ShelfWatch – Eine auf Smart Image Recognition basierende Retail Execution Software

Aktualisiert am 10. November 2021

Das Geschenk Regalanordnung KPI Assessments mit Ihrer standardmäßigen Retail-Execution-Software sind oft zeitaufwändig und während der Arbeitsspitzen schwierig zu verwalten. Um sicherzustellen, dass die Produkte im Regal mit dem Planogramm übereinstimmen, ist eine sorgfältige manuelle Eingabe erforderlich. Darüber hinaus hindern der Mangel an Sichtbarkeit und aktuellen Daten Konsumgütermarken daran, Probleme proaktiv anzugehen. Während einer entscheidenden Verkaufsphase kann ein Mangel an Daten zu suboptimalen Entscheidungen führen.

Gemäß einer Studie, „Bis zu 81 % der Unternehmen gaben an, dass sie mit ihrer Leistungsfähigkeit im Einzelhandel unzufrieden sind. Weitere 86 % gaben an, dass sie mit ihren Bemühungen zur Handelsförderung nicht zufrieden sind.“

Mit der  RegalWatch, all diese Redundanzen können ganz einfach angegangen werden. ShelfWatch ist ein leistungsstarkes und problemloses Tool, das auf einem breiten Spektrum von Einzelhandelskanälen ausgeführt werden kann. In diesem Blog führen wir Sie durch alle Aspekte von ShelfWatch, die es von den bestehenden Bilderkennungssoftwarelösungen im Einzelhandel abheben.

1. Feedback zur Offline-Bildqualität in Echtzeit

Die Bildqualität ist ein wichtiges Kriterium, um die hohe Genauigkeit der Bilderkennung sicherzustellen. SKU-Level-Erkennung oder Einhaltung der Preisanzeige Dies ist nur möglich, wenn das Bild nicht unscharf und blendfrei ist. Die mobile ShelfWatch-App verfügt über einen Echtzeit-Bildqualitätsalgorithmus, der Bilder von schlechter Qualität erkennen und den Vertriebsmitarbeiter anweisen kann, Fotos erneut aufzunehmen. Diese Erkennung funktioniert auf dem Gerät und ist daher im Offline-Modus verfügbar.

Die Vertriebsmitarbeiter können auch in einer Zone ohne Internet problemlos hochwertige Bilder aufnehmen, und die Bilder werden automatisch hochgeladen, sobald eine Internetverbindung verfügbar ist. In unserer Erfahrung bei der Arbeit mit CPG- und Einzelhandelsmarken haben wir festgestellt, dass vor dem Einsatz von ShelfWatch 15–20 % der vor Ort gesammelten Bilder von zu geringer Qualität waren, um von KI oder in vielen Fällen auch von Menschen analysiert zu werden. Dies führt häufig zu unnötigen Verzögerungen und unvollständigen Analysen. Vorhandene Ausführungssoftware für den Einzelhandel gibt den Vertriebsmitarbeitern die Schuld für verschwommene oder grelle Fotos und die Verantwortung für CPG- und Einzelhandelsmarken, ihre vielbeschäftigten Mitarbeiter zu schulen.

Eine ideale Ausführungssoftware für den Einzelhandel, die Bilderkennung verwendet, sollte robust und intelligent sein, um sicherzustellen, dass qualitativ hochwertige Fotos ohne zusätzliches Training für die Vertriebsmitarbeiter erfasst werden.

2. On-Device-Bilderkennung (ODIN)

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. Von Vertriebsmitarbeitern verwendete Handheld-Geräte verfügen jedoch über begrenzte Rechenressourcen, und man muss darauf achten, einen übermäßigen Batterieverbrauch des Geräts des Vertriebsmitarbeiters zu vermeiden, damit er sein Gerät nicht alle 2 oder 3 Besuche aufladen muss. Das ist wo Die ODIN-Lösung von ParallelDots Gewinnt. Unserem Data-Science-Team ist es gelungen, unseren Algorithmus so zu optimieren, dass ShelfWatch Ihnen das Beste aus beiden Welten bietet – Genauigkeit und Geschwindigkeit.

On-Device Image Recognition (ODIN) ist das modernste Angebot aus dem ParallelDots-Stall. Es ermöglicht die sofortige Berichterstattung von Regalfotos, die von den Außendienstmitarbeitern aufgenommen wurden, indem sie sie auf ihrem Handheld-Gerät verarbeiten. ODIN ist schnell und funktioniert komplett offline. Wir haben Pilotversuche mit einigen Kunden für die kürzlich angekündigte Erkennungsfunktion auf dem Gerät durchgeführt. Die Ergebnisse sind ermutigend und haben die Erwartungen der Kunden übertroffen. Die ODIN-Funktion ist ein einzigartiges Angebot und Beweis für unsere überlegene Bilderkennungsplattform für eine Einzelhandelsumgebung. Wir empfehlen Kunden, die ODIN-Funktion für Domains zu verwenden, bei denen es um eine geringe Anzahl von SKUs geht und die nur selten geändert werden.

3. Deduplizierung

Sehr oft kommt es vor, dass die Vertriebsmitarbeiter beim Sammeln von Daten mehrere Bilder desselben Regals aus verschiedenen Blickwinkeln aufnehmen. Dies ist ein ernstes Problem, da es zu einer doppelten Zählung von Regalmetriken führen kann (z Anteil am Regal), was sich wiederum auf die Erkenntnisse auswirkt. ShelfWatch meistert dieses Problem sehr effizient. Sein Deduplizierungsalgorithmus verbessert die Datenqualität, indem er doppelte Bilder erkennt und sicherstellt, dass die Metriken nicht doppelt gezählt werden.

Wir haben diesen Algorithmus auch genutzt, um Betrug bei regelmäßigen Audits der Einzelhandelsausführung für ein Tabakunternehmen aufzudecken. Die Feldprüfer reichten oft ein altes Bild ein, um anzuzeigen, dass sie das Audit abgeschlossen haben. Mithilfe des Deduplizierungsalgorithmus konnten wir solche Fälle aufdecken und die Betrugsmöglichkeiten bei Außenprüfungen reduzieren. Innerhalb von drei Monaten nach der Integration von ShelfWatch verbesserte sich die Datenqualität um 90 %, was zu zuverlässigen Erkenntnissen führte.

4. Integration mit anderer Ausführungssoftware für den Einzelhandel – SFA- und DMS-Apps

Obwohl ShelfWatch eine eigene App zur Erfassung von Daten im Außendienst bereitstellt, verstehen wir, dass Vertriebsmitarbeiter bereits Handhelds verwenden, die von den Salesforce-Automatisierungsanbietern bereitgestellt werden, und es mühsam finden werden, zwischen mehreren Apps im Außendienst zu wechseln.

Wir haben integrierte ShelfWatch mit mehreren SFA-Anbietern und alle Funktionen von ShelfWatch wie Echtzeit-Bildqualitätsprüfungen und Regaleinblicke in Echtzeit funktionieren auch in der integrierten Lösung.

5. Schnelle Einrichtung und schnelles Trainieren der KI

Unter der Haube betreibt der Großteil der Bilderkennungs-Engine ein neuronales Netzwerk, um SKUs und POS-Materialien in Einzelhandelsgeschäften zu erkennen. Neuronale Netze, insbesondere tiefe neuronale Netze, sind jedoch dafür bekannt, dass sie eine große Datenmenge benötigen, um sie zu trainieren und eine Genauigkeit von 90 % und mehr zu erreichen.

Außerdem müssen die Trainingsdaten manuell kommentiert werden, bevor sie in das neuronale Netzwerk eingespeist werden können. Unten sehen Sie ein Beispiel für ein kommentiertes Bild.

Ein großer Hersteller hat jedoch 200–300 SKUs in mehreren Kategorien seiner eigenen Marken und weitere 100–200 SKUs, die er möglicherweise für seine Konkurrenten verfolgen möchte. Das Generieren eines manuell annotierten Datensatzes, der 300–500 SKUs abdeckt, ist eine mühsame und sehr kostspielige Aufgabe.

Die meisten Bilderkennungsanbieter benötigen 90–120 Tage Einrichtungszeit, in der sie Daten sammeln und manuell mit Anmerkungen versehen. Wie Sie sich vorstellen können, ist dies ein teurer und zeitaufwändiger Prozess und lässt sich nicht gut skalieren neue Produkteinführungen oder während der Hauptaktionszeit.

Das Einrichten von Shelfwatch ist ein einfacher, unkomplizierter Prozess in zwei Schritten. Zuerst müssen Sie teilen nur ein Bild der SKUs, die Sie nachverfolgen möchten. Und zweitens bitten Sie Ihre Außendienstmitarbeiter, mit unserer mobilen Anwendung Bilder von den Regalen des Einzelhandelsgeschäfts zu machen. Der Algorithmus von ShelfWatch ist so trainiert, dass Es analysiert automatisch die Bilder, um eine Wettbewerbsanalyse wie Share-of-Shelf und Planogramm-Compliance zu erstellen.

6. Kosteneffizient

ShelfWatch wurde mit gemacht Stand der Technik um optimale Ergebnisse zu erzielen, ohne viel Geld ausgeben zu müssen. Mit unserer überlegenen Technologie unterstützen wir niedrige Betriebskosten, da weniger Ressourcen für die Einrichtung von ShelfWatch erforderlich sind. Unser Algorithmus kontrolliert die Datenqualität auf Erfassungsebene, um die standardmäßige, objektive Analyse zu ermöglichen.

7. WhatsApp-Benachrichtigungen –

Der wahre Wert von ShelfWatch ergibt sich, wenn alle Fälle von unterdurchschnittlicher Ausführung im Einzelhandel sofort den richtigen Interessengruppen angezeigt werden. Wir senden automatische Benachrichtigungen per WhatsApp/E-Mail an die Teamleiter im Außendienst, um schnell eingreifen zu können. Dieses neue Angebot macht ShelfWatch-Einblicke umsetzbarer – was zu a robuster Feedback-Mechanismus zwischen Einzelhändler, Außendienstmitarbeiter und der CPG-Zentrale.

ISO 27001:2013 Zertifizierung –

Mit großer Freude geben wir bekannt, dass wir es jetzt sind ISO 27001: 2013 zertifiziert. Um die Zertifizierung zu erhalten, wurde die Sicherheitskonformität von ParallelDots von einer unabhängigen Wirtschaftsprüfungsgesellschaft validiert, nachdem ein kontinuierlicher und systematischer Ansatz zur Verwaltung und zum Schutz von Unternehmens- und Kundendaten nachgewiesen wurde. Dieses Zertifikat ist ein Beweis für unser Engagement für Datenschutz und Sicherheit.

Fanden Sie diesen Blog nützlich? Lesen Sie dies Blog um mehr darüber zu erfahren, wie ParallelDots-Produkte effektive Lösungen für traditionelle Einzelhandelsausführungsmethoden bieten, um die Markenpräsenz und -sichtbarkeit zu verbessern.

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