Adrian Sanger (DVJ-Insights): Hoe verbeter je zichtbaarheid in het schap met AI

AI VULT DE GATEN OP

Wanneer er zoveel keuzes en opties zijn bij het kiezen van een merk in de winkel, kunnen marketeers en insight professionals wel wat hulp gebruiken bij wat consumenten nu wel en niet zien.

Vooral in supermarkten worden klanten elke keer dat ze een winkel binnenkomen of online winkelen overspoeld met visuele informatie. Het idee dat een klant zich nauwkeurig alle details kan herinneren van wat hij op een druk schap of online heeft gezien, is meer mythe dan realiteit. De hoeveelheid informatie bij overmatige prikkels zorgt al snel voor cognitieve overbelasting waardoor het overgrote deel van de informatie gewoonweg niet landt.

AI biedt ons hulp bij het voorspellen van zichtbaarheid en leert ons potentiële verbeteringen op het gebied van verpakking, het schap en gangpad. Door enorme hoeveelheden data te analyseren, biedt AI inzicht in wat mensen daadwerkelijk zien wanneer ze winkelen - en, net zo belangrijk, wat ze missen! Inzet van AI is een waardevolle verbetering die inzicht in merkzichtbaarheid toont, zonder de complexiteit en kosten van volledige eye-tracking.

DVJ Insight integreert AI, in samenwerking met Neurons, in al haar onderzoeksmethoden. Ook op het gebied van Shopper geeft AI extra inzicht in het gangpad, schap- en merkzichtbaarheid.

LOOP JE MEE?

Het per seconde vastleggen van zichtbaarheid van producten en merken met AI laat het gedrag van klanten zien in bijvoorbeeld de supermarkt. Dit stelt retailers en merken in staat om nauwkeurig bij te houden welke producten klanten ‘real-time’ opmerken en hoe ze daarop reageren. Door gedetailleerde zichtbaarheidsdata te verzamelen, krijgen retailers een dieper inzicht in hoe productplaatsing, verpakking en schapindeling de aandacht en besluitvorming van consumenten beïnvloeden. Traditionele methoden voor het beoordelen van productzichtbaarheid, zoals enquêtes na het bezoek of statische schap audits, schieten tekort in het vastleggen van de dynamische interactie tussen klanten en producten op de schappen.

Vaak zijn bevindingen intuïtief. De meeste mensen weten dat gebieden met veel traffic en schappen op ooghoogte over het algemeen de meeste aandacht trekken, terwijl producten op lagere of juist hogere schappen eerder over het hoofd worden gezien. Artikelen met opvallende verpakkingen of die in de buurt van populaire producten zijn geplaatst, trekken ook meer bekijks. AI stelt retailers in staat om winkelervaring te verbeteren en de zichtbaarheid van producten te vergroten op basis van ‘real-time-and place’ data. Zodat consumenten bepaalde artikelen zien, overwegen én kopen door gerichte aanpassingen in schap- en winkelindeling.

HET KWANTIFICEREN VAN DE IMPACT VAN SCHAPPOSITIE

We weten al dat de zichtbaarheid bij sommige schapposities beter is dan bij anderen. Maar wat is de impact als een product niet op ooghoogte staat maar op andere posities? Dankzij AI-technologie is praktisch experimenteren met schap zichtbaarheid nu mogelijk zonder hoge kosten.

In het vereenvoudigde voorbeeld hieronder namen we twee Zweedse koffiemerken, Arvid Nordqvist en Lavazza. We hebben vervolgens het schap opnieuw ingedeeld om het merk over zes zones te positioneren. Eén set voor Arvid en één set voor Lavazza. Met inzet van AI en onze analyse voorspelden we twaalf keer de zichtbaarheid en vergeleken de resultaten. Dit zijn de verkregen inzichten:

De verpakking van Lavazza heeft een ontwerp dat meer opvalt en geniet daardoor meer zichtbaarheid dan Arvid, ongeacht de zone.
Centrale posities dragen aanzienlijk bij aan de zichtbaarheid van merken.
Hoe verder van het midden van het schap, hoe zwakker de zichtbaarheid.
De zichtbaarheid van een merk is ook een functie van de merken direct links en rechts. Als zij dominant zijn, beïnvloedt dit ook de zichtbaarheid van andere producten op het schap.

Deze data-gedreven aanpak stelt retailers in staat om geïnformeerde beslissingen te nemen over productplaatsing, schapindelingen te optimaliseren, de zichtbaarheid te verbeteren en de verkoop te stimuleren.

ONTWERP BEPALEND VOOR IMPACT

Het enige dat merken zelf kunnen beïnvloeden (naast kostbare accountafspraken), is het ontwerp van de verpakking. En dit wordt nog belangrijker aangezien retailers hun eigen vereisten (denk aan huismerken) toepassen. Pack testing biedt uitkomst om te begrijpen hoe consumenten zullen reageren op nieuwe verpakkingsontwerpen voordat ze in de schappen verschijnen.

Opnieuw biedt de inzet van AI meerdere manier om aandacht voor verpakkingsontwerpen te voorspellen met extra meetwaarden:

Heat map - een visuele weergave die kleuren gebruikt om de intensiteit van aandacht te tonen, over verschillende delen van een verpakking.
Fog map - een visuele weergave die gebieden van onduidelijkheid of onbegrip benadrukt.
Interessegebieden – een methode om de impact van verschillende visuele elementen op de verpakking van een product te meten met percentages.
Start aandacht/eind aandacht – vergelijkbaar met een Heat Map, waarbij de voorspelling wordt opgesplitst in de eerste twee seconden en vervolgens seconden drie en vier.

INZICHTEN OMZETTEN IN ACTIE

Zoals we opmerkten in het recente artikel ‘Kansen in pack ’, evolueert het landschap van verpakkingstesten in de FMCG-sector in 2024 snel. Geavanceerde technologieën zoals het voorspellen van zichtbaarheid openen een nieuwe dialoog over succes in het schap. Succesvolle bedrijven zijn degenen die deze uitdagingen direct aangaan.

AI helpt onderzoekers omdat het zichtbaarheid voorspelt op basis van het testen van daadwerkelijk gedrag in plaats van dat consumenten wordt gevraagd hun gedrag te verwoorden (wat niet makkelijk is en vaak niet realistisch). Maar AI staat niet op zichzelf; om verpakkingsontwerp-beslissingen te sturen zijn andere methoden nodig. Enkele voorbeelden:

Meten van directe herkenning. Het gebruik van een T-Scope-methode in marktonderzoek meet precies hoe snel en effectief visuele stimuli worden verwerkt in 80 milliseconden. Dit houdt in dat individuen niet langer dan 80 milliseconden aan een stimulus worden blootgesteld, te kort voor cognitieve verwerking. Deze snelle blootstelling beoordeelt herkenning en directe aantrekkingskracht, en vergelijkt deze reacties met andere merken en ontwerpen in het schap.
Meten van snelheid van vinden. Hier gaat het om hoe snel een product wordt gevonden in vergelijking met producten van concurrenten. Door een product in een schapcontext te presenteren en te timen hoe snel het wordt geïdentificeerd, meet je cognitieve zichtbaarheid. Deze methode helpt bij het vergelijken van merken, maar ook tussen sub-merken.

Het is goed om te weten dat AI bij DVJ Insights een geïntegreerd onderdeel is van ons pack testing proces en waardevolle extra meetwaarden toevoegt om ons begrip te verbeteren en verpakkingsontwerpen effectief te optimaliseren. De onderzoeksmethoden van DVJ staan bekend om hun innovatieve aanpak en innovatie die voortkomt uit een intensieve samenwerking met de praktijk en de wetenschap. Inzet van AI zorgt voor een extra boost.