Bilderkennung auf dem Gerät für automatisierte Einzelhandelsprüfungen: ODIN von ParallelDots

Neuauflage von Plato

Verfolger: 0

Automatisierte Einzelhandelsaudits mit Bilderkennung haben in den letzten Jahren an Popularität gewonnen, da viele CPG-Hersteller die Lösung testen oder sich in fortgeschrittenen Stadien der weltweiten Implementierung befinden. Allerdings nach dem POI-Bericht, Kosten und Geschwindigkeit sind die Hauptanliegen und verhindern die breite Akzeptanz dieser bahnbrechenden Lösung

Bilderkennung zur Verfolgung der Einzelhandelsausführung wird wegen der Zeitersparnis und der hohen Genauigkeit, die es im Vergleich zu manuellen Überprüfungen im Geschäft liefern kann, immer beliebter. Wie pro Gartner-Bericht, Die Bilderkennungstechnologie kann die Produktivität des Vertriebspersonals steigern, Einblicke in den Regalzustand verbessern und den Umsatz steigern.

Trotz aller bewährten Vorteile der Bilderkennungstechnologie haben praktische Probleme wie hohe Implementierungskosten und langsame Durchlaufzeiten die Akzeptanz dieser Lösung gering gehalten. Wir, bei ParallelPunkte, haben hart daran gearbeitet, diese Probleme anzugehen durch die Einführung unserer On-Device-Bilderkennungslösung ODIN. Mit ODIN werden alle von den Vertriebsmitarbeitern aufgenommenen Bilder auf ihrem Handheld-Gerät verarbeitet, sodass keine aktive Internetverbindung und Qualitätsprüfungsprozesse zur Erstellung von KPI-Berichten erforderlich sind. In diesem Blogpost werden wir unseren Ansatz zu ODIN diskutieren und warum dies für CPG-Unternehmen jeder Größe bahnbrechend sein könnte, die ihre perfekte Ladenprogramme.

Warum die Bilderkennung auf dem Gerät für automatisierte Einzelhandelsaudits bahnbrechend ist

Aktuelle Bilderkennungsalgorithmen auf dem neuesten Stand der Technik benötigen leistungsstarke Server wie GPUs, um effizient zu arbeiten. Diese Art von Rechenleistung kann durch moderne Cloud-Computing-Infrastruktur bereitgestellt werden. Dies bedeutet jedoch, dass Außendienstmitarbeiter Fotos im Geschäft machen, diese Fotos zuvor auf die Cloud-Server hochgeladen werden müssen Regal-KPIs kann aus diesen Fotos berechnet werden. Dieser Vorgang funktioniert gut in Geschäften mit Wi-Fi-Verbindung oder guter 4G-Internetverbindung.

Die Internetverbindung ist jedoch in vielen Gegenden oder bei unterirdischen Geschäften möglicherweise nicht gut. Für solche Geschäfte ist es nicht möglich, einen KPI-Bericht zu erhalten, während sich der Vertreter noch im Geschäft befindet. In solchen Fällen kann die Bilderkennung auf dem Gerät sehr gut funktionieren, um sicherzustellen, dass die Mitarbeiter Feedback zu den Fotos erhalten, die sie aufnehmen, ohne dass sie online gehen müssen.

Außerdem funktioniert die Bilderkennungstechnologie gut bei qualitativ hochwertigen Bildern. Das bedeutet, dass es eine Weile dauern kann, bis die Bilder hochgeladen werden, selbst in Gebieten, die eine angemessene Netzwerkverfügbarkeit bieten. Dies kann zu Szenarien führen, in denen Außendienstmitarbeiter zusätzliche Zeit warten müssen, bevor ihre Bilder hochgeladen, im Cloud-Server verarbeitet und dann die Ergebnisse an den Außendienstmitarbeiter zurückgesendet werden. Die Erkennung auf dem Gerät beseitigt dieses Problem und liefert das Ergebnis sofort. Außendienstmitarbeiter erhalten in Sekundenschnelle Einblicke, anstatt 5-10 Minuten warten zu müssen. Dies macht die Ausgabe umsetzbarer und es wird keine Zeit damit verbracht, auf die KI-Analyse zu warten.

Beteiligte Herausforderungen-

Um automatisierte Einzelhandelsaudits mit Bilderkennung effektiv durchführen zu können, sind Bilder von guter Qualität erforderlich. Selbst kleine Änderungen der Bildqualität können bei der Bilderkennung zu Genauigkeitsverlusten führen. Dies ist für die Genauigkeit des Computer-Vision-Modells, das auf dem Gerät ausgeführt wird, von größter Bedeutung.

Außerdem kann es eine Herausforderung sein, die richtige Menge an hochwertigen Trainingsdaten für die Bilderkennung zu erhalten. Fast keiner der CPG-Hersteller verfügt über eine leicht verfügbare beschriftete Datenbank mit Ladenbildern. Eine der größten Hürden für den Einstieg in die Bilderkennung auf dem Gerät sind daher die Vorlaufzeit und die Kosten, die mit der Erstellung einer solchen Datenbank verbunden sind.

Außerdem, neue Produkte werden auf den Markt gebracht oder Produktverpackungen geändert werden – daher wird die KI ständig geschult und neu geschult, um sie auf dem neuesten Stand zu halten. Hinzu kommt, dass die hohe Datenmenge für neue Produkteinführungen einige Zeit in Anspruch nehmen würde, bevor die KI überhaupt darauf trainiert werden kann.

Einige Fakten, die Sie beachten sollten, bevor Sie sich für die Bilderkennung auf dem Gerät entscheiden –

Es gibt immer einen Kompromiss zwischen Genauigkeit und Geschwindigkeit der Erkenntnisse und daher wird eine ideale Lösung den optimalen Wert finden, um die Lösung praktikabel zu machen. Daher müssen CPG-Führungskräfte die Auswirkungen einer geringeren Genauigkeit oder langsameren Erkenntnisse abschätzen, bevor sie sich für die Bilderkennung auf dem Gerät entscheiden.

Es ist wichtig zu beachten, dass wir uns hier auf kleine Unterschiede in Genauigkeit und Geschwindigkeit beziehen, da wir anerkennen, dass eine ideale Lösung genau und sehr schnell ist. Ein CPG-Hersteller kann möglicherweise ein Modell mit einer Genauigkeit von 91% auf SKU-Ebene auf dem Gerät mit geringerer Einrichtungszeit und geringeren Kosten bereitstellen, als es für die Bereitstellung eines Modells mit 98% Genauigkeit erforderlich wäre. Wenn jedoch hohe Genauigkeit für sie entscheidend ist (aufgrund von Händleranreize) können sie sich für eine Online-Bilderkennung entscheiden, die einen Qualitätsprüfungsprozess ermöglicht, um eine höhere Genauigkeit zu gewährleisten. Dies bedeutet jedoch, dass die Vertriebsmitarbeiter warten müssen, bis die Bilder hochgeladen, verarbeitet und qualitätsgeprüft wurden und dann warten müssen, bis der Bericht auf ihr Gerät heruntergeladen wurde, bevor sie auf die KPIs zugreifen können.

Aus praktischen Gründen kann auch eine 91%ige Lösung funktionieren. Eine zu 91 % genaue Lösung würde bedeuten, dass die KI von beispielsweise 50 verfügbaren SKUs im Regal möglicherweise nicht mehr als 4 SKUs richtig auswählt. Angesichts der Zeit, die die Außendienstmitarbeiter durch die Erkennung auf dem Gerät sparen können, ist dies möglicherweise ein besserer Kompromiss, als sie auf die im Online-Modus generierten Berichte warten zu lassen (auch wenn diese zu 98 % genau sind). Sie können die falschen Vorhersagen der KI einfach ignorieren und bei den richtigen Maßnahmen ergreifen.

Die Verwendung dieser Lösung ähnelt der Aufforderung an Siri, ein Lied abzuspielen. Die meiste Zeit wird sie das Lied, das wir sie gebeten haben, richtig verstehen, aber in einigen Fällen kann sie unsere Anfrage nicht verstehen und ein anderes Lied spielen. In meinem eigenen Test mit Siri habe ich festgestellt, dass es zu 80% genau ist, wenn es darum geht, Songs über meinen Sprachbefehl abzuspielen, da sie von zehn Anfragen meine beiden Anfragen nicht erfüllen konnte. Ein Kompromiss, den ich jedoch gerne eingehe, da das Öffnen einer App, das Browsen oder das Suchen nach einem Song umständlicher ist (100% genaue Lösung), als Siri zu bitten, ihn abzuspielen.

ODIN von ParallelDots: Geräteerkennung auf dem Gerät für automatisierte Einzelhandelsaudits

ODIN by ParallelDots – On-Device-Bilderkennung für automatisierte Einzelhandelsaudits mit Genauigkeit und Geschwindigkeit für CPG

Eine der größten Einschränkungen von KI-fähigen Audit-Lösungen besteht darin, sofort genaue Ergebnisse zu liefern. Um eine hohe Genauigkeit zu liefern, ist eine hohe Rechenleistung erforderlich. Handheld-Geräte, die von Vertriebsmitarbeitern verwendet werden, haben jedoch begrenzte Rechenressourcen, und man muss vorsichtig sein, um einen übermäßigen Batterieverbrauch des Geräts des Vertriebsmitarbeiters zu vermeiden, damit er sein Gerät nicht alle 2 oder 3 Besuche aufladen muss. Hier gewinnt die ODIN-Lösung von ParallelDots. Unserem Data-Science-Team ist es gelungen, unseren Algorithmus so zu optimieren, dass RegalWatch bietet Ihnen das Beste aus beiden Welten – Genauigkeit und Geschwindigkeit.

Mit ODIN kann unsere Lösung jede SKU auf dem Foto und ihren Standort identifizieren, ohne dass die Fotos zur Verarbeitung in die Cloud hochgeladen werden müssen. Dies bedeutet, dass die Vertriebsmitarbeiter sofort die fehlende SKUs gemäß der MSL-Liste und identifizieren Sie die falsch platzierten SKUs (z. B. indem Sie Premium-Marken in das unterste Regal stellen). ODIN verfügt auch über eine vollständig integrierte Offline-Lösung zur Bewertung der Bildqualität, die den Mitarbeiter auffordert, Fotos erneut aufzunehmen, wenn die Fotos nicht die optimale Qualität für die Fotoerkennung aufweisen.

Wenn es um die Bilderkennung auf dem Gerät geht, empfehlen wir unseren Kunden, sie für eine begrenzte Anzahl von SKUs und KPIs bereitzustellen. Da Qualitätsprüfungen bei der Verarbeitung auf dem Gerät nicht möglich sind, ist es außerdem wichtig, vor Projektbeginn ein sehr genaues Modell zu trainieren, um sicherzustellen, dass die KI genügend Stichproben jeder SKU in verschiedenen Umgebungen und unter verschiedenen Ausrichtungen gesehen hat. Daher empfehlen wir unserem Kunden einen längeren Einrichtungszeitraum, um qualitativ hochwertige Daten zu sammeln und dann ein Modell darauf zu trainieren. Nach der Bereitstellung benötigt ODIN weiterhin menschliches Feedback, und wir bitten die Mitarbeiter, Feedback zur Ausgabe des Modells zu geben, damit die KI aus diesen Rückmeldungen lernen und besser werden kann.

So bereiten Sie sich auf die Bilderkennung auf dem Gerät vor –

Die Bilderkennung auf dem Gerät bringt einen immensen Spielraum mit sich. Zum erfolgreich umsetzen, gewisse Vorbereitungen sind erforderlich. Unsere Empfehlung ist, zunächst mit dem Online-Modus zu beginnen und die KI an einer Vielzahl von SKU-Images trainieren zu lassen, bevor Sie dann in den On-Device-Modus wechseln. Der CPG kann seine wichtigsten KPIs für die Einzelhandelstransparenz zunächst im On-Device-Modus bereitstellen.

Darüber hinaus können strategische Erkenntnisse wie Wettbewerbsinformationen und Preisanzeigeerkennung können im Online-Modus verfolgt werden, da dies möglicherweise keine schnellen Abhilfemaßnahmen erfordert.

Die CPG sollte auch sicherstellen, dass ihre Außendienstmitarbeiter in Bezug auf die Richtlinien zur Aufnahme idealer Bilder gut geschult sind. Dies wäre hilfreich, um hochpräzise SKU-Erkennungsberichte zu erstellen, bevor Sie in den Gerätemodus wechseln.

Die Bilderkennung auf dem Gerät ist eine der wichtigsten Funktionen, die CPG-Herstellern helfen würde, auch ihre entfernten Geschäfte im Auge zu behalten und die Einzelhandelsausführung für sie zu verbessern. Die Auswirkung der Reaktion der Vertriebsmitarbeiter auf die Sofortberichte kann dann zu einer verbesserten Kundenzufriedenheit führen, was zu einer verbesserten Markengesundheit und besseren Verkäufen führt. In der Post-COVID-Ära werden Kunden Marken mit schwankender Verfügbarkeit in den Regalen keine zweite Chance geben, da sie sich für ein alternatives Produkt entscheiden oder zu E-Commerce-Kanälen wechseln.

Hat Ihnen der Blog gefallen? Schauen Sie sich unsere anderen an Blogs um zu sehen, wie die Bilderkennungstechnologie Marken dabei helfen kann, ihre Ausführungsstrategien im Einzelhandel zu verbessern.

Möchten Sie sehen, wie sich Ihre eigene Marke in den Regalen entwickelt? Klicken hier um eine kostenlose Demo für ShelfWatch zu planen.