Często zastanawiam się, jak firmy, które ręcznie zbierają dane o swojej prezencji w sklepach, mogą w ogóle podejmować jakiekolwiek decyzje biznesowe.
🔎 Na Retail Summit 2018, podczas naszej wspólnej sesji z prelegentami z Mars i Sandoz, podzieliliśmy się z publicznością następującym przypadkiem biznesowym.
Jeden z naszych Klientów postanowił zmierzyć swoją wydajność dystrybucji podczas wprowadzania nowej marki. Marka obejmowała 10 SKU.
📝 W pierwszym miesiącu od wprowadzenia marki nasz Klient mierzył wyniki dystrybucji w sposób tradycyjny. Oznacza to, że korzystał z ręcznie wprowadzanych danych przez swoich przedstawicieli handlowych.
📸 W tym samym czasie ci sami przedstawiciele handlowi robili zdjęcia na tej samej wizycie w sklepie. Były one następnie analizowane przez nasz wspierany przez AI system image recognition PRO.Display.
🎯 Intencją było dostarczenie nowego asortymentu do 2000 sklepów, podzielonych na 3 formaty.
Czyli całkiem prosty przypadek, z którym wszyscy spotkaliśmy się w naszym życiu biznesowym przy wprowadzaniu nowej marki. Kluczem była tutaj rzadka możliwość porównania danych wprowadzanych ręcznie z danymi automatycznymi, a dokładniej wygenerowanymi przez AI.
📊 Wyniki: dane wprowadzane ręcznie miały dokładność tylko na poziomie 46%. Oznaczało to błędy w ponad 50% raportów. 97% tych błędów pochodziło z ręcznego dodawania większej ilości SKU niż było widoczne na zdjęciach.
🗓 Nie zmieniło się to w czasie. W 2022 roku przeprowadziliśmy podobny test z innym Klientem, tym razem raporty były niedokładne w 29%. Nieco lepiej, ale wciąż niewystarczająco dobrze.
💡 Jak można podejmować wiarygodne decyzje biznesowe lub wyciągać wnioski z tak mocno niedokładnych danych?
