L’assistente conversazionale virtuale nei processi aziendali: il caso della Field Sales

È di estrema utilità disporre di un assistente conversazionale virtuale per essere collegati “sempre e ovunque” ai sistemi aziendali di Business Intelligence e ottenere rapidamente informazioni sull’universo dei KPI, attraverso domande di vario tipo: riepilogative, condizionali, selettive. Dunque, un robot conversazionale che, su richiesta vocale dell’utente, cerca informazioni nel datawarehouse aziendale restituendole, molto efficacemente, in forma sia orale che scritta ed eventualmente grafica. Sempre in tema di Natural Language Processing, riassumiamo una esperienza progettuale in cui l’assistente conversazionale interagisce con i sistemi gestionali, ad esempio ERP e CRM

Assistente conversazionale virtuale nei servizi di store account

Si tratta di un grosso passo in avanti rispetto al caso incentrato su reporting e KPI: ora il robot è in grado di effettuare operazioni sia di lettura che di scrittura sui database aziendali; può aiutare a compilare questionari e transazioni; può registrare e interpretare testi liberi e complessi, ovvero processare informazioni non strutturate.

Prendiamo in esame il contesto di una organizzazione di vendita di beni di largo consumo che opera sul territorio (field), presso clienti della grande distribuzione come ipermercati e supermercati.

L’assistente conversazionale fornirà una serie di servizi allo store account – il rappresentante commerciale del fornitore presso il punto vendita cliente – molto utili per la gestione del giro visite, la preparazione della visita, l’esecuzione delle attività nel punto vendita.

Il processo Field Sales (vendita sul campo) ha l’obiettivo di promuovere i prodotti dell’azienda presso i gestori del punto vendita, curarne la qualità espositiva, provvedere al riordino; in altri termini ha l’obiettivo di esprimere il massimo potenziale di sell-out del brand (vendita al consumatore), garantendo un adeguato sell-in, ovvero il costante e ponderato rifornimento del punto vendita.

Nel compiere le suddette attività di presidio del punto vendita, lo store account accede in mobilità a diversi sistemi informativi dove l’elemento “tempo” svolge un ruolo cruciale, in quanto il rispetto del giro visite giornaliero è categorico, oltre che impegnativo.

In altri casi aziendali, le attività degli agenti sul punto vendita si limitano al presidio del sell-out, essendo il riordino (sell-in) un processo gestito centralmente dall’ufficio commerciale/programmazione del produttore ed effettuato attraverso scambio elettronico di dati (EDI); la tesi che vogliamo dimostrare circa l’utilità dell’assistente conversazionale, tuttavia, è valida in entrambi i casi e adattabile a molti altri scenari.

Infatti, i principi alla base della soluzione conversazionale sviluppata per Field Sales sono generalizzabili e applicabili in numerosi altri contesti operativi, dove efficacia ed efficienza possono fortemente migliorare grazie a una più facile e tempestiva interazione con i sistemi informativi.

Preparazione della visita in-store

Il nostro store account inizia la giornata lavorativa recandosi nel primo punto vendita dei sei programmati nel giro visite odierno, un ipermercato di una nota catena di distribuzione.
Durante il tragitto in auto chiede all’assistente aggiornamenti di tipo commerciale e trade marketing:

Come vedremo, lo store account dovrà rilevare la presenza nel punto vendita delle attività promozionali ed espositive oggetto di accordi contrattuali; non c’è dubbio che il supporto dell’assistente conversazionale in questa fase può essere decisivo, in alternativa a informazioni frammentate comunicate per mezzo di numerose e-mail.

Successivamente, lo store account chiede all’assistente conversazionale l’esito della visita precedente e le relative note vocali, dove probabilmente ha memorizzato gli obiettivi per la visita odierna e gli accordi presi con lo store manager.
Durante la visita precedente ha infatti effettuato la periodica rilevazione dei prezzi, dell’assortimento, della presenza di materiale promozionale, e infine della qualità espositiva dei prodotti, processo perfect store sintetizzato nel prossimo capitolo.
I risultati della rilevazione sono stati processati e confrontati con gli standard previsti; infine, un punteggio di qualità, indice perfect store, è stato assegnato al punto vendita, con riferimento alla visita effettuata.

Logico quindi aspettarsi che lo store account voglia velocemente ripassare la storia delle visite precedenti, per avere un quadro delle situazioni sub-ottimali del punto vendita, che la sua azienda gli chiede di risolvere.
È improbabile che lo store account effettui queste interrogazioni durante la rilevazione in-store, l’assistente conversazionale può quindi essere di grande aiuto per ottimizzare il tempo a disposizione fra le visite.

Esempi di interrogazioni perfect store all’agente conversazionale da parte dello store account:

Infine, alle suddette informazioni si possono aggiungere richieste di tipo logistico e amministrativo, come ad esempio:

– l’esito delle ultime consegne, livello di servizio, e lo stato degli ordini inevasi

– lo stato dei pagamenti e dei contenziosi

Assistente conversazionale virtuale nel processo “perfect store”

Il category management, nella semplice accezione di assortimento – prezzo – pubblicità – qualità espositiva, è un fattore determinante per comunicare i valori del brand al consumatore nel punto vendita e per facilitare la conversione in atto di acquisto.

La visibilità del prodotto è fra i principali fattori chiave di successo, come si può facilmente desumere dalla lista delle misurazioni di qualità espositiva, sotto riportata:

Punti espositivi da rilevare

• Scaffale, banco frigo
• Testata di gondola
• Display (espositori fuori banco)
• Isole espositive
• Avancassa

Fattori di qualità espositiva

• Spazio espositivo (% dello spazio riservato alla categoria merceologica)
• Numero di referenze prodotto
• Facing (numero di file per un determinato prodotto sul fronte lineare di uno scaffale)
• Visibilità in altezza
• Posizionamento longitudinale
• Compattezza espositiva dei prodotti per marchio
• Presenza di caratterizzazione a scaffale (materiale di shelf marketing)
• Dimensione e posizionamento di display e isole promozionali
• Mancanza di stock-out

È prassi comune a molte aziende l’utilizzo di applicazioni informatiche su tablet, in forma di questionario o tabella-matrice, per la rilevazione della qualità espositiva e delle attività nel punto vendita; tuttavia, riteniamo che NLP possa integrarsi facilmente con tali applicazioni e rappresentare una possibilità aggiuntiva di user experience, senza per questo dismettere utili sistemi in essere e investimenti già sostenuti con successo.

Immaginiamo un input conversazionale da parte dello store account verso l’assistente virtuale:

• “sono davanti allo scaffale bevande, è fatto di 3 moduli da 7 ripiani, (…) vedo 3 articoli: Sigma 750, Beta 750 e BETA 250, nessuno è in stock-out, solo Sigma ha una caratterizzazione shelf talker, il posizionamento è centrale, più o meno lo spazio occupato è 30%, i prodotti Beta stanno sui ripiani 4 e 5, il formato 750 ha facing 2, l’altro ce l’ha di 4. I prezzi sono 2,89 euro e 1,59 euro; il 750 ha una promo 3×2, (… ) Sigma ha facing 6, sta sui ripiani 1 2 e 3 e non ha promo, il prezzo è di 2,19 euro. Anzi no, 2,79 euro”.
• il robot applica tecniche di text mining per estrarre i dati dall’input vocale e di seguito compila il questionario della rilevazione, ne fornisce un riepilogo, infine segnala in tempo reale le informazioni.
• Completato il questionario, lo store account detta le note vocali a margine della rilevazione, come ad esempio le informazioni sulla concorrenza, il resoconto del colloquio con i responsabili del punto vendita, i commenti sulle criticità rilevate. Il trattamento di informazioni non strutturate è uno dei grandi vantaggi delle applicazioni robotiche, con esse vengono enormemente aumentate le possibilità di business intelligence a basso costo.
• Infine, lo store account può utilizzare lo strumento vocale anche per il riordino dei prodotti, semplicemente dettando la quantità per ciascun prodotto; non è necessario che conosca i codici di referenza, è sufficiente citare la descrizione del prodotto (es. brand/formato) perché l’assistente individui il prodotto esatto da riordinare.
  L’input vocale viene trasformato dal robot in input per il sistema di order entry del CRM.

Nel vasto panorama dei produttori di articoli di largo consumo, in particolare nel caso di food & beverage e home-personal care, vi sono aziende che effettuano rilevazioni dettagliate per numerose sku nel punto vendita, digitando solo le differenze rispetto alla visita precedente; anche in questo caso l’assistente conversazionale può essere utilmente applicato, sempre nell’ipotesi, da verificare caso per caso, che l’interazione vocale costituisca un fattore di efficienza.

Conclusioni

I vantaggi che si prospettano con l’utilizzo di tecnologia NLP nei processi Field Sales sono di varia natura:

1. Efficacia: migliore preparazione della visita attraverso il facile e tempestivo reperimento delle informazioni commerciali e istruzioni di category management per canale, cliente e punto vendita
2. Efficienza: maggiore velocità nell’eseguire le transazioni di sistema attraverso input vocali; ottimizzazione del tempo a disposizione, trasformando in tempo utile il tempo trascorso in mobilità
3. Intelligence: raccolta di un numero molto maggiore di informazioni attraverso testi vocali, trasformabili in informazioni digitali con tecniche di text mining (es. informazioni sulla concorrenza)

Dal punto di vista tecnologico e architetturale, la soluzione risiede su una piattaforma cloud dove sono disponibili i servizi di Natural Language Processing e Text Mining, mentre la nostra esperienza progettuale si è focalizzata nella costruzione e training dell’intelligenza conversazionale, con l’obiettivo di rendere l’interazione molto vicina al colloquio fra umani. La piattaforma dialoga con i sistemi informativi gestionali e di business intelligence attraverso web service, con tempi di risposta decisamente accettabili.

Invitiamo il lettore a considerare questo progetto come un esempio delle innumerevoli applicazioni di Natural Language Processing e Text Mining nel campo dei processi gestionali, laddove la crescente predisposizione al lavoro in mobilità richiede ottimizzazione del tempo a disposizione e user experience libera da vincoli tecnici.