Tingkatkan Eksekusi Rak Sebelum Berujung Kehilangan Penjualan

Saat pengecekan rak terjadwal, staf toko mengambil gambar rak menggunakan perangkat mobile yang didukung. AI menganalisis gambar tersebut untuk mengenali produk, posisi di rak, jumlah facing, dan kondisi display terkait.

Susunan rak yang terdeteksi kemudian dibandingkan dengan planogram yang telah disetujui atau standar merchandising. Berdasarkan perbandingan tersebut, sistem mengidentifikasi penyimpangan seperti produk yang tidak tersedia, salah penempatan, jumlah facing yang tidak sesuai, display berlebih, dan masalah eksekusi rak lainnya.

Hasilnya dirangkum menjadi Planogram Compliance Score, sehingga tim toko dan manajemen dapat melihat seberapa sesuai kondisi rak aktual dengan planogram yang telah disetujui serta bagian mana yang membutuhkan tindakan perbaikan.

Tidak. Solusi ini dirancang menggunakan pengecekan rak terjadwal, bukan instalasi kamera permanen atau pemantauan secara terus-menerus.

Retailer dapat menentukan waktu pengecekan, misalnya pukul 09.00, 13.00, 16.00, dan 20.00, sesuai pola operasional toko dan prioritas merchandising. Dengan demikian, tim dapat melakukan pengecekan secara berkala sepanjang hari tanpa memasang kamera tetap di setiap lorong.

Hasil pengecekan menggambarkan kondisi rak pada saat pengecekan dilakukan, bukan pemantauan real-time secara terus-menerus yang membutuhkan koneksi internet kuat tanpa henti.

Kondisi rak dapat berubah secara signifikan sejak toko buka hingga tutup karena pelanggan membeli produk, replenishment dilakukan, dan produk berpindah posisi.

Dengan melakukan beberapa pengecekan terstruktur sepanjang hari, retailer dapat mengidentifikasi masalah eksekusi pada interval tertentu tanpa harus menunggu audit akhir hari atau inspeksi manual sesekali.

Setiap pengecekan dapat menemukan masalah seperti produk out-of-stock, produk salah penempatan, ketidaksesuaian planogram, masalah harga atau label, serta produk yang tidak dikenali. Tim toko kemudian dapat fokus pada tindakan perbaikan berdasarkan masalah yang ditemukan dalam pengecekan tersebut.

AI mengevaluasi pengenalan produk sekaligus posisi produk yang terlihat di rak. Dengan demikian, berbagai kondisi dapat diklasifikasikan secara terpisah dan tidak dianggap sebagai satu masalah rak yang sama.

Sebagai contoh, produk dapat dikenali tetapi berada di lokasi yang salah sehingga dikategorikan sebagai produk salah penempatan. Produk yang seharusnya tersedia mungkin tidak ditemukan di area rak yang ditentukan sehingga menunjukkan masalah out-of-stock atau ketersediaan. Susunan rak juga dapat berbeda dari struktur merchandising yang ditetapkan sehingga dikategorikan sebagai penyimpangan planogram.

Pemisahan jenis masalah ini memberikan informasi yang lebih actionable kepada tim operasional mengenai hal yang perlu diperbaiki.

Tantangan dalam operasional multi-store bukan hanya mengidentifikasi masalah rak, tetapi juga menerapkan proses pengecekan yang konsisten di seluruh lokasi.

Pengecekan terjadwal berbasis AI menciptakan alur kerja yang dapat diulang, sehingga setiap toko dapat mengikuti frekuensi inspeksi dan klasifikasi masalah yang sama. Hasilnya dapat dibandingkan antar lokasi untuk mengetahui di mana masalah eksekusi lebih sering terjadi serta toko atau kategori mana yang memerlukan perhatian tambahan.

Dengan demikian, eksekusi rak tidak terlalu bergantung pada kebiasaan inspeksi masing-masing individu dan memberikan dasar yang lebih konsisten bagi manajemen untuk memantau performa setiap toko.

Performa dapat berbeda tergantung lingkungan toko dan konfigurasi implementasi. Faktor penting meliputi kualitas gambar, visibilitas rak, kemiripan antar produk, perubahan kemasan, kompleksitas assortment, kondisi pencahayaan, kualitas planogram, sudut kamera, dan kelengkapan data referensi produk yang digunakan sistem.

Kedisiplinan operasional juga berpengaruh. Prosedur pengambilan gambar yang konsisten, informasi produk yang selalu diperbarui, dan rutinitas pengecekan yang jelas dapat meningkatkan kualitas analisis.

Karena itu, implementasi yang berhasil tidak hanya bergantung pada penerapan model AI. Data produk, alur kerja toko, frekuensi pengecekan, konfigurasi perangkat, dan proses penanganan exception perlu diselaraskan agar masalah rak yang terdeteksi dapat ditindaklanjuti secara efektif.