De nombreuses entreprises semblent désireuses de tirer parti des capacités d'intelligence artificielle et de machine learning, ne serait-ce que pour pouvoir faire savoir à leurs employés, clients et partenaires commerciaux qu'elles sont à la pointe du progrès technologique. Dans le même temps, certaines cherchent aussi à améliorer l'expérience de leurs clients et de leurs partenaires de distribution, pour notamment accroître la fidélité à la marque, stimuler les ventes et gagner des parts de marché. G&J Pepsi a trouvé le moyen de combiner ces objectifs, en utilisant des outils alimentés par l'IA pour améliorer la façon dont il fournit des produits, des services et une assistance à ses clients et partenaires commerciaux.

Prédire les besoins en produits des magasins

G&J Pepsi-Cola Bottlers a commencé son incursion dans l'IA et l'apprentissage automatique en janvier 2020, lorsqu'il s'est associé à Microsoft pour mieux comprendre les bénéfices des composants d'IA et de machine learning que pouvaient apporter sa plateforme cloud Azure. « Avec les conseils de l'équipe de science des données de Microsoft nous avons passé du temps à comprendre l'environnement, les compétences requises et avons commencé à ingérer divers composants de données au sein d'Azure ML pour fournir des résultats prédits », explique Brian Balzer, vice-président de la technologie numérique et de la transformation de l'entreprise chez G&J Pepsi. Un an plus tôt, son équipe de direction avait approché son équipe technologie et numérique pour fournir des commandes prédites et  optimiser les rayons des magasins pour ses produits Pepsi. « Cette démarche était motivée par la quantité importante de travail manuel nécessaire pour servir nos clients avec la vaste gamme de produits, de marques et d'unités de gestion de stockes (UGS) que nous proposons », explique M. Balzer.

L'entreprise propose plus de 250 UGS différentes, et la plupart de ces produits sont généralement en stock dans un certain nombre de magasins sur ses marchés. Les cadres supérieurs souhaitaient que l'entreprise dispose d'un mécanisme de commande automatisé pour accélérer les processus et améliorer les résultats. Les rédacteurs de commandes de l'entreprise sont tenus de connaître chaque magasin, les comportements d'achat des consommateurs, les activités de vente, les promotions, les tactiques des concurrents, les changements météorologiques, et bien plus encore, explique M. Balzer. « Tout cela est fait manuellement et sur la base de leur propre expérience », précise-t-il. « Certains peuvent être excellents pour jongler avec tout cela, mais cela prend du temps et dépend beaucoup d'un individu ». De plus, certains d'entre eux peuvent mettre beaucoup de temps à acquérir ces connaissances, selon Brian Balzer. « Que se passe-t-il s'ils quittent l'entreprise ? Toutes ces connaissances partent avec eux et la personne suivante doit être formée et apprendre par elle-même », ajoute-t-il.

Automatiser les commandes

Le processus de réorganisation est généralement géré manuellement, les employés comptant les espaces vides sur les étagères et dans les arrière-boutiques. « Une grande partie de ce travail est une connaissance acquise au fil des années d'expérience dans chaque magasin », précise Brian Balzer. « Nous avons commencé à collecter ces données et à les injecter dans les modèles Azure ML qui sont déjà intégrés à la plateforme. Nous avons passé du temps à peaufiner ces modèles avec les données que nous y avons injectées ». Au fur et à mesure que les différents types de données sont introduits dans les modèles d'apprentissage automatique, ceux-ci génèrent une commande prédite. G&J Pepsi est en train de déployer la plateforme de commande automatisée à tous les employés travaillant actuellement dans les magasins Kroger, ceux les magasins Walmart suivront dans les mois à venir. La société envisage d'utiliser la même technologie pour commencer à déterminer l'optimisation des rayons pour son secteur des magasins de proximité et des épiceries.

« L'un des plus grands défis auxquels est confrontée toute entreprise de boissons est de déterminer les produits à proposer dans les espaces froids » des magasins de détail, explique M. Balzer. Pour ce faire, il faut avoir une idée précise de la quantité d'un produit particulier qui doit être disponible dans chaque magasin, de l'emplacement adéquat dans les chambres froides et du potentiel de rentabilité de ces produits, ajoute-t-il. « Cela peut être une formule compliquée, qui change d'un marché à l'autre ». Par exemple, l'eau ou les thés infusés peuvent se vendre plus rapidement dans une zone urbaine que dans un marché rural, alors que l'inverse peut être vrai pour une boisson énergétique. Le développement des bons ensembles de produits et l'optimisation de l'espace de stockage sont essentiels au succès de G&J Pepsi.

Optimiser les produits disponibles en fonction du marché

L'outil de ML développé par l'entreprise, Cold Space Allocator, prend en compte toutes les variables et propose une sélection de produits optimisée pour chaque client sur chaque marché. « Il fournit également des recommandations sur les produits qui pourraient être plus performants dans des endroits similaires afin de remplacer les produits qui se vendent moins bien », explique M. Balzer. « L'optimisation des produits est un immense avantage commercial lorsqu'elle est faite correctement pour répondre aux demandes des consommateurs ». L'entreprise peut également utiliser les données pour montrer à ses clients les produits qui augmentent le plus leurs bénéfices et ceux qui sont les plus demandés. Depuis la mise en œuvre de la plateforme de commande automatisée, G&J Pepsi a constaté une amélioration spectaculaire de l'efficacité des commandes. Le temps nécessaire à la rédaction des commandes est passé de plus de 60 minutes par magasin à environ 10 minutes.

Le groupe a par ailleurs dû relever quelques défis lorsqu'elle a commencé à déployer la nouvelle technologie. « Le premier et le plus important a été de se concentrer sur le processus », explique M. Balzer. « Une excellente technologie sur un mauvais processus échouera à tous les coups. Il est essentiel de régler les problèmes de processus avant de mettre en œuvre la technologie. Nous avons pris le temps de nous associer à nos employés de première ligne pour comprendre comment ils gèrent leurs processus actuels, obtenir leur adhésion et résoudre tout problème de processus ».

Le client, une priorité

Par exemple, pour que le processus de commande prédictif fonctionne, l'entreprise devait s'assurer que tous les employés de première ligne servaient les clients de la même manière. « Cela signifie qu'ils doivent se promener dans le magasin de la même manière, identifier les stocks de l'arrière-boutique en premier lieu, comprendre les promotions, les activités de vente, etc. « Ils devaient également comprendre comment le comportement d'achat influe sur notre capacité à fournir une commande prédite et quand ils doivent ou non s'adapter ».

G&J Pepsi avait également besoin que les utilisateurs comprennent pourquoi la plateforme de commande automatisée est importante pour eux, comment elle les rend plus efficaces et comment elle améliore leur capacité à servir les clients. Les employés avaient eux aussi quelques inquiétudes. « Ils avaient besoin d'être rassurés sur le fait que nous ne supprimions pas leur travail », explique M. Balzer. « En fait, nous leur facilitons la tâche et leur redonnons le temps de servir davantage de clients ou de passer plus de temps avec les directeurs de magasin pour se concentrer sur la vente. Comme ils ont plus de temps pour établir des relations avec chaque magasin, ils verront de meilleurs résultats en développant ces relations et nos marques ».