Software shelf visibility untuk merek AlcoBev di ritel

Shelf visibility adalah gambaran real-time visibilitas rak sebuah merek: facing count, penempatan visi-cooler, deployment POSM, dan back-bar di seluruh jaringan outlet. Dalam AlcoBev, shelf visibility adalah primary sales lever di titik pembelian, terutama di regulated markets di mana merek tidak selalu bisa mengendalikan secondary sales. Merek yang menguasai space ini yang akan memenangkan pour. Merek yang tidak, akan kehilangannya kepada kompetitor yang lebih dulu menguasai space tersebut. 

Namun di seluruh industri, banyak merek masih menjalankan lever ini dalam kondisi buta. Tim VM merancang planogram dan POSM di HQ. Merchandiser berkunjung, mengambil foto, dan mengisi checklist. Foto-foto berakhir di shared drive atau chat WhatsApp yang tidak pernah benar-benar dimonitor. Saat non-compliance akhirnya terlihat—jika sempat terlihat—campaign window sudah setengah lewat dan kompetitor sudah mengambil facings.

Merek tidak pernah benar-benar tahu, tepat waktu, apakah planogram benar-benar dieksekusi, bagaimana share of shelf mereka minggu ini, di mana kit POSM hilang, atau outlet mana yang baru saja dimasuki kompetitor. Outlet dengan visibility buruk akan terus seperti itu. Dan merek terus kehilangan penjualan yang tidak bisa mereka jejak kembali ke rak.

Artikel ini mengurai mengapa ML-based shelf audit tools gagal menskalakan shelf visibility, dan apa yang sebenarnya dibutuhkan merek AlcoBev untuk mengubah shelf visibility menjadi real-time intelligence yang bisa dieksekusi, termasuk untuk merek AlcoBev di kanal ritel modern dan tradisional di Indonesia.

Mengapa ML-based shelf audit tools gagal di industri AlcoBev

Manual audits tidak mampu mengikuti seberapa cepat rak bergerak di kategori AlcoBev. Seluruh operasi terpecah ke terlalu banyak tools, terlalu banyak orang, dan terlalu banyak langkah untuk bisa bergerak secepat yang dibutuhkan rak di toko.

Karena itu merek mulai mencari solusi. ML-based shelf audit tools terlihat seperti jawabannya. Ambil foto, biarkan AI membaca rak, otomatis menandai celah. Tidak ada lagi antrean review manual. Tidak ada lagi folder WhatsApp. Compliance lebih cepat, cakupan lebih luas.

Namun ketika tools ini bergerak dari pilot ke eksekusi live, kelemahan segera terlihat. Tiga masalah inti yang muncul adalah:

Pre-training menjadi penghambat utama

Model membutuhkan ribuan foto rak per SKU hanya untuk bisa mulai digunakan. Di AlcoBev, ini adalah moving target. Seasonal packs, edisi festival, dan state-specific labels terus berubah. Saat model selesai dilatih pada satu set SKU, set tersebut sudah berbeda lagi. Merek selalu tertinggal di belakang rak yang tidak pernah berhenti berubah.

Accuracy capped at 80%

Setiap kali sistem menandai non-compliance, tetap harus ada orang yang mengeceknya sebelum tim bisa bertindak. Ini adalah langkah manual yang sebenarnya ingin dihilangkan oleh merek.

Biaya membuat scale menjadi mustahil

Memproses setiap foto rak itu mahal. Jadi merek kembali melakukan apa yang selalu mereka lakukan: mengaudit sampel outlet berdasarkan siklus periodik. Teknologinya berubah, tetapi ekonominya tidak. 

Di hampir setiap pilot, workflow berubah tetapi masalah intinya tidak. Merek tetap mendapatkan intelligence shelf visibility setelah campaign window berakhir.

Apa yang dilakukan BeatRoute’s VM Audit AI Agent secara berbeda

VM Audit AI Agent dari BeatRoute tidak sekadar memperbaiki pendekatan tradisional. Agent ini menghilangkan batasan yang membuat pendekatan lama gagal.

Agent ini berada di dalam BeatRoute’s SFA workflow, dan dipicu saat kunjungan outlet standar. Sales Rep atau Moving Merchandiser hanya perlu mengambil satu foto rak. Agent memproses foto tersebut dan mengembalikan structured visibility data ke dalam visit record secara real time. Tidak ada upload di akhir hari. Tidak ada antrean review manual. Berikut cara BeatRoute’s VM Audit AI Agent menutup celah yang ada: 

Tidak ada lagi training cycles yang membebani deployment budget

VM Audit AI Agent tidak membutuhkan image library maupun pelatihan model SKU-by-SKU. Deployment memakan waktu sekitar lima menit. Di AlcoBev, di mana packaging dan state-specific labels berubah lintas musim dan wilayah, ini adalah perbedaan antara tools yang bekerja sejak hari pertama dan pilot yang mati sebelum sempat scale.

Accuracy yang benar-benar bisa dijalankan tim lapangan

BeatRoute’s VM Audit AI Agent delivers 92%+ accuracy. Itu adalah ambang di mana planogram non-compliance yang ditandai tidak lagi membutuhkan pengecekan manual kedua sebelum tim bergerak. NSM dan Area Sales Manager menerima alert yang bisa langsung mereka tindaklanjuti, bukan antrean flag yang belum terverifikasi.

Ekonomi yang memungkinkan full network coverage

At 40% lower cost per image than traditional ML-based shelf audit tools, BeatRoute’s VM Audit AI Agent membuat full network coverage menjadi layak secara ekonomi untuk pertama kalinya. Merek berhenti memeriksa subset outlet dan mulai melihat keseluruhan network coverage.

Lima visibility metrics dari satu foto rak

Satu foto rak mengembalikan lima visibility metrics yang sebelumnya tidak punya cara andal untuk dilacak secara real time oleh merek:

• Availability: Apakah SKU benar-benar ada di rak sekarang, atau sudah out-of-stock di antara kunjungan?
• Share of shelf: Berapa banyak space rak yang saat ini dimiliki merek dibanding kompetitor?
• Facing count: Berapa unit yang terlihat dari depan, dan apakah itu sesuai dengan planned execution?
• POSM presence: Apakah kit POSM benar-benar ditempatkan di rak, atau hilang dari outlet?
• Planogram compliance: Apakah outlet mengikuti layout rak yang direncanakan tim VM?

Itu lima jawaban dari satu foto, dikembalikan seketika. Bukan di shared drive. Tetapi langsung di visit record, di mana seseorang bisa langsung bertindak.

Competitor visibility sebagai structured data

Competitor facing count, new placements, visi-cooler takeovers, dan pergeseran back-bar visibility semuanya tertangkap dalam kunjungan yang sama. Mengetahui bahwa kompetitor menambah shelf space di seluruh territory Anda minggu ini, saat campaign masih berjalan, adalah percakapan yang sama sekali berbeda dibanding baru mengetahuinya di quarterly debrief ketika tidak ada lagi yang bisa dilakukan.

Kesimpulan

Planogram compliance gap yang terlihat di minggu pertama dari campaign empat minggu masih bisa diperbaiki. Gap yang sama jika baru terlihat beberapa minggu kemudian hanya menjadi visibility yang tertunda. 

Itulah perbedaan yang dihadirkan BeatRoute’s VM Audit AI Agent. Non-compliance dikoreksi saat campaign masih live. Peningkatan visibilitas kompetitor ditandai ketika masih ada shelf space untuk dipertahankan. Coverage berhenti menjadi sampel yang diharapkan representatif dan berubah menjadi sinyal lintas full network.

Merek yang masih menjalankan VM berbasis periodic spot checks sedang kehilangan facings yang tidak mereka lihat saat hilang. BeatRoute’s VM Audit AI Agent menempatkan kembali merek ke dalam visibility battle, outlet demi outlet, secara real time.

Book a demo dengan BeatRoute untuk melihat bagaimana VM Audit AI Agent bekerja di dalam existing field execution workflow Anda.