ShelfWatch – nutikal pildituvastusel põhinev jaemüügitarkvara

Värskendatud 10. novembril 2021

Praegu riiuli paigutus KPI hindamine, mis kasutab teie tavalist jaemüügitarkvara, on sageli aeganõudev ja töö tippajal raske hallata. Vaja on hoolikat käsitsi sisestamist, et tagada riiulil olevate toodete vastavus planogrammile. Veelgi enam, nähtavuse ja ajakohaste andmete puudumine takistab tarbekaupade kaubamärkidel probleemidega ennetavalt tegeleda. Olulisel müügiperioodil võib andmete puudumine viia mitteoptimaalsete otsusteni.

Vastavalt õppima81% ettevõtetest teatas, et nad ei ole rahul oma võimega jaemüügis ellu viia. Veel 86% ütles, et nad ei ole oma kaubanduse edendamisega rahul.

koos ShelfWatch, saab kõiki neid koondamisi üsna lihtsalt lahendada. Võimas ja probleemivaba tööriist ShelfWatch on võimeline töötama paljudes jaemüügikanalites. Selles ajaveebis tutvustame teile ShelfWatchi kõiki aspekte, mis muudavad selle jaemüügis olemasolevate pildituvastustarkvara lahenduste seas silma paista.

1. Reaalajas, võrguühenduseta pildikvaliteedi tagasiside

Pildikvaliteet on oluline kriteerium pildituvastuse kõrge täpsuse tagamiseks. SKU taseme tuvastamine või hinna kuvamise vastavus on võimalik ainult siis, kui pilt ei ole udune ja pimestamiseta. ShelfWatchi mobiilirakendusel on reaalajas pildikvaliteedi algoritm, mis suudab tuvastada halva kvaliteediga pilte ja juhendada müügiesindajat fotosid uuesti tegema. See tuvastamine töötab seadmes ja on seetõttu saadaval võrguühenduseta režiimis.

Müügiesindajad saavad hõlpsasti teha kvaliteetseid pilte isegi Interneti-ühenduseta tsoonis ja pildid laaditakse automaatselt üles, kui Interneti-ühendus on saadaval. CPG ja jaemüügibrändidega töötamise kogemuse põhjal leidsime, et enne ShelfWatchi kasutamist oli 15–20% kohapeal kogutud piltidest liiga madala kvaliteediga, et neid saaks AI või paljudel juhtudel ka inimene analüüsida. See põhjustab sageli tarbetuid viivitusi ja ebatäielikku analüüsi. Olemasolev jaemüügitarkvara paneb uduste või pimedate fotode korral süüdi müügiesindajad ning CPG ja jaemüügibrändide ülesandeks koolitada oma hõivatud esindajaid.

Ideaalne jaemüügitarkvara, mis kasutab pildituvastust, peaks olema vastupidav ja nutikas, et tagada kvaliteetsete fotode kogumine ilma esindajate täiendava väljaõppeta.

2. Seadmesisene pildituvastus (ODIN)

AI-toega auditilahenduste üks suurimaid piiranguid on anda koheselt täpseid tulemusi. Suure täpsuse tagamiseks on vajalik arvutusvõimsus suur. Esindajate kasutatavatel pihuseadmetel on aga piiratud arvutusressursid ja tuleb olla ettevaatlik, et vältida esindajate seadme aku liigset kulutamist, et ta ei pea oma seadet laadima pärast iga 2 või 3 külastust. See on koht ParallelDotsi ODIN-lahendus võidab. Meie andmeteaduse meeskonnal on õnnestunud meie algoritmi optimeerida nii, et ShelfWatch pakkub teile mõlemast maailmast parimat – täpsust ja kiirust.

Seadmesisene pildituvastus (ODIN) on ParallelDots'i talli kõige tipptasemel pakkumine. See võimaldab vahetu aruandlust riiulifotodest, mis on jäädvustatud väljaku esindajate poolt, töödeldes neid oma käeshoitavas seadmes. ODIN on kiire ja töötab täiesti võrguühenduseta. Juhtisime paari kliendiga hiljuti välja kuulutatud seadmetuvastusfunktsiooni katseid. Tulemused on julgustavad ja ületanud klientide ootusi. ODIN-funktsioon on ainulaadne pakkumine ja tunnistus meie suurepärasest pildituvastusplatvormist jaemüügikeskkonnas. Soovitame klientidel kasutada ODIN-i funktsiooni domeenide puhul, kus on vähe SKU-sid ja mida muudetakse harva.

3. Dubleerimise eemaldamine

Väga sageli juhtub, et andmete kogumise ajal teevad müügiesindajad samast riiulist mitu pilti erinevate nurkade alt. See on tõsine probleem, kuna see võib kaasa tuua riiulimõõdikute topeltloendamise (nt osa riiulist), mis omakorda mõjutab teadmisi. ShelfWatch lahendab selle probleemi väga tõhusalt. Selle dubleerimise eemaldamise algoritm parandab andmete kvaliteeti, tuvastades dubleerivad kujutised ja tagades, et mõõdikuid ei loeta topelt.

Samuti kasutasime seda algoritmi, et tuvastada pettusi tubakatootja jaemüügi teostamise regulaarsete auditite käigus. Väliaudiitorid esitasid sageli vana pildi, mis näitab, et nad on auditi lõpetanud. Kasutades dubleerimise eemaldamise algoritmi, suutsime sellised juhtumid pinnale tuua ja vähendada pettuste võimalusi väliauditites. Kolme kuu jooksul pärast ShelfWatchi integreerimist paranes andmete kvaliteet 90%, mis andis usaldusväärse ülevaate.

4. Integreerimine muu jaemüügi tarkvaraga – SFA ja DMS rakendustega

Kuigi ShelfWatch pakub väliandmete kogumiseks oma rakendust, mõistame, et müügiesindajad kasutavad juba Salesforce'i automatiseerimismüüjate pakutavat pihuarvutit ja nende arvates on mitme välirakenduse vahel vahetamine tülikas.

Meil on integreeritud ShelfWatch mitme SFA müüjaga ja kõik ShelfWatchi funktsioonid, nagu reaalajas pildikvaliteedi kontroll ja reaalajas riiulite ülevaade, töötavad ka integreeritud lahenduses.

5. Kiire seadistamine ja kiire AI treenimine

Kapoti all töötab suurem osa pildituvastusmootorist närvivõrku, et tuvastada jaekauplustes SKU-sid ja POS-materjale. Kuid närvivõrgud, eriti sügavad närvivõrgud, on kurikuulsad selle poolest, et nende treenimiseks ja 90% ja suurema täpsuse saavutamiseks on vaja palju andmeid.

Samuti tuleb treeningandmetele käsitsi lisada märkused, enne kui neid saab närvivõrku edastada. Allpool on toodud näide kommenteeritud pildist.

Suurel tootjal on aga 200–300 SKU-d oma kaubamärgi mitmes kategoorias ja veel 100–200 SKU-d, mida nad võivad soovida oma konkurentide jaoks jälgida. 300–500 SKU-d hõlmava käsitsi annoteeritud andmestiku genereerimine on tüütu ja väga kulukas ülesanne.

Enamikul pildituvastuse pakkujatel kulub andmete kogumiseks ja käsitsi märkuste tegemiseks 90–120 päeva. Nagu võite ette kujutada, on see kallis ja aeganõudev protsess ning see ei sobi hästi uute toodete turuletoomine või kampaaniate tippajal.

Shelfwatchi seadistamine on lihtne kaheetapiline protsess. Esiteks peate jagama ainult üks pilt SKU-dest, mida soovite jälgida. Teiseks paluge oma väljaku esindajatel meie mobiilirakenduse abil jaemüügipunktide riiulitest pilte teha. ShelfWatchi algoritm on koolitatud nii, et see analüüsib pilte automaatselt, et anda välja konkurentsivõimeline analüüs, nagu riiuliosa ja planogrammi vastavus.

6. Kuluefektiivne

ShelfWatch on tehtud koos tipptehnoloogia optimaalsete tulemuste saavutamiseks ilma palju raha kulutamata. Oma suurepärase tehnoloogiaga toetame madalaid tegevuskulusid, kuna ShelfWatchi seadistamiseks on vaja vähem ressursse. Meie algoritm kontrollib andmete kvaliteeti kogumise tasemel, et tuua välja standardne objektiivne analüüs.

7. WhatsAppi märguanded –

ShelfWatchi tegelik väärtus tuletatakse siis, kui kõik jaemüügiväärtusest madalamad teostused tuuakse koheselt õigetele sidusrühmadele esile. Saadame automaatsed hoiatused WhatsAppi/e-posti kaudu välimeeskonna juhtidele kiireks sekkumiseks. See uus pakkumine muudab ShelfWatchi ülevaated praktilisemaks – see viib a tugev tagasiside mehhanism jaemüüja, väliesindaja ja CPG peakorteri vahel.

ISO 27001:2013 sertifikaat –

Meil on tohutu rõõm teatada, et oleme nüüd ISO 27001: 2013 sertifikaat. Sertifikaadi saavutamiseks kinnitas sõltumatu audiitorfirma ParallelDotsi turvalisuse vastavust pärast pidevat ja süstemaatilist lähenemist ettevõtte ja klientide andmete haldamisele ja kaitsmisele. See sertifikaat kinnitab meie pühendumust andmete privaatsusele ja turvalisusele.

Kas see blogi oli kasulik? Lugege seda blogi et saada rohkem teavet selle kohta, kuidas ParallelDotsi tooted pakuvad tõhusaid lahendusi traditsioonilistele jaemüügimeetoditele, et parandada kaubamärgi kohalolekut ja nähtavust.

Kas soovite näha, kuidas teie enda bränd riiulitel toimib? Klõpsake siin tasuta demo ajastamiseks.