FMCG में शेल्फ की असली हालत कम नापी जाती है, AI इमेज रिकग्निशन से बदल सकती है तस्वीर

FMCG कंपनी को यह पता होता है कि उसने कितना माल भेजा, डिस्ट्रीब्यूटर ने कितना बिल बनाया और रिटेलर ने कितना ऑर्डर दिया। फिर भी एक सीधा सवाल उसे परेशान करता है: शॉपर ने शेल्फ पर असल में क्या देखा? कमर्शियल प्लान और खरीदने के फैसले के बीच यही अंधा कोना है। कई ब्रांड शेल्फ की जांच करते हैं, लेकिन कभी-कभार के ऑडिट, चुनिंदा चेक और ऐसी रिपोर्टों से, जो हालात बदलने के बाद पहुंचती हैं। यानी शेल्फ पूरी तरह अनमापी नहीं है, पर इतनी कम बार नापी जाती है कि उस पर भरोसे से फैसले नहीं लिए जा सकते। AI इमेज रिकग्निशन इसी समस्या को सामने ला रहा है।

इन्वेंटरी सिस्टम बता सकता है कि प्रोडक्ट स्टोर तक पहुंचा। ऑर्डर डेटा बता सकता है कि रिटेलर ने उसे खरीदा। लेकिन जब शॉपर ढूंढ रहा था, तब प्रोडक्ट दिख रहा था या नहीं, यह दोनों में से कोई नहीं बताता। शैंपू का पूरा केस स्टॉकरूम में पड़ा हो सकता है और शेल्फ खाली हो सकती है। प्रमोशन के पैसे लग चुके हों और डिस्प्ले में वह दिखे ही नहीं, ऐसा भी हो सकता है।

इसीलिए ऑन-शेल्फ अवेलेबिलिटी ऐसा आंकड़ा नहीं है जो हर बार इन्वेंटरी से निकाल लिया जाए। यह किसी खास आउटलेट पर, किसी खास वक्त की जमीनी हालत है। AI इमेज रिकग्निशन मौजूदा डेटा में तस्वीर का सबूत जोड़ता है। शेल्फ की फोटो से SKU की मौजूदगी, फेसिंग, शेयर ऑफ शेल्फ, प्लानोग्राम कंप्लायंस और दिखती खाली जगहें परखी जा सकती हैं। सेल्स और इन्वेंटरी डेटा के साथ मिलाने पर साफ होता है कि प्लान और हकीकत में फर्क कहां है।

जब कोई प्रोडक्ट कमजोर चलता है, तो टीमें आम तौर पर डिमांड, कीमत, डिस्ट्रीब्यूशन की पहुंच या कॉम्पिटीटर की हरकत देखती हैं। ये सब मायने रखते हैं, लेकिन शॉपर को क्या दिखाया गया, इसका सबूत न हो तो डिमांड की जांच मुश्किल रहती है। दो एक जैसे स्टोर लीजिए। एक में लीड SKU की फेसिंग अपेक्षा के मुताबिक है और जगह साफ दिखती है। दूसरे में वह गायब है या कम जगह में है। दोनों को एक ही डिमांड की समस्या मानने से गलत इलाज होगा। एक को बेहतर प्रपोजिशन चाहिए, तो दूसरे को रीस्टॉकिंग या बेहतर प्लेसमेंट।

यह तकनीक हर बिक्री गिरावट को एक्जीक्यूशन की नाकामी साबित नहीं करती और इसे किसी पर दोष मढ़ने का औजार भी नहीं बनना चाहिए। यह जांच को ज्यादा सटीक बनाती है: आउटलेट में क्या बदला, कब बदला और उसे ठीक कौन कर सकता है।

फोटो सबूत है, सब कुछ जानने वाली आंख नहीं। सॉफ्टवेयर दिखते प्रोडक्ट और संभावित खाली जगहें पकड़ सकता है, पर पैक साइज एक जैसे दिख सकते हैं, पैकेजिंग बदल जाती है, प्रोडक्ट एक दूसरे पर चढ़ जाते हैं और रोशनी या कैमरे का एंगल अलग-अलग होता है। खाली जगह देखकर यह नहीं पता चलता कि माल पीछे रखा है या रीस्टॉकिंग चल रही है। तंग गलियारे, शेल्फ की गहराई, असमान रोशनी और आधे दिखते प्रोडक्ट जैसी व्यावहारिक दिक्कतें भी हैं। इसलिए फोटो खींचने के साफ नियम, अपडेटेड कैटलॉग, कॉन्फिडेंस थ्रेशोल्ड और अनिश्चित नतीजों की इंसानी समीक्षा जरूरी है। गलत observations डैशबोर्ड में पहुंचे, तो ब्रांड पुरानी रिपोर्टिंग की समस्या को ही चमका देगा।

असली कीमत फोटो या अलर्ट की गिनती में नहीं, उसके बाद की कार्रवाई में है। जरूरी SKU के गायब होने का अलर्ट तभी काम का है जब कोई उस पर एक्शन ले सके। स्टॉक उपलब्ध हो तो फील्ड रिप्रेजेंटेटिव को शेल्फ भरनी पड़ सकती है। आउटलेट में माल खत्म हो तो डिस्ट्रीब्यूटर या रीप्लेनिशमेंट टीम को कदम उठाना होगा। कॉम्पिटीटर ने पेड डिस्प्ले की जगह ले ली हो तो ट्रेड मार्केटिंग को वादा सुलझाना होगा। शेल्फ इंटेलिजेंस को Sales Force Automation (SFA) और Distributor Management System (DMS) वाले मौजूदा रिटेल एक्जीक्यूशन वर्कफ्लो से जुड़ना चाहिए, एक और डैशबोर्ड नहीं बनना चाहिए। हर अपवाद का एक मालिक, प्राथमिकता, अगला कदम और पुष्टि तय हो।

फायदा ज्यादा देखने से नहीं, लगातार देखने से मिलेगा। एक ऑडिट बस एक झलक है। बार-बार की तस्वीरों से दिखता है कि एक्जीक्यूशन कहां टूटता है, कितनी बार टूटता है और सुधार टिकता है या नहीं। स्टॉकआउट कुछ आउटलेट क्लस्टर में जमा हैं क्या, लॉन्च का दिखना पहले हफ्ते के बाद घटता है क्या, पेड डिस्प्ले लगे भी हैं क्या, ऐसे सवाल उठते हैं। शेल्फ के निरीक्षण को ऑर्डर, सेल-आउट, इन्वेंटरी और विजिट हिस्ट्री के साथ जोड़कर देखना चाहिए, अकेले स्कोर की तरह नहीं।

असली मोर्चा फोटो नहीं, फैसला है। शेल्फ तब नापी जा सकती है जब ब्रांड देख सके कि क्या हुआ, कदम उठा सके और पक्का कर सके कि हालत बदली। जीत उन ब्रांडों की होगी जो AI इमेज रिकग्निशन की पकड़ को ऐसे फैसलों से जोड़ें जो अवेलेबिलिटी, एक्जीक्यूशन और आखिरकार शॉपर की पसंद को बेहतर करें।