ShelfWatch – یک نرم افزار اجرای خرده فروشی مبتنی بر تشخیص تصویر هوشمند

به روز شده در 10 نوامبر 2021

حال تنظیم قفسه KPI ارزیابی‌هایی که با استفاده از نرم‌افزار اجرای خرده‌فروشی استاندارد شما انجام می‌شوند، اغلب زمان‌بر هستند و مدیریت آنها در اوج کار دشوار است. برای تضمین مطابقت محصولات موجود در قفسه با پلانوگرام، ورودی دستی دقیق مورد نیاز است. علاوه بر این، فقدان دید و داده‌های به‌روز، برندهای کالاهای مصرفی را از برخورد فعالانه با مشکلات باز می‌دارد. در طول یک دوره فروش حیاتی، کمبود داده می تواند منجر به تصمیم گیری های نامطلوب شود.

با توجه به مطالعه81% از شرکت‌ها گزارش دادند که از توانایی خود برای اجرای خرده‌فروشی ناراضی هستند. 86 درصد دیگر گفتند که از تلاش‌های خود برای ارتقای تجارت راضی نیستند.

با منگوله، همه این افزونگی ها را می توان به راحتی حل کرد. ShelfWatch یک ابزار قدرتمند و بدون دردسر است که می‌تواند در طیف گسترده‌ای از کانال‌های خرده‌فروشی اجرا شود. در این وبلاگ، شما را با تمام جنبه‌های ShelfWatch آشنا می‌کنیم که آن را در میان راه‌حل‌های نرم‌افزار تشخیص تصویر موجود در خرده‌فروشی متمایز می‌کند.

1. زمان واقعی، بازخورد کیفیت تصویر آفلاین

کیفیت تصویر یک معیار مهم برای اطمینان از دقت بالای تشخیص تصویر است. تشخیص سطح SKU یا مطابقت با نمایش قیمت تنها زمانی امکان پذیر است که تصویر تار و بدون تابش خیره کننده نباشد. برنامه تلفن همراه ShelfWatch دارای یک الگوریتم کیفیت تصویر در زمان واقعی است که می تواند تصاویر بی کیفیت را تشخیص دهد و به نماینده فروش دستور دهد که دوباره عکس بگیرد. این تشخیص روی دستگاه کار می کند و بنابراین، در حالت آفلاین در دسترس است.

نمایندگان فروش می توانند به راحتی تصاویر با کیفیت بالا حتی در یک منطقه بدون اینترنت بگیرند و هر زمان که اتصال به اینترنت در دسترس باشد تصاویر به طور خودکار آپلود می شوند. در تجربه کار با CPG و مارک‌های خرده‌فروشی، متوجه شدیم که قبل از استفاده از ShelfWatch، 15 تا 20 درصد از تصاویر جمع‌آوری‌شده در این زمینه کیفیت بسیار پایینی داشتند که نمی‌توان آن‌ها را با هوش مصنوعی یا در بسیاری از موارد توسط انسان‌ها تجزیه و تحلیل کرد. این اغلب منجر به تاخیرهای غیر ضروری و تجزیه و تحلیل ناقص می شود. نرم‌افزار اجرای خرده‌فروشی موجود در صورت داشتن عکس‌های مبهم یا مبهم، مسئولین فروش را مقصر می‌داند و مسئولیت را بر عهده برندهای CPG و خرده‌فروشی می‌گذارد تا نمایندگان پرمشغله خود را آموزش دهند.

یک نرم‌افزار اجرای خرده‌فروشی ایده‌آل که از تشخیص تصویر استفاده می‌کند، باید قوی و هوشمند باشد تا اطمینان حاصل شود که عکس‌های باکیفیت بدون هیچ آموزش اضافی برای تکرارها جمع‌آوری می‌شوند.

2. تشخیص تصویر روی دستگاه (ODIN)

یکی از بزرگ‌ترین محدودیت‌های راه‌حل‌های حسابرسی مبتنی بر هوش مصنوعی، ارائه نتایج دقیق آنی است. برای ارائه دقت بالا، توان محاسباتی مورد نیاز بالاست. با این حال، دستگاه‌های دستی که توسط نمایندگان استفاده می‌شود، منابع محاسباتی محدودی دارند و فرد باید مراقب باشد که از مصرف بیش از حد باتری دستگاه تکرار جلوگیری کند تا مبادا پس از هر ۲ یا ۳ بار بازدید، دستگاه خود را شارژ کند. اینجاست که راه حل ODIN ParallelDots برنده می شود. تیم علم داده ما در بهینه‌سازی الگوریتم ما به گونه‌ای موفق شده است که ShelfWatch بهترین‌ها را در هر دو دنیا به شما ارائه دهد - دقت و سرعت.

تشخیص تصویر روی دستگاه (ODIN) پیشرفته ترین پیشنهاد از پایداری ParallelDots است. این امکان گزارش فوری از عکس های قفسه گرفته شده توسط نمایندگان میدانی را با پردازش آنها در دستگاه دستی آنها فراهم می کند. ODIN سریع است و کاملا آفلاین کار می کند. ما خلبان‌هایی را با چند مشتری برای ویژگی تشخیص روی دستگاه که اخیراً اعلام شده است اجرا کردیم. نتایج دلگرم کننده است و از انتظارات مشتری فراتر رفته است. ویژگی ODIN یک پیشنهاد منحصر به فرد و گواهی بر پلت فرم تشخیص تصویر برتر ما برای یک محیط خرده فروشی است. ما مشتریان را تشویق می‌کنیم که از ویژگی ODIN برای دامنه‌هایی استفاده کنند که تعداد SKU‌های کمی در آن دخیل است و تغییرات نادری را تجربه می‌کنند.

3. کپی برداری

اغلب اوقات این اتفاق می افتد که هنگام جمع آوری داده ها، نمایندگان فروش چندین عکس از یک قفسه از زوایای مختلف می گیرند. این یک مشکل جدی است زیرا ممکن است منجر به شمارش مضاعف معیارهای قفسه شود (مانند سهم قفسه) که به نوبه خود بر بینش ها تأثیر می گذارد. ShelfWatch این مشکل را بسیار کارآمد حل می کند. الگوریتم حذف تکراری آن با شناسایی تصاویر تکراری و اطمینان از عدم شمارش معیارها، کیفیت داده ها را بهبود می بخشد.

ما همچنین از این الگوریتم برای شناسایی تقلب در ممیزی های منظم اجرای خرده فروشی برای یک شرکت دخانیات استفاده کردیم. ممیزان میدانی اغلب یک تصویر قدیمی را برای نشان دادن اینکه حسابرسی را کامل کرده اند ارسال می کنند. با استفاده از الگوریتم حذف تکراری، ما توانستیم چنین مواردی را نمایان کنیم و احتمال تقلب در ممیزی های میدانی را کاهش دهیم. ظرف سه ماه پس از ادغام ShelfWatch، بهبودی 90 درصدی در کیفیت داده‌ها به وجود آمد که منجر به بینش‌های قابل اعتماد شد.

4. ادغام با سایر نرم افزارهای اجرایی خرده فروشی - برنامه های SFA و DMS

در حالی که ShelfWatch برنامه خود را برای ضبط داده‌ها در میدان ارائه می‌کند، ما می‌دانیم که نمایندگان فروش در حال حاضر از ابزار دستی ارائه‌شده توسط فروشندگان اتوماسیون Salesforce استفاده می‌کنند و جابه‌جایی بین چندین برنامه در این زمینه دشوار است.

ما داریم ShelfWatch یکپارچه با چندین فروشنده SFA و تمام ویژگی های ShelfWatch مانند بررسی کیفیت تصویر در زمان واقعی و بینش قفسه زمان واقعی در راه حل یکپارچه نیز کار می کنند.

5. راه اندازی سریع و سریع برای آموزش هوش مصنوعی

در زیر کاپوت، بیشتر موتور تشخیص تصویر یک شبکه عصبی را برای شناسایی SKUها و مواد POS در فروشگاه‌های خرده‌فروشی اجرا می‌کند. با این حال، شبکه‌های عصبی، به‌ویژه شبکه‌های عصبی عمیق به دلیل نیاز به حجم زیادی از داده‌ها برای آموزش آن‌ها و دریافت دقت 90 درصد و بالاتر، بدنام هستند.

همچنین، داده های آموزشی باید به صورت دستی حاشیه نویسی شوند تا بتوانند به شبکه عصبی تغذیه شوند. نمونه ای از یک تصویر مشروح در زیر نشان داده شده است.

با این حال، یک تولیدکننده بزرگ 200 تا 300 SKU در چندین دسته از برندهای خود و 100 تا 200 SKU دیگر خواهد داشت که ممکن است بخواهند برای رقبای خود ردیابی کنند. ایجاد یک مجموعه داده مشروح دستی که 300 تا 500 SKU را پوشش می دهد، کاری خسته کننده و بسیار پرهزینه است.

اکثر فروشندگان تشخیص تصویر 90 تا 120 روز زمان راه اندازی می کنند که در طی آن داده ها را جمع آوری و به صورت دستی حاشیه نویسی می کنند. همانطور که می توانید تصور کنید، این یک فرآیند پرهزینه و زمان بر است و مقیاس مناسبی برای آن ندارد معرفی محصول جدید یا در زمان اوج تبلیغات.

راه اندازی Shelfwatch یک فرآیند ساده و دو مرحله ای ساده است. ابتدا باید به اشتراک بگذارید فقط یک تصویر از SKUهایی که می خواهید ردیابی کنید. و دوم، از نمایندگان میدانی خود بخواهید با استفاده از برنامه تلفن همراه ما از قفسه های فروشگاه های خرده فروشی عکس بگیرند. الگوریتم ShelfWatch به گونه ای آموزش داده شده است که به طور خودکار تصاویر را تجزیه و تحلیل می کند تا تجزیه و تحلیل رقابتی مانند سهم از قفسه و انطباق پلانوگرام ارائه دهد.

6 مقرون به صرفه

ShelfWatch با ساخته شده است پیشرفته ترین فناوری بدون نیاز به صرف هزینه زیاد، نتایج بهینه را به دست آورید. با فناوری برتر خود، به دلیل منابع کمتر مورد نیاز در راه اندازی ShelfWatch، از هزینه های عملیاتی کم پشتیبانی می کنیم. الگوریتم ما کیفیت داده ها را در سطح مجموعه کنترل می کند تا تجزیه و تحلیل استاندارد و عینی را نشان دهد.

7. هشدارهای WhatsApp -

ارزش واقعی ShelfWatch زمانی به دست می‌آید که تمام نمونه‌های اجرای خرده‌فروشی پایین‌تر فوراً برای ذینفعان مناسب برجسته می‌شوند. ما هشدارهای خودکار را از طریق واتس اپ/ایمیل به رهبران تیم میدانی برای مداخلات سریع ارسال می کنیم. این پیشنهاد جدید، بینش‌های ShelfWatch را کاربردی‌تر می‌کند - منجر به یک مکانیزم بازخورد قوی بین خرده فروش، نماینده میدانی و ستاد مرکزی CPG.

گواهینامه ISO 27001:2013 –

با نهایت خوشحالی اعلام می کنیم که اکنون هستیم گواهینامه ISO 27001: 2013. برای دستیابی به گواهینامه، انطباق امنیتی ParallelDots توسط یک شرکت حسابرسی مستقل پس از نشان دادن یک رویکرد مداوم و سیستماتیک برای مدیریت و حفاظت از داده‌های شرکت و مشتری تأیید شد. این گواهی گواهی بر تعهد ما به حفظ حریم خصوصی و امنیت داده ها است.

آیا این وبلاگ مفید است؟ این را بخوان وبلاگ برای کسب اطلاعات بیشتر در مورد اینکه چگونه محصولات ParallelDots راه‌حل‌های مؤثری را برای روش‌های سنتی اجرای خرده‌فروشی برای بهبود حضور و دیده شدن نام تجاری ارائه می‌کنند.

آیا می خواهید ببینید که برند شما در قفسه ها چگونه عمل می کند؟ کلیک اینجا کلیک نمایید برای برنامه ریزی یک نسخه ی نمایشی رایگان.