Recommended order acceptance rate: KPI, който показва дали AI помага на търговеца
Acceptance rate не е просто процент приети AI поръчки. Той показва доверие, качество на препоръката, пропуски в данните и къде човекът знае нещо, което моделът още не знае.
Препоръчаната поръчка има смисъл само ако търговецът я използва.
Но “използва” не означава винаги да я приема едно към едно.
Точно тук идва recommended order acceptance rate - KPI, който показва каква част от AI препоръките се приемат без промяна, каква част се коригират и каква част се отхвърлят.
На пръв поглед това е adoption metric.
В реалност е много повече.
Този KPI показва дали AI Order Brain дава полезни препоръки, дали търговците му вярват, дали данните са достатъчно добри и къде бизнес контекстът липсва от модела.
Acceptance rate не трябва да бъде 100%
Грешка е да се мисли, че перфектната цел е 100% приемане.
Ако търговецът винаги приема препоръката, има няколко възможности:
- моделът наистина е много добър;
- търговецът няма стимул да мисли;
- UX-ът прави корекцията трудна;
- KPI системата наказва промени;
- препоръките са твърде консервативни;
- процесът не улавя реални изключения.
В FMCG има много ситуации, в които човекът има валиден контекст, който моделът още не вижда.
Например:
- клиентът е казал, че следващата седмица ще бъде затворен;
- магазинът има продукт в backroom, но не е зареден;
- собственикът отказва определен SKU;
- промоцията реално започва по-късно;
- доставката е била забавена;
- хладилникът е повреден;
- новата опаковка обърква image recognition;
- локален конкурент е пуснал агресивна оферта.
Затова целта не е “AI винаги да е прав”.
Целта е препоръката да бъде достатъчно добра, за да намалява ръчната работа, но достатъчно гъвкава, за да позволи човешка корекция.
Какво точно трябва да се мери
Recommended order acceptance rate трябва да се разпадне на няколко показателя.
| KPI | Какво показва |
|---|---|
| Full acceptance rate | поръчката е приета без промяна |
| Line acceptance rate | кои SKU линии са приети |
| Quantity adjustment rate | колко често се сменя количество |
| Rejection rate | кои препоръки се отхвърлят |
| Manual add rate | кои SKU-та търговецът добавя ръчно |
| Manual remove rate | кои SKU-та се махат |
| Reason code coverage | има ли причина за корекцията |
| Post-order performance | дали приетата/коригирана поръчка е довела до по-добър резултат |
Само full acceptance rate не стига.
Ако 80% от поръчките са “приети”, но ключовите SKU-та постоянно се коригират, моделът има проблем. Ако търговецът добавя един и същ продукт ръчно в много магазини, може би master data, assortment или demand signal липсва.
Корекцията е ценен сигнал
Корекцията от търговеца не трябва да се третира като неподчинение.
Тя е training signal.
Когато търговецът промени препоръчана поръчка, системата трябва да пита защо:
- customer request;
- stock in backroom;
- temporary closure;
- delivery constraint;
- promo timing;
- price issue;
- assortment exception;
- product unavailable;
- competitor action;
- sales rep judgement.
Тези reason codes правят корекциите използваеми.
Без тях виждаме само “AI беше променен”. С тях разбираме дали проблемът е в модела, в данните, в supply chain, в клиента или в execution процеса.
Acceptance rate по сегмент, не само средно
Средният acceptance rate може да скрие истината.
Трябва да се гледа по:
- канал;
- store segment;
- route;
- sales rep;
- distributor;
- категория;
- SKU;
- промо период;
- регион;
- тип клиент;
- сезон.
Например в модерна търговия acceptance rate може да е висок, защото поръчките са по-структурирани. В traditional trade може да има повече корекции заради локални отношения, cash constraints, backroom наличности или специфични договорки.
Точно затова Outlet segmentation е важна. Една препоръчана поръчка не може да работи еднакво за kiosk, minimarket, HoReCa клиент и голям супермаркет.
Как AI трябва да обяснява препоръката
Търговецът приема по-лесно препоръка, когато разбира защо е дадена.
Затова препоръката трябва да показва фактори като:
- последни продажби;
- историческа поръчка;
- минимален stock;
- сезонност;
- промоция;
- out-of-stock риск;
- shelf image сигнал;
- planogram gap;
- store potential;
- delivery frequency.
Това не трябва да бъде огромен аналитичен екран. В мобилен процес трябва да бъде кратко: “+2 because promo starts”, “risk of OOS”, “low shelf stock”, “usual order”.
Така AI не замества търговеца. Той му дава аргумент.
Какво да правим с нисък acceptance rate
Нисък acceptance rate не означава автоматично, че търговците саботират системата.
Възможните причини са различни:
- лоша forecast логика;
- липсващи продажби;
- грешен assortment;
- остарели product master данни;
- слаб shelf image signal;
- неактуална планограма;
- промоции, които не са заредени в системата;
- UI, който не показва причината;
- липса на доверие;
- неправилен KPI натиск.
Преди да се наказва екипът, трябва да се диагностицира процесът.
Chat BI може да помогне тук, ако мениджърът пита: “Кои SKU-та най-често се коригират в Северен регион?” или “При кои маршрути AI препоръките се отхвърлят най-много?”
Какво да правим с висок acceptance rate
Високият acceptance rate също не е автоматично добър знак.
Трябва да се провери:
- расте ли реалният sell-out;
- пада ли out-of-stock;
- намалява ли overstock;
- подобрява ли се fill rate;
- има ли по-малко manual work;
- приемат ли се грешни препоръки от удобство;
- има ли pressure към търговците да не коригират.
Ако acceptance е висок, но продажбите не се подобряват, KPI-то е vanity metric.
Истинският въпрос е дали препоръката води до по-добра наличност, по-добър оборот и по-малко грешки.
Връзката с execution данните
Добрата препоръчана поръчка не идва само от история на продажби.
Тя трябва да използва execution signals:
- Realogram vs planogram;
- Share of shelf;
- Promo compliance;
- Price compliance;
- visit history;
- delivery frequency;
- store potential;
- seasonal demand.
Ако рафтът е празен, но продажбите са ниски, моделът трябва да разбере дали това е слаб demand или missed sale заради липса. Ако промоцията не е изпълнена, order recommendation не трябва сляпо да очаква promo uplift.
Това е причината AI order taking да бъде свързан с retail execution, не отделен модул.
Накратко
Recommended order acceptance rate е един от най-важните KPI за AI order taking във FMCG.
Но той трябва да се използва правилно.
Не гоним 100% приемане.
Гоним по-добра препоръка, по-малко ръчна работа, по-добра наличност и по-добър бизнес резултат.
Правилният подход е:
- full и line-level acceptance;
- reason codes за корекции;
- анализ по канал, SKU, route и sales rep;
- сравнение с post-order performance;
- human-in-the-loop контрол;
- continuous learning от реални корекции;
- integration със shelf, promo, price и route данни.
AI препоръката е добра, когато търговецът я приема често, коригира я смислено и системата се учи от всяка корекция.
Свързано в Optimasoft
- AI Order Brain създава препоръчани поръчки на база продажби, наличности, execution и контекст.
- AI order taking във FMCG обяснява защо препоръчаната поръчка е по-важна от автоматичната.
- OptimaSale управлява field sales процеса, посещенията и order workflow.
- Chat BI помага на мениджърите да анализират acceptance rate и корекциите.
- Human-in-the-loop AI показва защо човешката корекция е контрол, не слабост.
Източници
Свързани статии
