Zarządzanie projektami

(I dlaczego to prawie nigdy nie jest miesiąc)

W branży FMCG wszyscy chcielibyśmy, żeby nowy produkt „wszedł” do sklepów w miesiąc. Brzmi pięknie: szybka dystrybucja, szybka ekspozycja, szybkie wyniki. Niestety, rzeczywistość rynkowa ma swoje prawa i nie zawsze zgadza się z naszymi KPI.

W tym wpisie rozkładam temat na czynniki pierwsze i pokazuję, ile realnie trwa zbudowanie 80% dystrybucji, jeśli pracujemy w standardowym modelu wizyt przedstawicieli handlowych.

---

🚚 Jak wygląda typowa częstotliwość wizyt?

Założenie z życia wzięte:

• 50% sklepów – wizyta co tydzień (4 wizyty/miesiąc)
• 50% sklepów – wizyta co dwa tygodnie (2 wizyty/miesiąc)
• Produkt jest nowy, więc dystrybucja rośnie tylko wtedy, kiedy przedstawiciel jest w sklepie i może zrobić listing.

Średnio każdy sklep jest więc widziany raz na 1,5 tygodnia, czyli minimum raz w miesiącu.

Brzmi obiecująco, prawda? Każdy sklep odwiedzony = każdy sklep „do wzięcia”.

Niestety… to dopiero początek historii.

---

🧠 Czemu 100% odwiedzeń ≠ 100% dystrybucji?

Sklepy nie działają w trybie „kliknij i zamów”.
Na przeszkodzie stoją najróżniejsze czynniki:

• brak miejsca na półce
• brak obecności właściciela
• nieufność wobec nowości
• zamknięte okienka zamówień
• czekanie na rotację innego produktu
• obawy przed wzięciem czegoś, co „może nie pójść”

Dlatego absolutnie kluczowa jest konwersja wizyty na listing.

---

🧮 A więc policzmy to “po FMCG”

Na rynku od lat funkcjonują dość stabilne benchmarki:

• Pierwsza wizyta → listing: 30–50%
• Druga → +20–30% z pozostałych
• Trzecia i kolejne → +10–15% z pozostałych

To daje dość realistyczny model wzrostu dystrybucji.

Przyjmijmy więc wariant umiarkowany:

1️⃣ Pierwsza wizyta → 40%
2️⃣ Druga wizyta → +30% z pozostałych
3️⃣ Kolejne wizyty → +15% z pozostałych

Teraz łączymy to w miesięczną symulację.

---

📈 Symulacja: miesiąc po miesiącu

Po 1. miesiącu

Każdy sklep odwiedzony przynajmniej raz.
Konwersja: 40% dystrybucji.

Po 2. miesiącu

Drugie dotarcie do całej bazy.
Z pozostałych 60% pozyskujemy 30% → +18%.
Razem: 58% dystrybucji.

Po 3. miesiącu

Kolejna fala:
Z pozostałych 42% pozyskujemy 15% → +6,3%.
Razem: 64,3%.

Po 4. miesiącu

Z pozostałych ~36% — kolejnych 5,4%.
Razem: 69,7%.

Po 5. miesiącu

Z pozostałych ~30% — około 4,5%.
Razem: ~74%.

Po 6. miesiącu

Kolejne 3,5–4%.
Razem: ~78–80% dystrybucji.

---

🎯 Finalny wynik?

**Budowa 80% dystrybucji nowego produktu zajmuje:

👉 5,5–6 miesięcy**

Nie tydzień.
Nie dwa.
I, niestety, zazwyczaj nie miesiąc.

---

🧩 Dlaczego to tyle trwa?

Bo dystrybucja nie jest jednorazowym „wejściem do sklepu”.
To proces zachowań, decyzji, ograniczeń i… zwykłego ludzkiego oporu przed nowościami.

Każde kolejne dotarcie działa jak „kolejna warstwa argumentów”:

• najpierw bierzemy innowatorów i entuzjastów nowości,
• potem pragmatyków, którzy chcą dowodów,
• dopiero na końcu sceptyków, którzy zmieniają się, kiedy „wszyscy już to mają”.

I właśnie dlatego realny wzrost dystrybucji ma kształt fali — nie sprintu.

---

🏁 Podsumowanie

Jeśli planujesz wdrożenie nowego SKU, warto od razu zakładać:

• minimum 6 miesięcy, żeby dostać się do 80% sklepów,
• i zaplanować komunikację, trade marketing i egzekucję, która będzie wspierała każdą falę adopcji.

A jeśli ktoś w firmie pyta: „Dlaczego nie możemy zrobić tego w miesiąc?”
— śmiało odeślij ich do tego wpisu 😉

W poprzednim wpisie pisałem o tym, jak sztuczna inteligencja potrafi przewidzieć opór wobec zmian, zanim jeszcze stanie się widoczny.
Ale sama prognoza niczego nie zmienia.
Kluczowe pytanie brzmi: co organizacja zrobi z tą wiedzą?

1. Zmiana zaczyna się od rozmowy, nie od dashboardu

Wielu liderów marzy o panelu, który „zmierzy emocje zespołu” i pokaże czerwone światło, gdy coś idzie nie tak.
Problem w tym, że sama wizualizacja nie załatwia niczego, jeśli brakuje kultury rozmowy.
AI może podpowiedzieć, gdzie patrzeć, ale to człowiek musi zdecydować, jak reagować.

Jeśli system pokazuje spadek nastrojów — to nie sygnał do uruchomienia procedury kryzysowej, tylko zaproszenie do empatycznej rozmowy.
To moment, by lider zapytał: „Co się dzieje? Czego potrzebujecie?”, a nie: „Dlaczego spadły wskaźniki?”.

2. Predykcja bez zaufania = kontrola

Największym ryzykiem przy wdrażaniu AI w zarządzaniu zmianą jest to, że zamiast wspierać dialog, zaczyna go zabijać.
Jeśli ludzie czują, że są obserwowani, a nie rozumiani — pojawia się strach, a potem właśnie… opór.

Dlatego każda analityka predykcyjna powinna iść w parze z transparentną komunikacją.
Ludzie muszą wiedzieć, jakie dane są analizowane, po co, kto je widzi i jak są interpretowane.
Bez tego AI stanie się kolejnym narzędziem kontroli, a nie zaufania.

3. Od danych do działań – w pętli uczenia

Organizacje, które korzystają z AI w zarządzaniu zmianą, uczą się w trzech krokach:

1️⃣ Obserwują dane – zbierają sygnały z różnych źródeł: ankiet, komunikacji, wydajności.
2️⃣ Eksperymentują – testują różne sposoby reagowania: rozmowy, warsztaty, doprecyzowanie celu.
3️⃣ Uczą się – analizują, co zadziałało, a co nie, i modyfikują podejście.

To nic innego jak zwinne zarządzanie zmianą w praktyce – iteracyjne, oparte na małych krokach i szybkim feedbacku.
AI dostarcza danych, ale to ludzie tworzą sens.

4. Zamiast mierzyć nastroje – ucz się ich rozumieć

Zwinna analityka nie jest po to, żeby „naprawiać ludzi”.
Jest po to, by organizacja mogła szybciej rozumieć, co dzieje się pod powierzchnią.
Czasem to zmęczenie, czasem brak sensu, a czasem po prostu nadmiar równoległych inicjatyw.

Sztuczna inteligencja może wychwycić wzorce.
Ale tylko człowiek potrafi nadać im znaczenie i przekuć w działanie, które naprawdę coś zmienia.

---

AI może być najlepszym sojusznikiem lidera zmiany — pod warunkiem, że nie zastąpi mu ciekawości i empatii.
Nie chodzi o to, by wiedzieć więcej o ludziach.
Chodzi o to, by rozumieć ich lepiej – i reagować szybciej, mądrzej, bardziej po ludzku.

---

💬 Już niedługo na blogu: „Jak budować kulturę zaufania wokół danych i AI w organizacji”.
Bo zaufanie to nie dodatek do zmiany. To jej silnik.