełożone na konkretną wiedzę na temat sytuacji w sklepie i na rynku (czyli tzw. insighty). Wtedy będziemy w stanie częściej identyfikować szanse sprzedażowe, szybciej zauważać zagrożenia, lepiej określać słabe i mocne strony, zwiększać efektywność działania, więcej zarabiać oraz zmniejszać koszty operacyjne. My wykorzystujemy w tym celu takie elementy Sztucznej Inteligencji jak Machine Learning czy Deep Learning. Za ich pomocą pomagamy „wyłapywać” zależności w gromadzonych danych. Na tej podstawie generujemy sugestie najlepszych działań dla użytkowników.
Co radzi Pan sieciom handlowym? Czy powinny myśleć już o wykorzystaniu Sztucznej Inteligencji, w tym np. Image Recognition w procesach biznesowych?
Jeśli firma (czy to producent, czy sieć handlowa) chce być konkurencyjna, nie powinna zadawać sobie pytania czy, ale kiedy i jak wdrożyć Image Recognition bądź inne elementy AI, a także na jakie etapy podzielić ten proces.
Na pewno rozwiązanie Image Recognition powinno być elementem szerszego projektu z zakresu Sztucznej Inteligencji, który pokryje w całości proces biznesowy: od zbierania danych, poprzez agregację form i źródeł, aż po dostarczenie odpowiednich wniosków do odpowiednich osób. A możliwości rozwoju będzie coraz więcej. Na przykład, Asseco Business Solutions pracuje nad kolejnymi narzędziami wykorzystującymi AI. Takimi, które pozwolą na określanie potencjału segmentów rynku, budowanie rekomendacji najlepszych działań, prognozującymi zachowania konsumentów, ostrzegających przed anomaliami itp. Do Image Recognition wprowadziliśmy niedawno nową funkcjonalność – realizację badania półki z Augmented Reality, co bardzo usprawnia proces gromadzenia danych w trudnych warunkach.
Dlatego, jak wspomniałem już wcześniej, Image Recognition należy traktować jak podróż, a nie jednorazowy projekt. Wymaga to oczywiście nakładów pracy, ale korzyści z tym związane są ogromne i przewyższają inwestycję. Pod warunkiem, że całe przedsięwzięcie jest realizowane w sposób przemyślany.
Dziękuję za rozmowę.
Monika Książek
Z pewnością. Producenci FMCG oraz sieci handlowe mają wiele wspólnych celów biznesowych. Tak samo jak dostawcy, detaliści muszą zadbać o stworzenie jak najlepszych warunków zakupowych dla konsumentów. Wówczas są w stanie zarabiać więcej, skuteczniej realizować targety wynikające z kontraktów, otrzymywać bardziej atrakcyjne bonusy. Poza tym sieci handlowe z roku na rok zwiększają udział marek własnych na półkach. W tym przypadku również muszą zadbać o dostępność oraz atrakcyjną i przemyślaną ekspozycję tych produktów w punktach sprzedaży.
Czego dokładnie dotyczył projekt Image Recognition dla Nestlé?
Nestlé nazywa ten projekt „rewolucją w badaniu półki”. Dlaczego? Do tej pory przedstawiciele handlowi Nestlé realizowali – za pomocą systemu SFA – „ręczny” audyt półek podczas wizyt w sklepach. Było to uciążliwe, czasochłonne, obarczone błędami ludzkimi, często zbyt subiektywne i nie zawsze dokładne. Jakość zebranych danych pozostawiała zatem w niektórych przypadkach wiele do życzenia. Image Recognition pozwoliło ten proces zdigitalizować.
Rozwiązanie bardzo dokładnie odczytuje – w oparciu o takie elementy AI jak Computer Vision i Machine Learning – dane ze zdjęć półek czy ekspozycji, następnie automatycznie przetwarza je na czynniki KPI i udostępnia wyniki w czasie rzeczywistym w kilkanaście sekund. Mając teraz dane dostępne „od ręki”, są oni w stanie podczas tej samej wizyty handlowej właściwie reagować i rozwiązywać problemy na bieżąco a dzięki temu szybciej i skuteczniej budować widoczność w punktach sprzedaży.
Jak w kilku słowach podsumowałby Pan korzyści, jakie udało się osiągnąć Nestlé dzięki wykorzystaniu Sztucznej Inteligencji?
Czas trwania audytu w sklepie skrócił się o ok. 15%. Przedstawiciele handlowi Nestlé mają zatem możliwość negocjowania z kierownikami lub odbycia spotkań w innych punktach, na co do tej pory nie mieli czasu. Są też w stanie dostosowywać częstotliwości wizyt do realnych potrzeb w sklepie, zamiast odwiedzać klientów, bazując wyłącznie na kalendarzu. Znacznie szybszy i prostszy jest proces wdrażania nowych pracowników. Nestlé ma też dostęp do większej ilości jakościowych danych, co zwiększa możliwości analityczne firmy.
No właśnie. Jak analizować tak dużą ilość danych? „Odstawienie ich na półkę” raczej mija się z celem?
Zdecydowanie! To jest właśnie kluczowe przy realizacji projektów z wykorzystaniem AI. Samo generowanie danych to nie wszystko. W kolejnym kroku konieczne jest ich wykorzystanie – szybkie, uniwersalne i właściwe. Inaczej całe przedsięwzięcie nie ma sensu. Zgromadzone dane muszą zostać przełożone na konkretną wiedzę na temat sytuacji w sklepie i na rynku (czyli tzw. insighty). Wtedy będziemy w stanie częściej identyfikować szanse sprzedażowe, szybciej zauważać zagrożenia, lepiej określać słabe i mocne strony, zwiększać efektywność działania, więcej zarabiać oraz zmniejszać koszty operacyjne. My wykorzystujemy w tym celu takie elementy Sztucznej Inteligencji jak Machine Learning czy Deep Learning. Za ich pomocą pomagamy „wyłapywać” zależności w gromadzonych danych. Na tej podstawie generujemy sugestie najlepszych działań dla użytkowników.
Co radzi Pan sieciom handlowym? Czy powinny myśleć już o wykorzystaniu Sztucznej Inteligencji, w tym np. Image Recognition w procesach biznesowych?
Jeśli firma (czy to producent, czy sieć handlowa) chce być konkurencyjna, nie powinna zadawać sobie pytania czy, ale kiedy i jak wdrożyć Image Recognition bądź inne elementy AI, a także na jakie etapy podzielić ten proces.
Na pewno rozwiązanie Image Recognition powinno być elementem szerszego projektu z zakresu Sztucznej Inteligencji, który pokryje w całości proces biznesowy: od zbierania danych, poprzez agregację form i źródeł, aż po dostarczenie odpowiednich wniosków do odpowiednich osób. A możliwości rozwoju będzie coraz więcej. Na przykład, Asseco Business Solutions pracuje nad kolejnymi narzędziami wykorzystującymi AI. Takimi, które pozwolą na określanie potencjału segmentów rynku, budowanie rekomendacji najlepszych działań, prognozującymi zachowania konsumentów, ostrzegających przed anomaliami itp. Do Image Recognition wprowadziliśmy niedawno nową funkcjonalność – realizację badania półki z Augmented Reality, co bardzo usprawnia proces gromadzenia danych w trudnych warunkach.
Dlatego, jak wspomniałem już wcześniej, Image Recognition należy traktować jak podróż, a nie jednorazowy projekt. Wymaga to oczywiście nakładów pracy, ale korzyści z tym związane są ogromne i przewyższają inwestycję. Pod warunkiem, że całe przedsięwzięcie jest realizowane w sposób przemyślany.
Dziękuję za rozmowę.
Monika Książek
