Wstęp
Dyrektorzy handlowi w firmach produkcyjnych, niezależnie od tego, czy jest to branża FMCG czy farmaceutyczna, stoją przed podobnymi wyzwaniami. Wynikają one z tego, że rola dyrektora handlowego plasuje się na styku kilku obszarów. Z jednej strony, są odpowiedzialni za przygotowanie, wdrożenie i realizację strategii sprzedażowej, budują też i utrzymują relacje z klientami i jednocześnie zarządzają zespołem. To sprawia, że na jednej osobie skupiają się obowiązki wymagające kompleksowego podejścia, łączącego wiele dziedzin.
Dyrektor handlowy musi być elastyczny, analityczny i zdolny do szybkiego reagowania na zmieniające się warunki rynkowe, aby zapewnić firmie konkurencyjność i wzrost sprzedaży. Na szczęście istnieją rozwiązania technologiczne, które w niespotykanym do niedawna stopniu potrafią wesprzeć dyrektorów w ich zadaniach. Wszystko dzięki szybko rozwijającej się sztucznej inteligencji, czyli AI.
Przed jakimi wyzwaniami stoją dyrektorzy sprzedaży?
Spośród problemów i wyzwań, z którymi mierzą się współcześni dyrektorzy handlowi wybierzmy kilka najbardziej istotnych, w których wsparcie AI sprawdza się najlepiej.
Konieczność zapewnienia realizacji planu sprzedaży przez każdego z przedstawicieli
Podstawowym zadaniem dyrektora handlowego jest sprawienie, żeby plan sprzedaży został zrealizowany. Z pozoru brzmi to prosto, ale zadanie jest bardzo złożone. Specyfika pracy przedstawicieli sprawia, że często swoje wyniki osiągają dzięki oferowaniu wciąż tych samych produktów, które akurat w danym sklepie dobrze się sprzedają. Nie ma w tym oczywiście nic złego, wiąże się to z dobrą znajomością klienta i generuje w miarę stabilną sprzedaż. Takie podejście może być jednak problematyczne, kiedy producent chce wprowadzić na rynek nowe produkty albo zwiększyć sprzedaż tych, które do tej pory detaliści mniej chętnie zamawiali.
W budowaniu dystrybucji numerycznej nowych produktów albo szerszego niż dotychczas portfolio pomoże dokładne poznanie ukrytego potencjału sklepów. Idealnym wyjściem jest posegregowanie sklepów według ich preferencji i odkrycie prawidłowości w zachowaniach zakupowych. Wtedy można zdecydować, z jakimi produktami wyjść do jakich punktów.
Rozwiązaniem, które to umożliwia jest segmentacja behawioralna sklepów z wykorzystaniem AI. Narzędzie ClusterSense działa w ten sposób, że sztuczna inteligencja automatycznie analizuje historię zakupową poszczególnych punktów na podstawie danych producenta lub pochodzących od dystrybutorów. Następnie grupuje je w segmenty o zbliżonych zachowaniach zakupowych obrębie marek, kategorii, podkategorii, innych cech lub wybranych SKU.
Co ważne, AI robi w mgnieniu oka i odkrywa prawidłowości, które człowiekowi mogłyby umknąć. Charakterystyka danego segmentu prezentowana jest w postaci „widma”, czyli zrozumiałego wykresu, pokazującego, jakie kategorie czy nawet SKU preferują punkty z segmentu. W jaki sposób miałoby jednak rozwiązać problem „nawykowego” oferowania tych samych produktów przez przedstawicieli?
Istotna tutaj jest kluczowa funkcjonalność ClusterSense, czyli rekomendacje produktów. Na podstawie odkrytych wzorców zakupowych w poszczególnych segmentach, system automatycznie sugeruje przedstawicielom produkty i ich ilości idealnie dostosowane do potencjału sklepu. Mogą to być nowości dla klienta (czyli produkty, których nigdy nie zamawiał), takie SKU, które powinien mieć (bo mają je inne sklepy z segmentu), aktualnie popularne SKU czy takie, które będą sprzedawać się w najbliższym okresie (no sezonowe).
Żeby to lepiej zobrazować, posłużmy się przykładem. Sklep należy do segmentu preferującego produkty premium i zawsze zamawiał u przedstawiciela te same, kilka rodzajów wina (alkoholowego), bo dobrze się sprzedawało. Przedstawiciel nie oferował temu sklepowi wina bezalkoholowego, bo trzymał się przyzwyczajeń. W wyniku analizy w ClusterSense, okazało się jednak, że inne sklepy z tego samego segmentu, o podobnym wzorcu zachowań zakupowych chętnie zamawiają wina bezalkoholowe. W tej sytuacji, dzięki AI, system automatycznie zasugeruje przedstawicielowi, że ten sklep też powinien mieć u siebie wino 0%, bo z ogromnym prawdopodobieństwem dobrze się tam sprzeda.
To jest właśnie ten ukryty potencjał, którego handlowiec może po prostu nie widzieć, a który nie umknie uwadze sztucznej inteligencji. Dzięki temu można przełamać nawyki, sprawiające, że przedstawiciele nie sprzedają wielu produktów z portfolio, które jak najbardziej mogliby oferować w poszczególnych sklepach i skuteczniej doprowadzić do realizacji planu sprzedaży. Handlowiec zyskuje też w rozmowach z detalistą skuteczny argument: „wasz sklep powinien zamówić wino 0%, bo w podobnych miejscach świetnie się sprzedaje, dane nie kłamią”.
Reagowanie ewoluujące zachowania zakupowe klientów dzięki AI
Pozostajemy w temacie zachowań zakupowych. Ich cechą jest to, że nie są stałe. Klient końcowy zmienia swoje preferencje w zależności od wielu czynników, czy to ekonomicznych, czy związanych choćby z modą. Dobry dyrektor handlowy powinien trzymać rękę na pulsie i wykazywać się elastycznością w dostosowywaniu strategii do preferencji klientów.
Problem w tym, że nie wszystkie zmiany i trendy widać od razu. Widać je natomiast w danych. Problem w tym, że do ich odkrycia potrzeba jest globalna i dokładna analiza danych z wielu punktów. Tutaj znowu z pomocą przyjdzie ClusterSense. „Widmo”, czyli wykres prezentujący charakterystykę segmentu (a na jego tle poszczególnych sklepów) jak na dłoni pokaże szczegółowe preferencje, nawet do poziomu brandu.
Jeśli segmentacja będzie przeprowadzana regularnie, na przestrzeni czasu można zyskać doskonały obraz zmieniających się zachowań zakupowych. Załóżmy hipotetyczną sytuację, że w związku z rosnącą modą na wegetarianizm, klienci coraz chętniej kupują roślinne zamienniki mięsa, wytwarzane często przez tych samych producentów, co produkty mięsne. Te preferencje są szczególnie wyraźne w większych ośrodkach miejskich, wśród osób robiących zakupy w sieciowych marketach. Teraz weźmy pod lupę producenta, który oferuje produkty mięsne, np. wołowinę na steki (droższy produkt), ale od jakiegoś czasu produkuje również wegetariańskie odpowiedniki mięsa, ale nie zna jeszcze dobrze rynku na takie produkty. Producent dobrze wie, że pewne jego produkty doskonale sprzedają się w marketach w większych miastach, np. wspomniana wołowina na steki – klienci są tam zamożniejsi, lubią też kierować się trendami. Jeśli przeprowadzi segmentację, zobaczy na wykresie widma, że faktycznie, wielkomiejskie markety chętnie zamawiają steki, ale zobaczy też od razu, że wykres „zahacza” o roślinne burgery. Nie zauważy natomiast takiej prawidłowości w segmentach, w których znajdują się tradycyjne sklepy z mniejszych miejscowości, w których klienci mniej interesują się trendami.
Co jest w tym wszystkim najważniejsze? To, że taka analiza trwa dosłownie chwilę. Dyrektor handlowy nie musi przekopywać się przez arkusze excela z kolumnami liczb. Stworzenie segmentacji w ClusterSense jest automatyczne i zajmuje kilka minut. Wyciągnięcie wniosków wymaga tylko spojrzenia na prosty wykres. Co więcej, dzięki segmentacji przedstawiciele od razu będą widzieli, że miejskie markety oprócz steków, powinny mieć u siebie wegetariańskie burgery. Otrzymają w systemie SFA automatyczne sugestie zamówień.
Walka o sklepową półkę i zapewnienie dostępności produktów
Obecnie elementem każdej strategii sprzedaży powinien być merchandising. Dobrze przygotowane i przemyślane standardy ekspozycji często decydują o tym, czy produkty się sprzedadzą. Badani pokazują, że nawet ¾ decyzji zakupowych klienci podejmują dopiero w sklepie. 60% z tych decyzji to wynik impulsu. Do jego wywołania potrzebna jest odpowiednia ekspozycja (link do bloga o standardach). Żaden producent nie powinien lekceważyć tych liczb, dlatego jednym z zadań dyrektora handlowego jest zapewnienie nie tylko samej obecności produktów na półkach, ale sprawienie, by to jego produkty dominowały i przyciągały klientów.
Samo opracowanie i wdrożenie standardów ekspozycji to jedynie punkt wyjścia. Kluczem do sukcesu w tym obszarze jest stałe ich utrzymywanie, co nie zawsze jest łatwym zadaniem. Wymaga to stałego kontrolowania, czy standardy są spełnione i ewentualnego poprawiania ekspozycji. Problem w tym, że jest niezwykle czasochłonne. Dbanie o ekspozycje może leżeć po stronie przedstawicieli lub pracowników sklepu czy apteki, a jedni i drudzy nie dysponują nieskończonym czasem. Gdyby przedstawiciel musiał ręcznie przeliczać i wpisywać na listę produkty, jego wizyty trwałyby zbyt długo, a uzyskane w ten sposób dane mogłyby być obarczone błędami.
Technologią, która rozwiązuje ten problem jest Image Recognition, czyli rozpoznawanie obrazu oparte na AI. Wystarczy, że osoba kontrolująca standardy ekspozycji zrobi zdjęcie półki, a system sam rozpozna produkty na fotografii. Zastosowane tutaj uczenie maszynowe zapewnia wysoką, bo aż 98% dokładność. Następnie system automatycznie sprawdzi, czy spełnione są określone KPI, czyli: On-Shelf Availability (dostępność produktu na półce), Shelf Share by Brands (udział półkowy według marki), TPR recognition (rozpoznawanie metek cenowych) oraz najważniejsze, Standards (zgodność ze standardami ekspozycji i planogramami).
W ten sposób badanie ekspozycji zostaje maksymalnie skrócone i zajmuje kilka minut. Najbardziej istotne jest jednak to, że dyrektor handlowy otrzymuje do dyspozycji bardzo wiarygodne (bo potwierdzone zdjęciami) i dokładne dane. Mogą posłużyć nie tylko do własnych analiz, ale (w przypadku, kiedy utrzymanie ekspozycji jest po stronie detalisty) do rozliczeń wykonania kontraktu ze sklepem lub apteką.
Jak korzyści z zastosowania Merchandising IR wyglądają w praktyce? Za przykład może posłużyć firma Polpharma. Po trzech kwartałach korzystania z IR, standardy ekspozycji zostały wyegzekwowane w aż 90% punktów sprzedaży (na początku było to 44%). Dzięki dobrej ekspozycji, wzrosła sprzedaż wybranych produktów i udało się dotrzeć do nowych grup docelowych. Natomiast ogólna sprzedaż okazała się wyższa w aptekach, w których do egzekwowania standardów ekspozycji wykorzystano Image Recognition w porównaniu z aptekami nieobjętymi programem.
AI wspiera oszczędność czasu i ułatwia pracę na danych
Gdy spojrzymy na ogólne korzyści płynące z zastosowania AI w sprzedaży, zobaczymy, że adresują one dwie istotne kwestie, które wiążą się ze specyfiką pracy dyrektora handlowego. W pierwszej kolejności, jak wspomniałem na wstępie, dyrektorzy muszą wykazywać się elastycznością, co oznacza sprawność reakcji na różne zdarzenia. Nie jest to możliwe, jeśli realizacja zadań przez zespół handlowych jest czasochłonna. AI rozwiązuje ten problem, skracając czas potrzebny na pozyskanie danych dotyczących sprzedaży i klientów czy merchandisingu.
Drugą kwestią jest jakość samych danych i informacji, które z nich płyną. Jeśli chodzi o merchandising, w przypadku „ręcznego” badania ekspozycji, nie zawsze można mieć pełne zaufanie do jego wyników. Przedstawiciele pracują często w pośpiechu i manualne przeliczanie produktów nie zawsze jest dokładne. Dobrze wytrenowany algorytm uczenia maszynowego zrobi to nie tylko szybciej, ale też dokładniej, a dla pewności można zestawić dane ze zdjęciami.
Podobnie jest w przypadku automatycznej segmentacji. Na podstawie historii zakupowej AI nie tylko tworzy segmenty o określonych preferencjach, ale w ramach każdego z nich wyznacza kilka wzorców zachowań. Tak dokładne rozpoznanie prawidłowości nie zawsze byłoby możliwe w wykonaniu człowieka. Znając takie detale zachowania klientów, na podstawie konkretnych danych można dostosować oferty nie tylko pod określone segmenty, ale również pod poszczególnych klientów. Z dużym prawdopodobieństwem można stwierdzić, że AI w ciągu najbliższych lat stanie się technologią, w którą producenci będą musieli inwestować, aby zachować przewagę konkurencyjną
