การบริหารจัดการช่องทางการขายแบบดั้งเดิม (General Trade - GT) เป็นความท้าทายที่สำคัญของหลายองค์กร โดยเฉพาะเมื่อต้องผสมผสานระหว่างการทำงานของคน (พนักงานขาย) และเทคโนโลยี (AI) เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด
เพื่อให้เห็นภาพรวมที่ชัดเจน ผมขอแบ่งโครงสร้างและการทำงานในเรื่องนี้ออกเป็นส่วนๆ ดังนี้ครับ
1. โครงสร้างการขายในตลาด GT (General Trade)
ตลาด GT หรือร้านโชห่วย/ร้านค้าส่งท้องถิ่น เป็นตลาดที่มีความกระจัดกระจายสูง โครงสร้างทีมขายมักจะประกอบด้วย:
หน่วยรถเงินสด (Cash Van): พนักงานขายที่นำสินค้าติดรถไปเสนอขายและส่งของทันที เหมาะกับร้านขนาดเล็ก
ระบบสั่งซื้อล่วงหน้า (Pre-order): พนักงานขายเข้าไปจดออเดอร์ แล้วให้ทีมขนส่ง (Logistics) ตามไปส่งสินค้าในภายหลัง เหมาะกับร้านค้าส่งหรือร้านขนาดใหญ่
โครงสร้างทีมบริหาร: มักจะประกอบด้วย Sales Director -> Regional Sales Manager -> Area Sales Manager -> Supervisor -> Sales Rep
2. การทำ Perfect Store โดยทีมงาน Salesman
"Perfect Store" (ร้านค้าสมบูรณ์แบบ) คือแนวคิดที่กำหนดมาตรฐานว่าร้านค้าที่ดีควรมีการจัดเรียงสินค้าอย่างไรเพื่อให้ดึงดูดผู้บริโภคและสร้างยอดขายได้สูงสุด โดยพนักงานขายต้องเข้าไปบริหารจัดการปัจจัยหลัก 4 ด้าน (4 Pillars):
Availability (ความพร้อมของสินค้า): สินค้าหลัก (Core SKU) ต้องไม่ขาดสต็อก (Out of Stock)
Visibility (การมองเห็น): การจัดเรียงสินค้าบนชั้นวาง (Planogram) ต้องถูกต้อง, ได้พื้นที่วางสินค้า (Share of Shelf) ตามที่ตกลงไว้ และอยู่ในระดับสายตา
Activation (การกระตุ้นการขาย): มีการติดป้ายราคาชัดเจน และมีสื่อส่งเสริมการขาย (POSM) เช่น ป้ายเด้ง, โปสเตอร์ ที่อัปเดตและอยู่ในสภาพดี
Pricing (ราคา): สินค้าต้องขายในราคาที่บริษัทกำหนด หรือสอดคล้องกับโปรโมชั่นในช่วงนั้น
3. การวัด KPI ของพนักงานขาย
พนักงานขายในยุคนี้ต้องรับความกดดันจาก KPI สองมิติหลักๆ คือ:
Commercial KPI: ยอดขาย (Sales Target), จำนวนร้านที่เข้าเยี่ยม (Call Rate), จำนวนร้านที่ขายได้จริง (Strike Rate), ขนาดบิล (Drop Size)
Execution KPI (Perfect Store Score): คะแนนความสมบูรณ์ของร้านค้า เช่น สินค้าขาดเชลฟ์กี่เปอร์เซ็นต์, จัดเรียงตาม Planogram หรือไม่ ซึ่งคะแนนส่วนนี้มักจะผูกกับเงินอินเซนทีฟ (Incentive) ของพนักงานขายด้วย
4. การนำ AI มาวัดผลการจัดเรียง (Image Recognition AI)
ในอดีต พนักงานขายต้องจดบันทึกหรือติ๊กแบบฟอร์มกระดาษ/แท็บเล็ตด้วยตัวเอง ซึ่งใช้เวลานานและตรวจสอบความถูกต้องได้ยาก ปัจจุบันบริษัทจึงนำเทคโนโลยี Image Recognition (IR) มาใช้:
วิธีการทำงาน: พนักงานขายเปิดแอปพลิเคชัน ถ่ายรูปชั้นวางสินค้า AI จะประมวลผลรูปภาพทันที (หรือส่งกลับไปที่เซิร์ฟเวอร์)
สิ่งที่ AI วัดผล: ระบุว่ามีสินค้าอะไรอยู่บนเชลฟ์บ้าง, คำนวณเปอร์เซ็นต์ Share of Shelf, ตรวจสอบสินค้าที่ขาด, เช็คคู่แข่ง และให้คะแนน Perfect Store อัตโนมัติ
ข้อดี: ลดเวลาในการทำรายงานของพนักงานขาย (จาก 15 นาที เหลือไม่ถึง 2 นาทีต่อร้าน) และบริษัทได้ข้อมูลแบบ Real-time ที่มีความน่าเชื่อถือกว่าการให้คนประเมินตัวเอง
5. ปัญหาการทุจริตและการหลอก AI (Fraud & Manipulation)
เมื่อ KPI มีผลต่อรายได้และความกดดันสูง พนักงานขายบางส่วนจึงหาวิธี "แฮ็ก" หรือหลอกระบบ AI ซึ่งเป็นปัญหาคลาสสิกที่หลายองค์กรเจอ:
ถ่ายรูปหน้าจอ (Screen Spoofing): พนักงานไม่ได้ไปที่ร้านจริง แต่ใช้มือถืออีกเครื่องเปิดรูปร้านค้าที่เคยถ่ายไว้ (ที่จัดเรียงสวยงาม) แล้วเอามือถือบริษัทถ่ายรูปหน้าจอนั้นซ้ำ
การจัดฉากชั่วคราว (Phantom Merchandising): ไปที่ร้านจริง แต่หยิบสินค้าจากหลังร้านมาเติมเชลฟ์ให้เต็มเพื่อถ่ายรูปให้ผ่าน AI พอถ่ายเสร็จก็เอาสินค้ากลับไปเก็บที่เดิม (ร้านไม่ได้วางขายจริง)
การหลอกพิกัด (Fake GPS): ใช้แอปพลิเคชันเพื่อปลอมแปลงตำแหน่งที่ตั้ง (Mock Location) ให้ระบบคิดว่าลงพื้นที่ร้านค้าแล้ว แต่ตัวพนักงานอาจจะอยู่ที่บ้าน
ถ่ายรูปมุมแคบ (Cropping/Angle Manipulation): ถ่ายภาพเจาะจงเฉพาะมุมที่สินค้าเรียงเต็ม หลีกเลี่ยงมุมที่สินค้าโหว่งหรือขาดสต็อก
นำ POSM เก่ามาเวียนใช้: พกป้ายโฆษณาติดรถไปเอง เอาไปแปะถ่ายรูปชั่วคราวแล้วดึงออก เพื่อให้ผ่าน KPI ด้าน Activation
แนวทางการแก้ปัญหาจากฝั่งบริษัท/ผู้พัฒนาระบบ:
Liveness Detection & Anti-Spoofing: พัฒนา AI ให้สามารถตรวจจับแสงสะท้อนของหน้าจอสมาร์ทโฟน เพื่อป้องกันการถ่ายรูปซ้อนรูป
Strict App Permissions: บล็อคการใช้งานแอปฯ หากพบว่ามีการเปิดใช้งาน Fake GPS หรือสั่งห้ามไม่ให้อัปโหลดรูปจาก Gallery ต้องถ่ายสดจากกล้องผ่านแอปของบริษัทเท่านั้น พร้อมฝัง Watermark ของพิกัดและเวลา
Random Audit: ส่งทีมผู้ตรวจสอบอิสระ (Auditor) หรือหัวหน้างาน ลงสุ่มตรวจร้านค้าโดยไม่แจ้งล่วงหน้า เพื่อเทียบผลลัพธ์กับระบบ AI
ระบบ AI ช่วยให้การทำงานมีประสิทธิภาพและวัดผลได้แม่นยำขึ้นมาก แต่ตราบใดที่คนยังมีแรงจูงใจจากความกดดันของ KPI การหาวิธีทุจริตก็มักจะพัฒนาตามมาเสมอครับ
การแก้ปัญหาการหลอกระบบ AI และการทุจริตในตลาด GT อย่างมีประสิทธิภาพ ไม่สามารถใช้แค่การจับผิดหน้างานได้ แต่ต้องใช้การผสมผสานระหว่าง "การควบคุมด้วยระบบ (System Controls)" และ "การวิเคราะห์ข้อมูล (Data Analytics)" ควบคู่ไปกับการบริหารจัดการเป้าหมายครับ
นี่คือแนวทางที่สามารถนำไปปรับใช้ได้จริงเพื่อให้ระบบมีความรัดกุมมากขึ้น:
1. การจัดการระดับระบบและแอปพลิเคชัน (System & App Level)
Geofencing & Time-Stamping: กำหนดรัศมีการทำงาน (เช่น ไม่เกิน 50-100 เมตรจากพิกัดร้านค้า (Master Data)) ระบบ DMS (Distributor Management System) จะไม่อนุญาตให้ Check-in หรือกดถ่ายรูปประเมินผลหากไม่ได้อยู่ในบริเวณร้านจริง
Block Mock Location & Device Rooting: ต้องมีการอัปเดตแอปพลิเคชันของทีมขายให้สามารถตรวจจับและปฏิเสธการทำงานทันที หากพบการเปิดใช้งาน Fake GPS หรือมีการดัดแปลงระบบปฏิบัติการของเครื่อง
Live Camera Only: บังคับให้การถ่ายรูปต้องเกิดจากฟังก์ชันกล้องในแอปพลิเคชันเท่านั้น ปิดสิทธิ์การเข้าถึงคลังภาพ (Gallery) เพื่อป้องกันการนำรูปเก่ามาใช้ซ้ำ
Image Similarity Detection: ให้ AI ตัวหลังบ้านช่วยเทียบภาพที่ส่งเข้ามาในรอบปัจจุบันกับรอบก่อนหน้า หากพบว่าการจัดเรียง องศาภาพ และแสงเหมือนกัน 100% ให้ระบบตีธง (Flag) เป็นภาพที่อาจเกิดจากการถ่ายซ้อนหน้าจอ (Screen Spoofing)
2. การใช้ Data Analytics เพื่อดักจับความผิดปกติ (Data & Dashboard Level)
Cross-check KPI Data: ไม่ควรดูคะแนนจาก AI เพียงมิติเดียว แต่ควรนำ Data มาผูกความสัมพันธ์กันบน Dashboard (เช่น การใช้ Power BI เขียนสูตรเพื่อหาความขัดแย้ง) ถ้าคะแนน Perfect Store เต็ม 100% สินค้าเต็มเชลฟ์ แต่ยอดสั่งซื้อ (Drop Size) เป็น 0 หรือไม่มีประวัติการขายสินค้าหลัก (Core SKU) เลย ถือเป็น Red Flag ที่ต้องตรวจสอบ
Time & Motion Analysis: ตรวจสอบ Timestamp ระหว่างการเข้าเยี่ยมร้าน หากพบว่าพนักงานขาย Check-in ร้านที่ 1 และร้านที่ 2 ที่มีระยะห่างกัน 5 กิโลเมตร ภายในเวลาเพียง 2 นาที ข้อมูลนี้จะฟ้องทันทีว่ามีการไม่ได้ลงพื้นที่จริง
3. การแก้ปัญหาที่ต้นตอของกระบวนการ (Process & Root Cause Analysis)
หาสาเหตุที่แท้จริง (Root Cause): บ่อยครั้งที่พนักงานทุจริตเพราะปัจจัยแวดล้อม เช่น แผนการเดินทาง (Route Plan) ในแต่ละวันแน่นเกินไปจนไม่มีเวลาจัดเรียงจริง หรือสินค้า Out of Stock มาจากฝั่งระบบขนส่ง ทำให้พนักงานต้องจัดฉากเพื่อไม่ให้ตัวเองโดนหัก KPI การแก้ปัญหาที่ต้นตอเหล่านี้จะช่วยลดแรงจูงใจในการหลอกระบบได้
ปรับสมดุล KPI (Re-weighting): หากน้ำหนักคะแนน Execution (ความสวยงามของเชลฟ์) สูงเกินไปโดยไม่ผูกกับยอดขาย พนักงานจะโฟกัสแค่การทำรูปให้ผ่าน ควรปรับให้คะแนน Perfect Store ต้องมาพร้อมกับ Strike Rate (อัตราความสำเร็จในการขาย) เสมอ
การนำ Data มาช่วยตีกรอบจะช่วยให้ฝ่ายบริหารไม่ต้องไปนั่งตรวจจับผิดพนักงานทุกภาพ แต่ใช้ "ตัวเลข" เป็นตัวคัดกรองความผิดปกติขึ้นมาให้เห็นแทน
