Home / Coups d'œil /
Dans un article récent, nous avons expliqué comment les progrès de l'intelligence artificielle (IA) perturbent le paysage de la vente au détail et des produits de grande consommation, en aidant les entreprises à automatiser et à optimiser les visites en magasin et l'analyse des unités de stock (UGS). Nous présentons ici des exemples de réussite et des études de cas montrant comment trois entreprises ont considérablement amélioré la disponibilité des produits, la visibilité de la marque et la satisfaction des clients grâce à des solutions de vente au détail de bout en bout alimentées par l'IA.
L'IA aide les entreprises de produits de grande consommation et de vente au détail à surmonter l'angle mort traditionnel de ce qui se passe réellement dans les rayons des magasins et dans les points de vente de produits de grande consommation, en renforçant leur avantage concurrentiel grâce à de puissantes analyses numériques des rayons et à des informations sur le marché.
En exploitant l'apprentissage profond et la vision par ordinateur, les applications d'IA fournissent aux vendeurs des données en temps réel sur les détails critiques des produits tels que le prix, la position en rayon et les promotions. Associées à des analyses de données sur les modèles et les tendances, ces mesures permettent une exécution plus efficace de la vente au détail et un meilleur alignement avec les stratégies de prix et les initiatives d'approvisionnement.Les gestionnaires ont des aperçus sur la conformité du planogramme et l'emplacement des produits, et aident les directeurs de magasin à prendre des décisions éclairées sur les conditions du magasin. Découvrez comment.
Prenons l'exemple de Henkel Beauty Care en Allemagne, un leader mondial avec plus de 900 UGS dans six catégories. Le processus d'approvisionnement manuel et les audits de rayon limitaient auparavant l'équipe de merchandising à seulement 10 minutes de vente active par visite en magasin.
Grâce à Trax Retail Execution, les vendeurs capturent désormais des images des rayons à l'aide de smartphones, qui sont analysées dans le nuage pour produire des informations exploitables sur les rayons en temps quasi réel. Cette transition vers un merchandising piloté par les données a rationalisé les opérations, réduisant de 50 % le temps consacré aux contrôles de distribution et à la collecte de données, et a permis aux vendeurs de consacrer 150 % de temps supplémentaire à la création d'opportunités de chiffre d'affaires.
90 % du chiffre d'affaires de Henkel dans le domaine des produits de beauté provient de ses 10 premières marques. La saisie d'informations granulaires au niveau de l'unité de gestion des stocks (SKU) a permis à l'équipe d'avoir accès à de riches données de terrain et d'identifier les produits de base qui manquaient dans les rayons, et de réduire les ruptures de stock de 4,3 %. L'action corrective qui s'en est suivie a entraîné une augmentation des recettes de plus de 2 % en l'espace de trois mois et demi.
Plus important encore, les données granulaires au niveau des UGS ont permis d'identifier les produits de base manquants, réduisant ainsi les ruptures de stock de 4,3 %. Cela a conduit à une augmentation du chiffre d'affaires de plus de 2 % en seulement trois mois et demi - une démonstration claire de la façon dont les prévisions, la segmentation et la gestion des dépenses s'alignent pour optimiser le cycle de vie des produits sur les étagères.
Coca-Cola Amatil, l'un des principaux embouteilleurs de la région Asie-Pacifique, a utilisé Trax pour optimiser sa stratégie d'exécution des ventes au détail de thé glacé. Malgré une pénétration du produit supérieure de 15 % à celle de son concurrent, Coca-Cola s'est rendu compte qu'elle avait moins de faces totales (-4 %).
Les informations fournies par Trax ont montré que les magasins concurrents stockaient en moyenne 6,58 parfums, alors que les magasins Coca-Cola n'en stockaient en moyenne que 3,76. Forte de ces informations et repères en temps réel, l'entreprise a stratégiquement ciblé les régions où la part de linéaire était insuffisante plutôt que de déployer des promotions à l'aveuglette dans tous les magasins.
Cette approche ciblée a permis d'augmenter la part de marché de 5 % en deux semaines, générant 27 400 dollars de ventes supplémentaires. Ce cas illustre comment la collaboration interfonctionnelle entre les équipes d'approvisionnement, le marketing et les ventes, soutenue par l'analyse de données pilotée par l'IA, permet une gestion réussie des catégories.
Coca-Cola Hellenic Russia a été confrontée à des difficultés pour contrôler la présence et la conformité de la marque dans les canaux de vente à consommer sur place tels que HoReCa, les stations-service et les établissements de restauration rapide, en raison de l'absence d'un système d'audit par un tiers.
La solution Trax a automatisé ce processus en utilisant la reconnaissance d'images pour évaluer le respect des normes de merchandising sur le point de vente. Par exemple, elle permet de suivre les activations "Combo" qui combinent des boissons, des produits alimentaires et des réductions de prix sur les menus ou les présentoirs.
En rationalisant ces audits, Coca-Cola a assuré une gestion de qualité des activations de la marque et a garanti un retour sur investissement optimal des points de contact convenus dans plusieurs types de points de vente.
La plateforme de Trax, pilotée par l'IA, est évolutive pour l'ensemble de la catégorie et permet aux parties prenantes de surveiller les niveaux de stock, les descriptions de produits et les prix dans des milliers de magasins. La plateforme prend en charge l'intégration des nouveaux utilisateurs de manière transparente, en fournissant aux utilisateurs finaux des tableaux de bord offrant des informations exploitables pour optimiser la gestion de la chaîne d'approvisionnement, la gestion des relations avec les fournisseurs et l'approvisionnement stratégique.
Cette approche de bout en bout améliore les catégories d'approvisionnement en réduisant les ventes perdues et les ruptures de stock, en améliorant les performances et la gestion des fournisseurs et en permettant des réponses proactives aux risques liés à la chaîne d'approvisionnement.
En intégrant l'analyse des dépenses et les données de la source au paiement, la solution aide les entreprises à réduire le coût total tout en améliorant la durabilité et l'efficacité opérationnelle.
Comme le montrent ces exemples, les solutions de vente au détail alimentées par l'IA, telles que la plateforme de merchandising pilotée par les données de Trax, sont en passe de devenir la source de vérité en rayon. Elles permettent aux entreprises de produits de grande consommation d'augmenter leur part de marché, d'optimiser leurs stratégies de prix, d'accroître leur chiffre d'affaires et de respecter les normes de merchandising, tout en améliorant l'engagement et la satisfaction des clients.
Donnez-nous quelques informations afin que la bonne personne puisse vous contacter.
