Reconocimiento de imágenes en el dispositivo para auditorías minoristas automatizadas: ODIN de ParallelDots

Reeditado por Platón

seguidores: 0

Las auditorías minoristas automatizadas que utilizan Image Recognition han ganado popularidad en los últimos años y muchos fabricantes de CPG están probando la solución o en etapas avanzadas de implementación a nivel mundial. Sin embargo, según el Informe de puntos de interés, el costo y la velocidad son las principales preocupaciones, lo que impide la adopción generalizada de esta solución revolucionaria

Reconocimiento de imágenes para rastrear la ejecución minorista se está volviendo popular debido al ahorro de tiempo y la alta precisión que puede ofrecer en comparación con los controles manuales de la tienda. Según Informe de Gartner, La tecnología de reconocimiento de imágenes puede aumentar la productividad de la fuerza de ventas, mejorar la percepción del estado de las estanterías y ayudar a impulsar las ventas incrementales.

A pesar de todos los beneficios comprobados de la tecnología de reconocimiento de imágenes, problemas prácticos como el alto costo de implementación y los tiempos de respuesta lentos han mantenido baja la adopción de esta solución. Nosotros, en puntos paralelos, han trabajado arduamente tratando de abordar estos problemas lanzando nuestra solución de reconocimiento de imágenes en el dispositivo, ODIN. Con ODIN, todas las imágenes capturadas por los representantes se procesarán en su dispositivo de mano, eliminando así la necesidad de utilizar una conexión a Internet activa y procesos de control de calidad para generar informes de KPI. En esta publicación de blog, discutiremos nuestro enfoque sobre ODIN y por qué esto podría cambiar las reglas del juego para las empresas de CPG de todos los tamaños, que desean implementar sus programas de tienda perfectos.

Por qué el reconocimiento de imágenes en el dispositivo está cambiando las reglas del juego para las auditorías minoristas automatizadas

Los algoritmos de reconocimiento de imágenes de vanguardia actuales necesitan servidores potentes, como las GPU, para funcionar de manera eficiente. Este tipo de poder de cómputo puede estar disponible a través de la infraestructura de computación en la nube de hoy en día. Sin embargo, esto significa que como los representantes de campo están tomando fotos en la tienda, estas fotos deben cargarse en los servidores de la nube antes KPI de estantería se puede calcular a partir de estas fotos. Este proceso funciona bien en tiendas con conexión Wi-Fi o buena conectividad a Internet 4G.

Sin embargo, la conectividad a Internet puede no ser buena en muchas áreas o con tiendas subterráneas. Para tales tiendas, no es posible obtener un informe de KPI mientras el representante todavía está en la tienda. En tales casos, el reconocimiento de imágenes en el dispositivo podría funcionar muy bien para garantizar que los representantes reciban comentarios sobre las fotos que están tomando, sin necesidad de que se conecten a Internet.

Además, la tecnología de reconocimiento de imágenes funciona bien en imágenes de alta calidad. Lo que significa que las imágenes pueden tardar un poco en cargarse, incluso en áreas que ofrecen una disponibilidad de red decente. Esto puede llevar a situaciones en las que los representantes de campo tengan que esperar más tiempo antes de que sus imágenes se carguen, se procesen en el servidor en la nube y luego, los resultados se envíen de vuelta al representante. El reconocimiento en el dispositivo elimina este problema y produce el resultado al instante. Los representantes de campo obtienen información en segundos, en lugar de esperar entre 5 y 10 minutos. Esto hace que la salida sea más procesable y no se pierde tiempo esperando el análisis de IA.

Desafíos involucrados

Para que la realización de auditorías minoristas automatizadas mediante el reconocimiento de imágenes funcione de manera eficaz, se requieren imágenes de buena calidad. Incluso pequeños cambios en la calidad de la imagen pueden provocar una caída en la precisión al realizar el reconocimiento de imágenes. Esto es fundamental para la precisión del modelo de visión por computadora que se ejecuta en el dispositivo.

Además, obtener la cantidad adecuada de datos de entrenamiento de alta calidad para el reconocimiento de imágenes puede ser un desafío. Casi ninguno de los fabricantes de CPG tiene una base de datos etiquetada fácilmente disponible con imágenes de tiendas. Por lo tanto, uno de los mayores obstáculos para comenzar con el reconocimiento de imágenes en el dispositivo es el tiempo de espera y los costos asociados con la creación de dicha base de datos.

Por otro lado, se lanzan nuevos productos o se cambia el empaque del producto, por lo tanto, se realiza capacitación y reentrenamiento constante de la IA para mantenerla actualizada. Agregue al hecho de que la gran cantidad de datos para los lanzamientos de nuevos productos tomaría algún tiempo en acumularse, antes de que la IA pueda incluso entrenarse en lo mismo.

Algunos hechos a considerar antes de optar por el reconocimiento de imágenes en el dispositivo:

Siempre existe un compromiso entre la precisión y la velocidad de los conocimientos y, por lo tanto, una solución ideal encontrará el valor más óptimo para que la solución sea práctica. Por lo tanto, los ejecutivos de CPG deberán evaluar cuál será el impacto de una menor precisión o conocimientos más lentos antes de optar por el reconocimiento de imágenes en el dispositivo.

Es importante señalar que aquí nos referimos a pequeñas diferencias en precisión y velocidad, ya que reconocemos que una solución ideal será precisa y muy rápida. Un fabricante de CPG puede implementar un modelo con una precisión del 91% en el nivel de SKU en el dispositivo con un tiempo y costos de configuración más bajos que lo que se necesitaría para implementar un modelo con una precisión del 98%. Sin embargo, si una alta precisión es fundamental para ellos (debido a incentivos para minoristas), pueden optar por el reconocimiento de imágenes en línea, lo que permite un proceso de control de calidad para garantizar una mayor precisión. Sin embargo, esto significa que los representantes tendrán que esperar a que las imágenes se carguen, procesen, verifiquen la calidad y luego, esperar a que el informe se descargue en su dispositivo antes de poder acceder a los KPI.

Para fines prácticos, también puede funcionar una solución al 91%. Una solución con un 91% de precisión significaría que de, por ejemplo, 50 SKU únicos disponibles en el estante, es posible que la IA no elija ~ 4 SKU correctamente. Dada la cantidad de tiempo que los representantes de campo pueden ahorrar el reconocimiento de cortesía en el dispositivo, puede ser un mejor compromiso que dejarlos esperar los informes generados en el modo en línea (incluso si puede tener una precisión del 98%). Simplemente pueden ignorar las predicciones incorrectas hechas por la IA y tomar medidas sobre las correctas.

Usar esta solución es similar a pedirle a Siri que reproduzca una canción, la mayoría de las veces entenderá correctamente la canción que le pedimos que toque, pero en algunas ocasiones, es posible que no entienda nuestra solicitud y reproduzca una canción diferente. En mi propia prueba con Siri, encontré que tiene una precisión del 80% cuando se trata de reproducir canciones desde mi comando de voz, ya que de diez solicitudes, ella no pudo cumplir con mis dos solicitudes. Sin embargo, un compromiso que estoy más que dispuesto a aceptar, ya que abrir una aplicación, navegar o buscar una canción es más engorroso (solución 100% precisa) que pedirle a Siri que la reproduzca.

ODIN de ParallelDots: reconocimiento de imágenes en el dispositivo para auditorías minoristas automatizadas

ODIN de ParallelDots: reconocimiento de imágenes en el dispositivo para auditorías minoristas automatizadas con precisión y velocidad para CPG

Una de las mayores limitaciones de las soluciones de auditoría habilitadas por IA es brindar resultados precisos al instante. Para ofrecer una alta precisión, la potencia informática necesaria es alta. Sin embargo, los dispositivos portátiles utilizados por los representantes tienen recursos informáticos limitados y hay que tener cuidado de evitar el consumo excesivo de batería del dispositivo de los representantes para que no tenga que cargar su dispositivo después de cada 2 o 3 visitas. Aquí es donde gana la solución ODIN de ParallelDots. Nuestro equipo de ciencia de datos ha logrado optimizar nuestro algoritmo de tal manera que estantereloj le ofrece lo mejor de ambos mundos: precisión y velocidad.

Con ODIN, nuestra solución puede identificar cada SKU en la foto y su ubicación sin requerir que las fotos se carguen en la nube para su procesamiento. Esto significa que los representantes pueden ver instantáneamente faltan SKU según la lista MSL e identifique los SKU colocados incorrectamente (como colocar las marcas premium en el estante inferior). ODIN también tiene una solución de calificación de calidad de imagen completamente fuera de línea incorporada que solicita al representante que vuelva a tomar fotos si las fotos no son de la calidad óptima para hacer el reconocimiento de fotos.

Cuando se trata del reconocimiento de imágenes en el dispositivo, recomendamos a nuestros clientes que lo implementen para un número limitado de SKU y KPI. Además, dado que los controles de calidad no son posibles con el procesamiento en el dispositivo, es importante entrenar un modelo muy preciso antes del inicio del proyecto para garantizar que AI haya visto suficientes muestras de cada SKU en diferentes entornos y bajo diferentes orientaciones. Por lo tanto, recomendamos a nuestro cliente un período de configuración más largo para recopilar datos de alta calidad y luego entrenar un modelo en ellos. Una vez implementado, ODIN aún necesita comentarios humanos, y pedimos a los representantes que brinden comentarios sobre el resultado del modelo para que la IA pueda aprender de esos comentarios y mejorar.

Cómo prepararse para el reconocimiento de imágenes en el dispositivo:

El reconocimiento de imágenes en el dispositivo trae consigo un inmenso alcance. Para implementándolo con éxito, se requieren ciertos preparativos. Nuestra recomendación es comenzar primero con el modo en línea y dejar que la IA se entrene en una variedad de imágenes de SKU antes de pasar al modo en el dispositivo. El CPG puede implementar primero sus principales KPI de visibilidad minorista en el modo en el dispositivo.

Además, los conocimientos estratégicos como la información competitiva y reconocimiento de visualización de precios se puede rastrear en el modo en línea, ya que esto puede no requerir acciones correctivas rápidas.

El CPG también debe asegurarse de que sus representantes de campo estén bien capacitados en lo que respecta a las pautas de captura de imágenes ideales. Esto sería útil para producir informes de reconocimiento de SKU de alta precisión antes de cambiar al modo en el dispositivo.

El reconocimiento de imágenes en el dispositivo es una de las características clave que ayudaría a los fabricantes de CPG a vigilar incluso sus tiendas remotas y mejorar la ejecución minorista para ellos. El impacto de que los representantes puedan actuar en los informes instantáneos puede conducir a una mejor satisfacción del cliente, lo que lleva a una mejor salud de la marca y mejores ventas. En la era posterior a COVID, los clientes no darán una segunda oportunidad a aquellas marcas que tienen disponibilidad fluctuante en los estantes, ya que optarán por un producto alternativo o pasarán a canales de comercio electrónico.

¿Le gustó el blog? Mira nuestros otros Blogs para ver cómo la tecnología de reconocimiento de imágenes puede ayudar a las marcas a mejorar sus estrategias de ejecución en el comercio minorista.

¿Quieres ver cómo está funcionando tu propia marca en los estantes? Hacer clic esta página programar una demostración gratuita para ShelfWatch.