Basándose en técnicas predictivas y de machine learning analizar datos en tiempo real del mapa de calor de cada producto en tienda para saber cómo se comporta en función de la zona donde se encuentra y la manera en la que se presenta. También es posible detectar cuáles son las zonas de mayor tráfico de la tienda y cómo se mueven los clientes dentro de la misma aprovechando las imágenes de las cámaras de seguridad. Ambas técnicas permiten detectar zonas ‘calientes’ y ‘frías’ y optimizar la exposición de los productos en tienda.
Beneficios de negocio
El Visual Merchandising es considerado por algunos una de las “artes oscuras” del retail, ya que se trata de un medio subjetivo y artístico de conseguir mejorar un KPI muy concreto, el de las ventas. Uno de los retos de esta área son precisamente los datos, saber qué funciona y qué no. Los datos de venta suelen ser un buen punto de partida, pero hay tantos otros factores en juego que a menudo es imprudente atribuir un aumento o disminución de las ventas de un producto a la manera de exponerlo. Hay que ir un paso más allá.
El proceso de cotejar los datos de ventas con las ubicaciones específicas en el piso de venta, de forma manual para cada artículo y cada tienda, es operativamente inviable. No obstante, gracias al RFID y las técnicas de localización basadas en inteligencia artificial se puede crear un mapa de la tienda a la vez que se lleva a cabo el recuento de existencias y, de ese modo, determinar exactamente dónde está cada artículo de la tienda. Además, gracias a la visión artificial, es posible determinar qué zonas de la tienda son “puntos calientes” para las ventas y cuáles tienen un rendimiento inferior.
Esta información sobre la ubicación se integra con los datos de ventas para generar un Money Mapping automatizado de cada tienda, como parte del proceso regular de informes y análisis. Así, los departamentos de Visual Merchandising pueden centrarse en lo que realmente aporta valor, utilizando esta información para optimizar la colocación de los productos y el diseño de las tiendas. Así mismo, pueden tratar de aprovechar los puntos calientes de venta dando prioridad a las mejores ubicaciones para los artículos más vendidos, los artículos de alto valor o los artículos que van a salir de temporada. Todo esto permite aprovechar al máximo el espacio de venta, aumentado las ventas por metro cuadrado y el ratio de rotación de stock y, como consecuencia, también los ingresos totales.
Esta tecnología también hace posible realizar análisis más detallados y experimentos, como pruebas A/B de combinaciones de productos y diseños de tiendas, y abre el camino para otros casos de uso, como evaluar el trabajo de los vendedores, controlar las colas y las zonas de caja, analizar la eficacia de las promociones u optimizar el horario comercial.
Los algoritmos son capaces de detectar aspectos y patrones que la mente humana no puede llegar a comprender ni consumir, permitiendo así a los diseñadores crear conceptos de diseño totalmente nuevos, lo que sin duda hará las delicias de su público.
Tecnologías
Visión artificial
Analítica predictiva
Retos a los que da respuesta
Casos de éxito
El Ganso, marca española de gran recorrido en el mundo de la moda, tradicionalmente ha apostado por la innovación. En los últimos años, ha estado vinculada a la aceleradora fashtech del ISEM Fashion Business School. Gracias a esta alianza ha podido testar soluciones tecnológicas especialmente pensadas para transformar la cadena de valor de una empresa de moda. Una de ellas es una solución de mapas de calor para optimizar la exposición de los productos en tienda y elevar la rentabilidad del espacio. La herramienta utiliza analítica predictiva y machine learning para analizar en tiempo real el mapa de calor de cada uno de los productos de la tienda a fin de saber cómo funciona dependiendo de la zona en la que se está colocado y la manera en la que se ha expuesto. De este modo, su equipo de Visual Merchandising podrá tomar mejores decisiones en lo relativo a la distribución y exposición de los productos en tienda.
Ejemplo de visualización de un mapa de calor en una tienda física.
Betabrand, una marca de ropa de mujer famosa mundialmente por sus pantalones de yoga aptos para casi cualquier situación, también ha utilizado mapas de calor en su flagship de San Francisco para comprobar qué zonas de la tienda tienen más tráfico. Esto les ha permitido optimizar la distribución de la tienda y elaborar estrategias sobre dónde colocar la mercancía popular frente a la impopular y la cara frente a la barata. Un segundo tipo de mapa de calor que han utilizado ha sido uno que se centra en lo que la gente toca y no compra por donde transita. Esto les ha ayudado a identificar problemas de precio. Si muchas personas tocan un producto, pero pocas lo compran, esto podría ser un indicativo de que es demasiado caro. Así mismo, también les permite relegar artículos que no despiertan interés a ubicaciones poco prominentes y viceversa.
Los mapas de calor también se pueden utilizar en aplicaciones, landings y tiendas online. Fuente: Hotjar
