Blog

Abrindo Novas Portas: Como a IA está transformando a ciência do sortimento

Ter os produtos certos, nas gôndolas certas, das lojas certas e para os clientes certos parece complicado, não é? No entanto, dominar o sortimento entre diferentes marcas, locais e formatos de loja continua sendo um grande desafio (e uma oportunidade perdida) para todos os varejistas. Ao longo da nossa história, na dunnhumby, nos concentramos em abordar o desafio do sortimento e atualmente ajudamos muitos dos principais varejistas do mundo a resolver essa questão.

De fato, o modelo de ciência de dados que estabelecemos há mais de 30 anos contribuiu para moldar a forma como nosso setor avalia o sortimento como um todo.

A base desse modelo é o princípio de "amplitude sobre profundidade". Trata-se de satisfazer as necessidades dos clientes, ou seja, os fatores que os impulsionam a comprar. Se por exemplo, um sortimento possui cinco variedades de ketchup, mas nenhuma de mostarda, é provável que alguns compradores fiquem insatisfeitos. Para evitar essa situação, os varejistas devem garantir que todas as necessidades sejam atendidas antes de incluir qualquer duplicidade (ou seja, variedade) dentro da seleção.

Naturalmente, a ciência de dados desempenha um papel fundamental. Além de nos ajudar a compreender as necessidades dos clientes e quais produtos têm maior probabilidade de satisfazê-las, os varejistas precisam ser capazes de fazer isso rapidamente e em grande escala. Graças a décadas de aperfeiçoamento, as ferramentas e técnicas que desenvolvemos agora permitem que os varejistas façam isso com apenas um clique, sem qualquer intervenção manual.

Obviamente, também estamos de olho no futuro. A dunnhumby já está aproveitando a inteligência artificial (IA) há algum tempo, o que nos permitiu dar alguns saltos consideráveis em nossas capacidades relacionadas ao sortimento.

Com o firme propósito de ajudar nossos clientes a automatizar e aperfeiçoar seus processos, estamos começando a usar esses avanços para enfrentar alguns de seus maiores desafios. Vamos olhar alguns casos concretos.

  1. Sortimentos Localizados
    O problema é que suposições gerais podem ser reducionistas e levar a conclusões equivocadas. Afinal, se uma marca premium nunca foi vendida em uma área menos próspera, poderíamos afirmar com certeza de que seu desempenho será inferior ali? Este é o tipo de pergunta que todo varejista interessado em um sortimento verdadeiramente centrado no cliente precisa de uma resposta.
    O problema é que suposições gerais podem ser reducionistas e levar a conclusões equivocadas. Afinal, se uma marca premium nunca foi vendida em uma área menos próspera, poderíamos afirmar com certeza de que seu desempenho será inferior ali? Este é o tipo de pergunta que todo varejista interessado em um sortimento verdadeiramente centrado no cliente precisa de uma resposta.
    Felizmente, os avanços em IA nos deram a capacidade de encontrar essas respostas de forma mais inteligente. Ao examinar as relações entre produtos e lojas, os sistemas de recomendação avançados podem detectar relações e destacar oportunidades com uma margem de erro muito menor. Em última análise, isso leva a uma melhor tomada de decisões e a uma melhor experiência para os clientes.
  2. Planejamento do espaço nas gôndolas
    Será que vai caber? Criar um bom sortimento não consiste apenas em selecionar os produtos certos, mas também em garantir que caibam na prateleira. Isso pode ser um processo árduo e trabalhoso; mudanças nas dimensões das embalagens, novos produtos e novos acordos comerciais podem obrigar a redesenhar o planograma.
    Além de ser capaz de abranger a combinação certa de produtos, a disposição também deve fazer sentido para os compradores. É pouco provável que os clientes reajam bem a uma gôndola que tenha diferentes variedades do mesmo produto por toda a extensão, ou com potes muito grandes balançando na parte superior. Portanto, o visual merchandising também deve levar em conta como os clientes percebem as gôndolas.
    Neste caso, o papel da IA é atuar como intermediária. Aprendendo com os planogramas existentes e o comportamento dos clientes, a IA pode nos ajudar a escolher variedades que maximizem o potencial de vendas ao otimizar o espaço na prateleira. Isso não apenas economiza tempo dos gestores de categoria, liberando-os de intermináveis revisões, mas também garante que os designs sejam o mais intuitivos possível para os clientes.
  3. Previsões
    Previsões precisas são fundamentais para qualquer varejista, mas é muito difícil acertar. Embora possa parecer que se trata apenas de somar as vendas previstas de cada produto, nada poderia estar mais longe da verdade. Um fator chave é a transferência de demanda. Quando uma gama introduz produtos muito semelhantes aos que já tem em estoque, eles podem acabar canibalizando as vendas uns dos outros.
    No entanto, com a ajuda do Machine Learning, podemos começar a entender a força da relação entre produtos semelhantes. Os modelos preditivos mostram o que acontecerá com a demanda dos clientes quando produtos forem introduzidos ou retirados de um sortimento. Essencialmente, a IA nos ajuda a criar previsões melhores e mais precisas.

 

Para mais informações sobre o dunnhumby Assortment, visite dunnhumby.com/dunnhumby-assortment

The latest insights from our experts around the world

customer first data science analytics & machine learning services
Ready to get started?

Speak to a member of our team for more information

Contact us