Merchandising tradycyjny czy wspierany AI? Porównanie rozwiązań

Streszczenie: Tradycyjny merchandising nadal jest podstawą skutecznej egzekucji w punktach sprzedaży, bo człowiek potrafi nie tylko sprawdzić półkę, ale też poprawić ekspozycję, zamontować POSM, porozmawiać z personelem i zareagować na sytuację w sklepie. AI przyspiesza natomiast analizę danych, automatyzuje rozpoznawanie produktów, wspiera kontrolę planogramów i pozwala monitorować znacznie większą liczbę punktów. Najlepsze efekty daje model hybrydowy: doświadczone zespoły terenowe + technologia visual recognition + raportowanie online.

Dlaczego temat AI w merchandisingu jest dziś tak ważny?

Retail zmienia się szybciej niż kilka lat temu. Promocje są krótsze, liczba SKU rośnie, konsumenci porównują ceny w różnych kanałach, a producenci oczekują dokładniejszych danych z punktów sprzedaży. W takim środowisku klasyczny model pracy merchandisera, oparty wyłącznie na wizytach terenowych i ręcznym raportowaniu, bywa niewystarczający.

Nie oznacza to jednak, że AI zastąpi merchandising tradycyjny. W praktyce technologia najlepiej działa wtedy, gdy wspiera ludzi w terenie: przyspiesza analizę zdjęć półek, wykrywa braki, sprawdza zgodność z planogramem i pomaga priorytetyzować wizyty.

W polskim handlu, gdzie producenci działają jednocześnie w dyskontach, supermarketach, hipermarketach, convenience, drogeriach, aptekach, petrolu i kanale tradycyjnym, taki model może znacząco poprawić kontrolę nad egzekucją w sklepach.

Czym jest tradycyjny merchandising?

Tradycyjny merchandising to działania realizowane przez merchandiserów bezpośrednio w punktach sprzedaży. Ich celem jest zapewnienie dostępności produktu, poprawnej ekspozycji, zgodności z planogramem oraz widoczności marki.

W praktyce obejmuje on m.in.:

• uzupełnianie produktów na półkach,
• poprawę ekspozycji,
• kontrolę dostępności SKU,
• montaż i weryfikację materiałów POS,
• kontrolę cen i oznaczeń,
• dokumentację zdjęciową,
• raportowanie wykonanych działań,
• kontakt z personelem sklepu.

Największą przewagą tradycyjnego merchandisingu jest to, że merchandiser może od razu wykonać działanie naprawcze. Jeśli produkt stoi w złym miejscu, może go poprawić. Jeśli brakuje materiału POS, może go zamontować. Jeśli półka wymaga uporządkowania, może zareagować podczas tej samej wizyty.

Czym jest merchandising wspierany AI?

Merchandising wspierany AI wykorzystuje technologie takie jak computer vision, machine learning, visual recognition, rozpoznawanie obrazów, automatyczna analiza zdjęć półek, roboty sklepowe, kamery półkowe czy systemy raportowania online.

AI może wspierać m.in.:

• rozpoznawanie produktów na zdjęciach,
• wykrywanie braków na półce,
• kontrolę zgodności z planogramem,
• liczenie facingów,
• analizę Share of Shelf,
• identyfikację błędnych cen,
• wykrywanie produktów konkurencji,
• priorytetyzację sklepów wymagających wizyty.

Badania nad automatyczną kontrolą planogramów pokazują, że computer vision i deep learning mogą być wykorzystane do rozpoznawania produktów oraz sprawdzania zgodności ekspozycji z oczekiwanym układem półki. W jednym z projektów system osiągnął bardzo wysokie wyniki w blokach detekcji obiektów i kontroli planogramu, co potwierdza potencjał technologii w retail execution.

Tradycyjny merchandising vs AI – najważniejsze różnice

1. Dostępność produktu na półce

Dostępność produktu to jeden z najważniejszych obszarów, w których merchandising i AI mogą się uzupełniać. Z perspektywy klienta produkt jest dostępny dopiero wtedy, gdy znajduje się na półce, w odpowiednim miejscu i można go kupić.

Średni poziom braków produktowych w sektorze FMCG w rozwiniętych gospodarkach był w badaniach Thomasa Gruena i Daniela Corstena szacowany na 8,3%. To oznacza, że nawet przy dobrze rozwiniętych procesach retail problem out-of-stock pozostaje realny.

Tradycyjny merchandiser może wykryć brak i od razu spróbować go usunąć, np. sprawdzając zaplecze, poprawiając ekspozycję lub raportując problem. AI może natomiast szybciej wykrywać braki na podstawie zdjęć półek albo danych z kamer i wskazywać sklepy, które wymagają interwencji.

2. Zgodność z planogramem

Planogram określa, gdzie produkt powinien znajdować się na półce, ile powinien mieć facingów i w jakim układzie powinien być pokazany klientowi. W tradycyjnym modelu zgodność z planogramem sprawdza merchandiser lub audytor podczas wizyty.

AI może w tym obszarze znacząco przyspieszyć analizę. Systemy rozpoznawania obrazu porównują zdjęcie półki z planogramem i wykrywają odchylenia: brak produktu, złą kolejność, nieprawidłową liczbę facingów czy błędne miejsce ekspozycji. Badania nad planogram compliance pokazują, że takie rozwiązania mogą wykorzystywać object detection oraz metody dopasowywania sekwencji do automatycznej kontroli układu produktów.

W praktyce biznesowej AI nie rozwiązuje jednak problemu samoistnie. Jeśli system wykryje niezgodność, nadal potrzebna jest decyzja: czy wysłać merchandisera, zmienić priorytet wizyty, zgłosić temat do sieci, czy zaktualizować standard ekspozycji.

3. Share of Shelf i widoczność marki

Share of Shelf pokazuje, jaką część półki zajmuje marka w porównaniu z konkurencją. W tradycyjnym merchandisingu pomiar udziału półki często jest wykonywany ręcznie: przez liczenie facingów, pomiar długości ekspozycji albo ocenę zdjęcia.

AI może automatyzować ten proces, zwłaszcza w kategoriach, w których półka jest powtarzalna i dobrze sfotografowana. Dzięki analizie obrazu można szybciej ocenić, czy marka ma odpowiednią widoczność, czy konkurencja nie zajęła dodatkowej przestrzeni i czy ekspozycja odpowiada ustaleniom.

To szczególnie ważne w FMCG, kosmetykach, napojach, chemii gospodarczej i kategoriach impulsowych, gdzie decyzja zakupowa często zapada w kilka sekund.

4. Materiały POS i komunikacja promocyjna

Materiały POS są ważnym elementem kampanii trade marketingowych. Mogą przyciągać uwagę, informować o promocji i zwiększać widoczność produktu. W tradycyjnym merchandisingu merchandiser sprawdza, czy POSM jest dostępny, aktualny, poprawnie zamontowany i niezniszczony.

AI może pomóc w identyfikacji obecności materiałów POS na zdjęciach, ale ma ograniczenia. Nie zawsze właściwie oceni jakość montażu, kontekst sklepu, estetykę wykonania czy to, czy materiał rzeczywiście spełnia funkcję sprzedażową. Dlatego w tym obszarze nadal duże znaczenie ma ocena człowieka.

5. Ceny i oznaczenia

Błędne ceny przy półce mogą obniżać sprzedaż i pogarszać doświadczenie klienta. Technologie takie jak elektroniczne etykiety cenowe pomagają automatycznie aktualizować ceny w sklepie i ograniczać ręczną pracę. Systemy ESL są kontrolowane centralnie i umożliwiają szybką zmianę cen na półce, co może zwiększać dokładność i spójność komunikacji cenowej.

Jednocześnie technologia nie eliminuje wszystkich ryzyk. Jeśli błędna cena zostanie wprowadzona centralnie, błąd może zostać powielony w wielu sklepach. Dlatego kontrola cen i oznaczeń nadal powinna być elementem audytu merchandisingowego.

6. Dane z półki a dane sprzedażowe

Tradycyjny merchandising często odpowiada na pytanie: „czy zadanie zostało wykonane?”. AI pomaga pójść krok dalej i zadać pytanie: „co naprawdę dzieje się na półce i jak to wpływa na sprzedaż?”.

W badaniu dotyczącym niezgodności stanów magazynowych w grocery retail przeanalizowano ok. 24 tys. SKU w 11 sklepach. Autorzy wykazali, że audyt zapasów przełożył się na 11% wzrost sprzedaży na poziomie sklepu, przy czym efekt koncentrował się na produktach, dla których system wskazywał wyższy stan niż rzeczywista dostępność.

To pokazuje, że dane operacyjne z półki mogą mieć bezpośrednie znaczenie biznesowe. Jeśli system pokazuje, że produkt „jest”, ale klient nie widzi go na półce, sprzedaż może być zaniżona, a dane popytowe zniekształcone.

Zalety tradycyjnego merchandisingu

Tradycyjny merchandising ma przewagi, których nie da się łatwo zastąpić technologią.

Najważniejsze z nich to:

• możliwość natychmiastowego działania w sklepie,
• elastyczność w sytuacjach niestandardowych,
• kontakt z personelem punktu sprzedaży,
• ocena jakości ekspozycji w kontekście sklepu,
• montaż i naprawa materiałów POS,
• możliwość reagowania na lokalne uwarunkowania.

W polskich realiach, gdzie sklepy różnią się formatem, układem, natężeniem ruchu i standardem pracy, doświadczenie zespołów terenowych pozostaje bardzo ważne.

Ograniczenia tradycyjnego merchandisingu

Tradycyjny model ma jednak swoje ograniczenia. Największe to skala, czas i koszt dotarcia do punktów sprzedaży. Jeśli producent chce monitorować tysiące sklepów, ręczne sprawdzanie każdej półki staje się trudne organizacyjnie.

Najczęstsze ograniczenia to:

• ograniczona częstotliwość wizyt,
• zależność od jakości pracy audytora lub merchandisera,
• czas potrzebny na analizę zdjęć,
• ryzyko niejednolitego raportowania,
• ograniczona możliwość szybkiego porównywania danych z wielu sklepów.

Dlatego tradycyjny merchandising coraz częściej potrzebuje wsparcia technologicznego.

Zalety merchandisingu wspieranego AI

AI najlepiej sprawdza się tam, gdzie trzeba szybko analizować powtarzalne dane z wielu punktów sprzedaży.

Największe zalety to:

• szybsza analiza zdjęć półek,
• automatyczne wykrywanie braków,
• kontrola zgodności z planogramem,
• możliwość liczenia facingów i udziału półki,
• porównywanie wyników między sieciami i regionami,
• priorytetyzacja sklepów wymagających interwencji,
• większa częstotliwość monitoringu.

Na świecie rozwijają się różne modele automatyzacji półki: kamery, aplikacje mobilne, roboty sklepowe i systemy rozpoznawania obrazów. Robot Tally, wykorzystywany do skanowania półek, potrafi wykrywać produkty niedostępne, źle ustawione lub źle oznaczone, a według dostępnych informacji był używany w ok. 1000 sklepów w 2024 roku.

Ograniczenia AI w merchandisingu

AI nie jest magicznym rozwiązaniem, które samo naprawia półkę. Technologia może wykryć problem, ale nie zawsze może go rozwiązać. Wdrożenie wymaga dobrych zdjęć, właściwych danych referencyjnych, aktualnych planogramów, przeszkolenia zespołów i procesu operacyjnego.

Warto też pamiętać, że nie wszystkie projekty AI kończą się sukcesem. Starbucks wycofał narzędzie AI do automatycznego liczenia zapasów po kilku miesiącach, ponieważ w praktyce rozwiązanie miało problemy z dokładnością i skalowaniem w realnych warunkach pracy sklepów.

To ważna lekcja: technologia musi być dopasowana do procesu. Jeśli AI jest dokładane do źle zaprojektowanego modelu operacyjnego, może zwiększyć chaos zamiast go ograniczyć.

Porównanie: kiedy wybrać tradycyjny merchandising, a kiedy AI?

Model hybrydowy: najlepsze z dwóch światów

Najbardziej efektywne podejście nie polega na wyborze: człowiek albo AI. Najlepsze efekty daje połączenie obu modeli.

W modelu hybrydowym AI analizuje dane i wskazuje priorytety, a zespół terenowy wykonuje działania tam, gdzie są naprawdę potrzebne.

Przykład procesu:

1. Zdjęcia półek trafiają do systemu.
2. AI rozpoznaje produkty, facingi, braki i odchylenia.
3. System wskazuje sklepy z największymi niezgodnościami.
4. Zespół terenowy otrzymuje priorytety wizyt.
5. Merchandiser poprawia ekspozycję i raportuje efekt.
6. Dane trafiają do dashboardu i wspierają decyzje trade marketingowe.

Taki model pozwala ograniczyć ręczną analizę, poprawić szybkość reakcji i lepiej wykorzystywać czas zespołów terenowych.

Jakie KPI warto mierzyć w modelu tradycyjnym i AI?

Czy AI obniży koszty merchandisingu?

Może, ale nie zawsze wprost. AI niekoniecznie oznacza mniej pracy terenowej. Często oznacza lepsze wykorzystanie pracy terenowej.

Zamiast wysyłać merchandisera wszędzie z taką samą częstotliwością, można kierować go tam, gdzie dane pokazują największy problem lub najwyższy potencjał sprzedażowy.

AI może więc pomagać w:

• ograniczeniu niepotrzebnych wizyt,
• skróceniu czasu analizy raportów,
• szybszym wykrywaniu problemów,
• lepszym planowaniu tras,
• większej skuteczności działań naprawczych.

Koszt technologii trzeba jednak porównać z wartością danych, skalą projektu i możliwością realnego działania po wykryciu problemu.

Jak wdrożyć AI w merchandisingu, żeby uniknąć błędów?

Wdrożenie AI powinno zaczynać się od celu biznesowego, a nie od technologii. Najpierw trzeba odpowiedzieć na pytanie: co chcemy mierzyć i jaką decyzję będziemy podejmować na podstawie danych?

Praktyczna checklista:

• Czy mamy aktualne planogramy?
• Czy mamy dobrą bazę zdjęć produktów?
• Czy wiemy, które SKU są priorytetowe?
• Czy zdjęcia z półek mają odpowiednią jakość?
• Czy dane będą połączone z raportowaniem sprzedaży?
• Czy zespół terenowy wie, jak reagować na alerty?
• Czy mamy proces korekty błędów AI?
• Czy wiemy, jak mierzyć ROI wdrożenia?
• Czy zaczynamy od pilotażu, czy od pełnej skali?
• Czy technologia rozwiązuje realny problem operacyjny?

Co wybrać na polskim rynku?

Na polskim rynku większość producentów nie powinna traktować AI jako zamiennika merchandisera. Znacznie rozsądniejsze jest podejście etapowe.

Dla marek z dużą dystrybucją AI może być świetnym narzędziem do monitorowania skali, porównywania sieci, wykrywania braków i kontroli planogramów. Dla marek, które potrzebują wdrożeń, POSM, ekspozycji dodatkowych i działań naprawczych, niezbędny pozostaje zespół terenowy.

Najlepszy model to:

• tradycyjny merchandising tam, gdzie potrzebne jest działanie,
• AI tam, gdzie potrzebna jest szybka analiza,
• raportowanie online tam, gdzie potrzebna jest kontrola,
• BI tam, gdzie potrzebne są decyzje biznesowe.

Podsumowanie

Merchandising tradycyjny i merchandising wspierany AI nie są konkurencyjnymi światami. To dwa elementy jednego procesu retail execution.

Tradycyjny merchandising daje operacyjność, elastyczność i możliwość działania w sklepie. AI daje szybkość, skalę i lepszą analizę danych. Dopiero ich połączenie pozwala producentom skuteczniej kontrolować dostępność, ekspozycję, planogramy, facingi, materiały POS i działania konkurencji.

W Cursor patrzymy na technologię jako wsparcie pracy zespołów terenowych, a nie jej zamiennik. Bo skuteczna sprzedaż w punkcie sprzedaży wymaga zarówno danych, jak i ludzi, którzy potrafią zamienić te dane w konkretne działania.

Źródła i bibliografia

1. Thomas W. Gruen, Daniel Corsten – badania dotyczące poziomu out-of-stock w FMCG.
2. M. Erkin Yücel, Cem Ünsalan – Planogram Compliance Control via Object Detection, Sequence Alignment, and Focused Iterative Search.
3. M. Erkin Yücel, Serkan Topaloğlu, Cem Ünsalan – Embedded Planogram Compliance Control System.
4. Yacine Rekik, Rogelio Oliva, Christoph Glock, Aris Syntetos – Inventory record inaccuracy in grocery retailing.
5. Opracowanie dotyczące elektronicznych etykiet cenowych i ich zastosowania w retailu.
6. Opracowanie dotyczące robota Tally i automatycznego skanowania półek.
7. Przykład nieudanego wdrożenia AI inventory tool w Starbucks jako ryzyko skalowania technologii bez dopasowania operacyjnego.

Tomasz Staszczuk Dyrektor ds. merchandisingu zapytanie@cursor.pl