التعرف على الصور على الجهاز لعمليات تدقيق التجزئة الآلي: ODIN بواسطة ParallelDots

اكتسبت عمليات تدقيق التجزئة الآلية باستخدام التعرف على الصور شعبية في السنوات الأخيرة مع قيام العديد من مصنعي CPG بتجربة الحل ، أو في مراحل متقدمة من تنفيذه عالميًا. ومع ذلك ، حسب تقرير POIوالتكلفة والسرعة من الاهتمامات الرئيسية ، مما يمنع التبني الواسع لهذا الحل الذي يغير قواعد اللعبة

التعرف على الصور لتتبع تنفيذ البيع بالتجزئة أصبحت شائعة بسبب توفير الوقت والدقة العالية التي يمكن أن تقدمها مقارنة بفحوصات المتجر اليدوية. حسب تقرير جارتنر ، يمكن لتقنية التعرف على الصور أن تزيد من إنتاجية فريق المبيعات ، وتحسن رؤى حالة الرف وتساعد في زيادة المبيعات. 

على الرغم من كل الفوائد المثبتة لتقنية التعرف على الصور ، إلا أن المشكلات العملية مثل التكلفة العالية للتنفيذ وأوقات التسليم البطيئة جعلت اعتماد هذا الحل منخفضًا. نحن في نقاط متوازية ، كانوا يعملون بجد في محاولة معالجة هذه القضايا من خلال إطلاق حل التعرف على الصور على الجهاز ، ODIN. باستخدام ODIN ، ستتم معالجة جميع الصور التي تم التقاطها بواسطة المندوبين على أجهزتهم المحمولة باليد ، وبالتالي التخلص من الحاجة إلى استخدام اتصال إنترنت نشط وعمليات فحص الجودة لإنشاء تقارير KPI. في هذه المدونة ، سنناقش نهجنا بشأن ODIN ولماذا قد يغير ذلك قواعد اللعبة بالنسبة لشركات CPG من جميع الأحجام ، والتي ترغب في تنفيذ برامج المتجر المثالية.

لماذا يُعد التعرف على الصور على الجهاز تغييرًا جذريًا لعمليات تدقيق التجزئة الآلي

تحتاج خوارزميات التعرف على الصور المتطورة الحالية إلى خوادم قوية مثل وحدات معالجة الرسومات لتعمل بكفاءة. يمكن توفير هذا النوع من قوة الحوسبة من خلال البنية التحتية للحوسبة السحابية الحديثة. ومع ذلك ، هذا يعني أنه نظرًا لأن المندوبين الميدانيين يلتقطون صورًا في المتجر ، يجب تحميل هذه الصور على الخوادم السحابية قبل الجرف KPIs يمكن حسابها من هذه الصور. تعمل هذه العملية بشكل جيد في المتاجر التي بها اتصال Wi-Fi أو اتصال إنترنت 4G جيد.

ومع ذلك ، قد لا يكون الاتصال بالإنترنت جيدًا في العديد من المناطق أو مع المتاجر الموجودة تحت الأرض. بالنسبة لمثل هذه المتاجر ، لا يمكن الحصول على تقرير KPI طالما أن المندوب لا يزال في المتجر. في مثل هذه الحالات ، يمكن أن يعمل التعرف على الصور على الجهاز جيدًا لضمان حصول المندوبين على تعليقات على الصور التي يلتقطونها ، دون مطالبتهم بالاتصال بالإنترنت. 

أيضًا ، تعمل تقنية التعرف على الصور بشكل جيد على الصور عالية الجودة. مما يعني أنه قد يستغرق تحميل الصور بعض الوقت ، حتى في المناطق التي توفر توفرًا مناسبًا للشبكة. قد يؤدي هذا إلى سيناريوهات حيث يتعين على الممثلين الميدانيين الانتظار لوقت إضافي قبل تحميل صورهم ومعالجتها في خادم سحابي ، ثم يتم إرسال النتائج مرة أخرى إلى المندوب. يحل التعرف على الجهاز هذه المشكلة وينتج النتيجة على الفور. يحصل المندوبون الميدانيون على رؤى في ثوانٍ ، بدلاً من الانتظار لمدة 5-10 دقائق. هذا يجعل المخرجات أكثر قابلية للتنفيذ ، ولا يتم قضاء أي وقت في انتظار تحليل الذكاء الاصطناعي.

التحديات المتضمنة-

لإجراء عمليات تدقيق آلية للبيع بالتجزئة باستخدام التعرف على الصور للعمل بفعالية ، يلزم الحصول على صور عالية الجودة. حتى التغييرات الصغيرة في جودة الصورة يمكن أن تؤدي إلى تراجع الدقة عند إجراء التعرف على الصورة. هذا أمر بالغ الأهمية لدقة نموذج رؤية الكمبيوتر الذي يعمل على الجهاز.

أيضًا ، قد يكون الحصول على الكمية المناسبة من بيانات التدريب عالية الجودة لغرض التعرف على الصور أمرًا صعبًا. لا يوجد لدى أي من مصنعي CPG قاعدة بيانات متاحة بسهولة لصور المتجر. وبالتالي ، فإن إحدى أكبر العقبات التي تحول دون بدء التعرف على الصور على الجهاز هي المهلة الزمنية والتكاليف المرتبطة بإنشاء قاعدة البيانات هذه. 

علاوة على ذلك، تم إطلاق منتجات جديدة أو تغيير عبوة المنتج - لذلك يتم إجراء تدريب وإعادة تدريب مستمر للذكاء الاصطناعي لإبقائه محدثًا. أضف إلى حقيقة أن الكمية الكبيرة من البيانات لإطلاق المنتجات الجديدة قد تستغرق بعض الوقت لتتراكم ، قبل أن يتم تدريب الذكاء الاصطناعي على ذلك.

بعض الحقائق التي يجب مراعاتها قبل اختيار التعرف على الصور على الجهاز -

هناك دائمًا مفاضلة بين الدقة وسرعة الرؤى ، وبالتالي ، سيجد الحل المثالي القيمة المثلى لجعل الحل عمليًا. لذلك ، سيتعين على المديرين التنفيذيين لشركة CPG تقييم تأثير الدقة المنخفضة أو الرؤى الأبطأ قبل اختيار التعرف على الصور على الجهاز. 

من المهم أن نلاحظ أننا هنا نشير إلى اختلافات صغيرة في الدقة والسرعة لأننا ندرك أن الحل المثالي سيكون دقيقًا وسريعًا جدًا. قد تكون الشركة المصنعة CPG قادرة على نشر نموذج دقيق بنسبة 91٪ على مستوى SKU على الجهاز مع وقت إعداد وتكاليف أقل ، مما قد يتطلبه نشر نموذج دقيق بنسبة 98٪. ومع ذلك ، إذا كانت الدقة العالية أمرًا بالغ الأهمية بالنسبة لهم (بسبب حوافز بائعي التجزئة) ، فقد يختارون التعرف على الصور عبر الإنترنت مما يسمح بإجراء عملية فحص الجودة لضمان دقة أعلى. ومع ذلك ، هذا يعني أنه سيتعين على الممثلين الانتظار حتى يتم تحميل الصور ومعالجتها وفحص الجودة ثم الانتظار حتى يتم تنزيل التقرير على أجهزتهم قبل أن يتمكنوا من الوصول إلى مؤشرات الأداء الرئيسية. 

للأغراض العملية ، قد يعمل حل 91٪ أيضًا. يعني الحل الدقيق بنسبة 91٪ أنه على سبيل المثال ، 50 وحدة SKU فريدة متوفرة على الرف ، قد لا يختار الذكاء الاصطناعي حوالي 4 وحدات SKU بشكل صحيح. نظرًا لمقدار الوقت الذي قد يوفره المندوبون الميدانيون من باب المجاملة للتعرف على الجهاز ، فقد يكون ذلك بمثابة حل وسط أفضل من تركهم ينتظرون التقارير التي تم إنشاؤها في الوضع عبر الإنترنت (حتى لو كانت دقيقة بنسبة 98٪). يمكنهم ببساطة تجاهل التنبؤات غير الصحيحة التي قدمها الذكاء الاصطناعي واتخاذ إجراءات بشأن التنبؤات الصحيحة.

استخدام هذا الحل مشابه لمطالبة Siri بتشغيل أغنية ، فمعظم الوقت ستفهم بشكل صحيح الأغنية التي طلبنا منها تشغيلها ولكن في مناسبات قليلة ، قد لا تفهم طلبنا وتقوم بتشغيل أغنية مختلفة. في اختباري الخاص مع Siri ، وجدت أنه دقيق بنسبة 80٪ عندما يتعلق الأمر بتشغيل الأغاني من أمري الصوتي ، حيث إنه من أصل عشرة طلبات ، لم تستطع تلبية طلبي. ومع ذلك ، فإن التسوية التي أرغب في قبولها منذ فتح أحد التطبيقات أو التصفح أو البحث عن أغنية أكثر تعقيدًا (حل دقيق بنسبة 100٪) من مطالبة Siri بتشغيلها.

ODIN بواسطة ParallelDots: التعرف على الصور على الجهاز لعمليات تدقيق التجزئة الآلي

أحد أكبر قيود حلول التدقيق التي تدعم الذكاء الاصطناعي هو إعطاء نتائج دقيقة على الفور. لتقديم دقة عالية ، فإن قوة الحوسبة المطلوبة عالية. ومع ذلك ، فإن الأجهزة المحمولة التي يستخدمها المندوبون لها موارد حوسبة محدودة ويجب على المرء توخي الحذر لتجنب الاستهلاك المفرط للبطارية لجهاز المندوبين خشية أن يحتاج إلى شحن جهازه بعد كل زيارتين أو ثلاث زيارات. هذا هو المكان الذي يفوز فيه حل ODIN الخاص بـ ParallelDots. لقد نجح فريق علم البيانات لدينا في تحسين الخوارزمية الخاصة بنا بهذه الطريقة الرف يمنحك أفضل ما في العالمين - الدقة والسرعة.  

باستخدام ODIN ، يمكن للحل الذي نقدمه تحديد كل SKU في الصورة وموقعها دون الحاجة إلى تحميل الصور على السحابة للمعالجة. هذا يعني أنه يمكن للممثلين رؤية ملف وحدات SKU المفقودة وفقًا لقائمة MSL وتحديد وحدات SKU الموضوعة بشكل خاطئ (مثل وضع العلامات التجارية المتميزة في الرف السفلي). يحتوي ODIN أيضًا على حل لتصنيف جودة الصورة في وضع عدم الاتصال تمامًا مدمج فيه والذي يطالب المندوب بإعادة التقاط الصور إذا لم تكن الصور بالجودة المثلى للقيام بالتعرف على الصور.

عندما يتعلق الأمر بالتعرف على الصور على الجهاز ، نوصي عملائنا بنشرها لعدد محدود من وحدات SKU و KPIs. أيضًا ، نظرًا لأن عمليات فحص الجودة غير ممكنة مع المعالجة على الجهاز ، فمن المهم تدريب نموذج دقيق للغاية قبل بدء المشروع للتأكد من أن منظمة العفو الدولية قد شاهدت عينات كافية من كل SKU في بيئات مختلفة وتحت اتجاهات مختلفة. لذلك ، نوصي عملائنا بفترة إعداد أطول لجمع بيانات عالية الجودة ثم تدريب نموذج عليها. بمجرد نشرها ، لا تزال ODIN بحاجة إلى ردود فعل بشرية ، ونطلب من المندوبين تقديم ملاحظات حول مخرجات النموذج بحيث يمكن للذكاء الاصطناعي التعلم من هذه التعليقات وأن يصبح أفضل.

كيفية التحضير للتعرف على الصور على الجهاز -

يجلب التعرف على الصور على الجهاز نطاقًا هائلاً. ل تنفيذه بنجاح ، بعض الاستعدادات مطلوبة. توصيتنا هي البدء أولاً بالوضع عبر الإنترنت والسماح لـ AI بالتدريب على مجموعة متنوعة من صور SKU قبل الانتقال بعد ذلك إلى الوضع على الجهاز. يمكن لـ CPG أولاً نشر مؤشرات الأداء الرئيسية الخاصة برؤية البيع بالتجزئة في الوضع على الجهاز.

علاوة على ذلك ، الرؤى الاستراتيجية مثل المعلومات التنافسية و التعرف على عرض السعر يمكن تتبعها في وضع الاتصال بالإنترنت لأن هذا قد لا يتطلب إجراءات علاجية سريعة.

يجب أن تضمن CPG أيضًا أن ممثليهم الميدانيين مدربون جيدًا عندما يتعلق الأمر بإرشادات التقاط الصور المثالية. سيكون هذا مفيدًا في إنتاج تقارير التعرف على SKU عالية الدقة قبل التبديل إلى الوضع على الجهاز.

يعد التعرف على الصور على الجهاز أحد الميزات الرئيسية التي من شأنها أن تساعد مصنعي CPG على إبقاء أعينهم على متاجرهم البعيدة وتحسين تنفيذ البيع بالتجزئة لهم. يمكن أن يؤدي تأثير قدرة المندوبين على تنفيذ التقارير الفورية إلى تحسين رضا العملاء ، مما يؤدي إلى تحسين صحة العلامة التجارية وتحسين المبيعات. في حقبة ما بعد COVID ، لن يمنح العملاء فرصة ثانية لتلك العلامات التجارية التي لديها تقلب في التوافر على الرفوف حيث سيختارون منتجًا بديلاً أو ينتقلون إلى قنوات التجارة الإلكترونية. 

أحببت المدونة؟ تحقق من الأخرى المدونة لمعرفة كيف يمكن لتقنية التعرف على الصور مساعدة العلامات التجارية على تحسين استراتيجيات التنفيذ الخاصة بها في مجال البيع بالتجزئة.

هل تريد أن ترى أداء علامتك التجارية على الرفوف؟ انقر هنا لجدولة عرض تجريبي مجاني لـ ShelfWatch.

آخر المشاركات التي كتبها عنكيت سينغ (انظر جميع)

المصدر: https://blog.paralleldots.com/product/automated-retail-audits-on-device-image-recognition-by-paralleldots/