Reconnaissance d'image sur l'appareil pour les audits automatisés de vente au détail : ODIN par ParallelDots

Republié par Platon

Suiveurs: 0

Les audits de vente au détail automatisés utilisant la reconnaissance d'image ont gagné en popularité au cours des dernières années, de nombreux fabricants de CPG testant la solution ou à des stades avancés de sa mise en œuvre à l'échelle mondiale. Cependant, selon le Rapport de POI, le coût et la rapidité sont les principales préoccupations, empêchant l'adoption généralisée de cette solution qui change la donne

Reconnaissance d'image pour suivre l'exécution de la vente au détail est de plus en plus populaire en raison du gain de temps et de la grande précision qu'il peut fournir par rapport aux contrôles manuels en magasin. Selon Rapport Gartner, La technologie de reconnaissance d'image peut augmenter la productivité de la force de vente, améliorer les informations sur l'état des étagères et contribuer à augmenter les ventes.

Malgré tous les avantages avérés de la technologie de reconnaissance d'image, des problèmes pratiques tels que le coût élevé de la mise en œuvre et la lenteur des délais ont limité l'adoption de cette solution. Nous, à Points parallèles, ont travaillé dur pour s'attaquer à ces problèmes en lançant notre solution de reconnaissance d'images sur appareil, ODIN. Avec ODIN, toutes les images capturées par les représentants seront traitées sur leur appareil portatif, éliminant ainsi le besoin d'utiliser une connexion Internet active et des processus de contrôle de qualité pour générer des rapports KPI. Dans cet article de blog, nous discuterons de notre approche sur ODIN et des raisons pour lesquelles cela pourrait changer la donne pour les entreprises CPG de toutes tailles, qui souhaitent mettre en œuvre leur programmes de magasin parfaits.

Pourquoi la reconnaissance d'image sur l'appareil change la donne pour les audits automatisés de la vente au détail

Les algorithmes de reconnaissance d'image de pointe actuels ont besoin de serveurs puissants tels que des GPU pour fonctionner efficacement. Ce type de puissance de calcul peut être rendu disponible via une infrastructure de cloud computing moderne. Cependant, cela signifie que lorsque les représentants sur le terrain prennent des photos dans le magasin, ces photos doivent être téléchargées sur les serveurs cloud avant KPI d'étagère peut être calculé à partir de ces photos. Ce processus fonctionne bien dans les magasins avec une connexion Wi-Fi ou une bonne connectivité Internet 4G.

Cependant, la connectivité Internet peut ne pas être bonne dans de nombreuses régions ou avec les magasins souterrains. Pour ces magasins, il n'est pas possible d'obtenir un rapport KPI tant que le représentant est toujours dans le magasin. Dans de tels cas, la reconnaissance d'images sur l'appareil pourrait très bien fonctionner pour garantir que les commerciaux reçoivent des commentaires sur les photos qu'ils prennent, sans qu'ils aient à se connecter en ligne.

En outre, la technologie de reconnaissance d'image fonctionne bien sur des images de haute qualité. Cela signifie que le téléchargement des images peut prendre un certain temps, même dans les zones offrant une disponibilité de réseau décente. Cela peut conduire à des scénarios où les représentants sur le terrain doivent attendre plus de temps avant que leurs images ne soient téléchargées, traitées dans le serveur cloud, puis les résultats sont renvoyés au représentant. La reconnaissance sur l'appareil élimine ce problème et produit le résultat instantanément. Les représentants sur le terrain obtiennent des informations en quelques secondes, plutôt que d'attendre 5 à 10 minutes. Cela rend la sortie plus exploitable et aucun temps n'est passé à attendre l'analyse de l'IA.

Défis impliqués-

Pour effectuer des audits automatisés de vente au détail utilisant la reconnaissance d'image pour fonctionner efficacement, des images de bonne qualité sont nécessaires. Même de petits changements dans la qualité de l'image peuvent entraîner une baisse de la précision lors de l'exécution de la reconnaissance d'image. Ceci est primordial pour la précision du modèle de vision par ordinateur qui s'exécute sur l'appareil.

En outre, obtenir la bonne quantité de données d'entraînement de haute qualité à des fins de reconnaissance d'image peut être difficile. Presque aucun des fabricants de CPG n'a une base de données étiquetée facilement disponible d'images de magasin. Ainsi, l'un des plus grands obstacles à la mise en route de la reconnaissance d'images sur l'appareil est le délai et les coûts associés à la création d'une telle base de données.

De plus, de nouveaux produits sont lancés ou l'emballage du produit est changé - par conséquent, une formation et une reconversion constantes de l'IA sont effectuées pour la maintenir à jour. Ajoutez au fait que la quantité élevée de données pour les lancements de nouveaux produits prendrait un certain temps à s'accumuler, avant même que l'IA puisse être entraînée sur la même chose.

Quelques faits à considérer avant d'opter pour la reconnaissance d'image sur l'appareil -

Il y a toujours un compromis entre la précision et la rapidité des informations et, par conséquent, une solution idéale trouvera la valeur la plus optimale pour rendre la solution pratique. Par conséquent, les dirigeants de CPG devront évaluer quel sera l'impact d'une précision inférieure ou d'une vision plus lente avant d'opter pour la reconnaissance d'image sur l'appareil.

Il est important de noter que nous parlons ici de petites différences de précision et de vitesse car nous reconnaissons qu'une solution idéale sera précise et très rapide. Un fabricant de CPG peut être en mesure de déployer un modèle précis au niveau SKU de 91% sur l'appareil avec un temps de configuration et des coûts inférieurs à ce qu'il faudrait pour déployer un modèle précis à 98%. Cependant, si une précision élevée est essentielle pour eux (en raison de incitatifs pour les détaillants), ils peuvent opter pour la reconnaissance d'images en ligne qui permet un processus de contrôle de la qualité pour garantir une plus grande précision. Cependant, cela signifie que les commerciaux devront attendre que les images soient téléchargées, traitées, leur qualité vérifiée, puis attendre que le rapport soit téléchargé sur leur appareil avant de pouvoir accéder aux KPI.

Pour des raisons pratiques, une solution à 91% peut également fonctionner. Une solution précise à 91% signifierait que sur 50 SKU uniques disponibles en rayon, l'IA pourrait ne pas sélectionner correctement ~ 4 SKU. Étant donné le temps que les représentants sur le terrain peuvent économiser sur la reconnaissance de l'appareil, cela peut être un meilleur compromis que de les laisser attendre les rapports générés en mode en ligne (même si cela peut être précis à 98%). Ils peuvent simplement ignorer les prédictions incorrectes faites par l'IA et agir sur les bonnes.

Utiliser cette solution revient à demander à Siri de jouer une chanson, la plupart du temps, elle comprendra correctement la chanson que nous lui avons demandé de jouer mais à quelques reprises, elle peut ne pas comprendre notre demande et jouer une chanson différente. Dans mon propre test avec Siri, j'ai trouvé qu'il était précis à 80% lorsqu'il s'agit de jouer des chansons à partir de ma commande vocale car sur dix demandes, elle ne pouvait pas répondre à mes deux demandes. Pourtant, un compromis que je suis plus que disposé à prendre depuis l'ouverture d'une application, la navigation ou la recherche d'une chanson est plus fastidieux (solution 100% précise) que de demander à Siri de la jouer.

ODIN par ParallelDots: reconnaissance d'image sur l'appareil pour les audits automatisés de la vente au détail

ODIN by ParallelDots - Reconnaissance d'image sur l'appareil pour les audits automatisés de vente au détail avec à la fois précision et rapidité pour CPG

L'une des plus grandes limites des solutions d'audit basées sur l'IA est de donner instantanément des résultats précis. Pour fournir une précision élevée, la puissance de calcul requise est élevée. Cependant, les appareils portables utilisés par les représentants ont des ressources de calcul limitées et il faut faire attention à éviter une consommation excessive de la batterie de l'appareil des représentants, de peur qu'il ne doive charger son appareil toutes les 2 ou 3 visites. C'est là que la solution ODIN de ParallelDots l'emporte. Notre équipe de science des données a réussi à optimiser notre algorithme de telle manière que ÉtagèreMontre vous offre le meilleur des deux mondes: précision et rapidité.

Avec ODIN, notre solution peut identifier chaque SKU de la photo et son emplacement sans que les photos soient téléchargées sur le cloud pour traitement. Cela signifie que les commerciaux peuvent voir instantanément SKU manquants conformément à la liste MSL et identifiez les SKU mal placés (par exemple en plaçant des marques haut de gamme sur l'étagère du bas). ODIN intègre également une solution d'étalonnage de la qualité d'image entièrement hors ligne qui invite le représentant à reprendre les photos si les photos ne sont pas de la qualité optimale pour la reconnaissance des photos.

En ce qui concerne la reconnaissance d'images sur l'appareil, nous recommandons à nos clients de la déployer pour un nombre limité de SKU et de KPI. De plus, étant donné que les contrôles de qualité ne sont pas possibles avec le traitement sur l'appareil, il est important de former un modèle très précis avant le début du projet pour s'assurer que l'IA a vu suffisamment d'échantillons de chaque SKU dans différents environnements et sous différentes orientations. Par conséquent, nous recommandons à notre client une période de configuration plus longue pour collecter des données de haute qualité, puis y former un modèle. Une fois déployé, ODIN a toujours besoin de commentaires humains, et nous demandons aux représentants de fournir des commentaires sur la sortie du modèle afin que l'IA puisse apprendre de ces commentaires et devenir meilleure.

Comment se préparer à la reconnaissance d'image sur l'appareil -

La reconnaissance d'image sur l'appareil offre une portée immense. Pour le mettre en œuvre avec succès, certaines préparations sont nécessaires. Notre recommandation est de commencer par le mode en ligne et de laisser l'IA se former sur une variété d'images SKU avant de passer au mode sur l'appareil. Le CPG peut d'abord déployer ses principaux indicateurs de performance clés de visibilité de la vente au détail en mode sur appareil.

De plus, des informations stratégiques telles que des informations concurrentielles et reconnaissance de l'affichage des prix peuvent être suivis en mode en ligne car cela peut ne pas nécessiter de mesures correctives rapides.

Le CPG doit également s'assurer que ses représentants sur le terrain sont bien formés en ce qui concerne les directives de capture d'images idéales. Cela serait utile pour produire des rapports de reconnaissance de SKU très précis avant de passer au mode sur l'appareil.

La reconnaissance d'image sur l'appareil est l'une des principales fonctionnalités qui aideraient les fabricants de CPG à garder les yeux sur leurs magasins distants même et à améliorer leur exécution au détail. L'impact de la capacité des commerciaux à agir sur les rapports instantanés peut alors conduire à une amélioration de la satisfaction client, conduisant à une meilleure santé de la marque et à de meilleures ventes. Dans l'ère post-COVID, les clients ne donneront pas une seconde chance aux marques dont la disponibilité fluctuera sur les étagères, car ils opteront pour un produit alternatif ou passeront aux canaux de commerce électronique.

Vous avez aimé le blog? Découvrez nos autres blogue pour voir comment la technologie de reconnaissance d'image peut aider les marques à améliorer leurs stratégies d'exécution dans le commerce de détail.

Vous voulez voir comment votre propre marque se comporte sur les étagères? Cliquez sur ici pour planifier une démo gratuite pour ShelfWatch.