Pengenalan Gambar Pada Perangkat untuk Audit Ritel Otomatis: ODIN oleh ParallelDots

Audit ritel otomatis menggunakan Pengenalan Gambar telah mendapatkan popularitas dalam beberapa tahun terakhir dengan banyak produsen CPG yang menguji coba solusi tersebut, atau dalam tahap lanjutan dalam menerapkannya secara global. Namun, sesuai Laporan POI, biaya dan kecepatan adalah masalah utama, mencegah penggunaan solusi pengubah permainan ini secara luas

Image Recognition untuk melacak eksekusi retail menjadi populer karena penghematan waktu dan akurasi yang tinggi dibandingkan dengan pemeriksaan toko manual. Sesuai Laporan Gartner, Teknologi pengenalan gambar dapat meningkatkan produktivitas tenaga penjualan, meningkatkan wawasan kondisi rak, dan membantu mendorong penjualan tambahan. 

Terlepas dari semua manfaat yang telah terbukti dari teknologi Pengenalan Gambar, masalah praktis seperti biaya implementasi yang tinggi dan waktu penyelesaian yang lambat membuat adopsi solusi ini tetap rendah. Kami, di Titik Paralel, telah bekerja keras untuk mengatasi masalah ini dengan meluncurkan solusi pengenalan gambar di perangkat kami, ODIN. Dengan ODIN, semua gambar yang diambil oleh perwakilan akan diproses pada perangkat genggam mereka, sehingga menghilangkan kebutuhan untuk menggunakan koneksi internet aktif dan proses pemeriksaan kualitas untuk menghasilkan laporan KPI. Dalam posting blog ini, kami akan membahas pendekatan kami tentang ODIN dan mengapa ini bisa mengubah permainan untuk perusahaan CPG dari semua ukuran, yang ingin menerapkan program toko yang sempurna.

Mengapa Pengenalan Gambar Pada Perangkat mengubah permainan untuk Audit Ritel Otomatis

Algoritme pengenalan gambar yang canggih saat ini membutuhkan server yang kuat seperti GPU untuk bekerja secara efisien. Jenis daya komputasi ini dapat tersedia melalui infrastruktur komputasi awan modern. Namun, ini berarti bahwa saat perwakilan lapangan mengambil foto di toko, foto-foto ini perlu diunggah ke server cloud sebelumnya rak KPI dapat dihitung dari foto-foto ini. Proses ini bekerja dengan baik di toko dengan koneksi Wi-Fi atau konektivitas internet 4G yang baik.

Namun, konektivitas internet mungkin tidak bagus di banyak area atau dengan toko bawah tanah. Untuk toko seperti itu, mendapatkan laporan KPI tidak mungkin dilakukan saat perwakilan masih berada di toko. Untuk kasus seperti itu, pengenalan gambar pada perangkat dapat bekerja dengan sangat baik untuk memastikan bahwa perwakilan mendapatkan umpan balik atas foto yang mereka ambil, tanpa mengharuskan mereka untuk online. 

Selain itu, teknologi Pengenalan Gambar berfungsi dengan baik pada gambar berkualitas tinggi. Artinya, mungkin perlu beberapa saat agar gambar dapat diunggah, bahkan di area yang menawarkan ketersediaan jaringan yang layak. Ini dapat menyebabkan skenario di mana perwakilan lapangan harus menunggu waktu tambahan sebelum gambar mereka diunggah, diproses di server cloud dan kemudian, hasilnya dikirim kembali ke perwakilan. Pengenalan pada perangkat menghilangkan masalah ini dan menghasilkan hasilnya secara instan. Repetisi lapangan bisa mendapatkan wawasan dalam hitungan detik, daripada menunggu selama 5-10 menit. Ini membuat keluaran lebih dapat ditindaklanjuti, dan tidak ada waktu yang dihabiskan untuk menunggu analisis AI.

Tantangan yang Terlibat-

Untuk melakukan audit ritel otomatis menggunakan pengenalan gambar agar bekerja secara efektif, diperlukan gambar berkualitas baik. Bahkan perubahan kecil pada kualitas gambar dapat menyebabkan penurunan keakuratan saat melakukan pengenalan gambar. Ini penting untuk keakuratan model computer vision yang berjalan di perangkat.

Selain itu, mendapatkan jumlah yang tepat dari data pelatihan berkualitas tinggi untuk tujuan pengenalan gambar bisa menjadi tantangan. Hampir tidak ada produsen CPG yang memiliki database gambar penyimpanan berlabel yang tersedia. Jadi, salah satu rintangan terbesar untuk memulai pengenalan gambar pada perangkat adalah waktu pengerjaan dan biaya yang terkait dengan pembuatan database semacam itu. 

Bahkan, produk baru diluncurkan atau kemasan produk diubah - oleh karena itu pelatihan dan pelatihan ulang AI terus-menerus dilakukan untuk menjaganya tetap diperbarui. Ditambah dengan fakta bahwa jumlah data yang tinggi untuk peluncuran produk baru akan membutuhkan waktu untuk terakumulasi, bahkan sebelum AI dapat dilatih tentang hal yang sama.

Beberapa fakta yang perlu dipertimbangkan sebelum memilih pengenalan gambar di perangkat -

Selalu ada trade-off antara akurasi dan kecepatan wawasan dan oleh karena itu, solusi ideal akan menemukan nilai paling optimal untuk membuat solusi tersebut praktis. Oleh karena itu, eksekutif CPG harus menilai dampak dari akurasi yang lebih rendah atau wawasan yang lebih lambat sebelum memilih pengenalan gambar di perangkat. 

Penting untuk dicatat bahwa di sini kami mengacu pada perbedaan kecil dalam akurasi dan kecepatan karena kami mengakui bahwa solusi yang ideal akan akurat dan sangat cepat. Produsen CPG mungkin dapat menerapkan model yang akurat dengan tingkat SKU 91% pada perangkat dengan waktu dan biaya penyiapan yang lebih rendah, daripada yang diperlukan untuk menerapkan model yang akurat 98%. Namun, jika akurasi tinggi sangat penting bagi mereka (karena insentif pengecer), mereka dapat memilih pengenalan gambar online yang memungkinkan proses pemeriksaan kualitas untuk memastikan akurasi yang lebih tinggi. Namun, ini berarti bahwa perwakilan harus menunggu gambar diunggah, diproses, kualitasnya diperiksa dan kemudian, menunggu laporan diunduh ke perangkat mereka sebelum mereka dapat mengakses KPI. 

Untuk tujuan praktis, solusi 91% juga dapat berfungsi. Solusi akurat 91% berarti bahwa dari 50 SKU unik yang tersedia di rak, AI mungkin tidak memilih ~ 4 SKU dengan benar. Mengingat jumlah waktu di mana perwakilan lapangan dapat menyimpan kesopanan pada pengenalan perangkat, ini mungkin merupakan kompromi yang lebih baik daripada membiarkan mereka menunggu laporan yang dihasilkan dalam mode online (meskipun mungkin 98% akurat). Mereka dapat dengan mudah mengabaikan prediksi salah yang dibuat oleh AI dan mengambil tindakan atas prediksi yang benar.

Menggunakan solusi ini mirip dengan meminta Siri untuk memutar lagu, sebagian besar waktu dia akan memahami dengan benar lagu yang kami minta untuk dia mainkan tetapi pada beberapa kesempatan, dia mungkin tidak memahami permintaan kami dan memainkan lagu yang berbeda. Dalam pengujian saya sendiri dengan Siri, saya menemukan bahwa 80% akurat saat memutar lagu dari perintah suara saya karena dari sepuluh permintaan, dia tidak dapat memenuhi dua permintaan saya. Namun, kompromi yang lebih dari bersedia saya ambil sejak membuka aplikasi, menjelajahi, atau mencari lagu lebih rumit (solusi 100% akurat) daripada meminta Siri untuk memutarnya.

ODIN oleh ParallelDots: Pengenalan Gambar Pada Perangkat untuk Audit Ritel Otomatis

Salah satu batasan terbesar dari solusi audit yang mendukung AI adalah memberikan hasil yang akurat secara instan. Untuk menghasilkan akurasi yang tinggi, daya komputasi yang dibutuhkan tinggi. Namun, perangkat genggam yang digunakan oleh perwakilan memiliki sumber daya komputasi yang terbatas dan seseorang harus berhati-hati untuk menghindari konsumsi baterai yang berlebihan dari perangkat perwakilan agar dia tidak perlu mengisi daya perangkatnya setelah setiap 2 atau 3 kunjungan. Di sinilah solusi ODIN ParallelDots menang. Tim data science kami telah berhasil mengoptimalkan algoritme kami sedemikian rupa RakJam memberi Anda yang terbaik dari kedua dunia - akurasi, dan kecepatan.  

Dengan ODIN, solusi kami dapat mengidentifikasi setiap SKU di foto dan lokasinya tanpa memerlukan foto untuk diunggah ke cloud untuk diproses. Ini berarti repetisi dapat langsung melihat file SKU hilang sesuai daftar MSL dan identifikasi SKU yang salah ditempatkan (seperti meletakkan merek premium di rak paling bawah). ODIN juga memiliki solusi penilaian kualitas gambar offline yang terintegrasi di dalamnya yang meminta perwakilan untuk mengambil ulang foto jika kualitas foto tidak optimal untuk melakukan pengenalan foto.

Dalam hal pengenalan gambar pada perangkat, kami menyarankan klien kami untuk menerapkannya untuk sejumlah SKU dan KPI. Selain itu, karena pemeriksaan kualitas tidak dimungkinkan dengan pemrosesan pada perangkat, penting untuk melatih model yang sangat akurat sebelum memulai proyek untuk memastikan AI telah melihat sampel yang cukup dari setiap SKU di lingkungan yang berbeda dan dalam orientasi yang berbeda. Oleh karena itu, kami merekomendasikan klien kami untuk periode penyiapan yang lebih lama untuk mengumpulkan data berkualitas tinggi dan kemudian melatih model di atasnya. Setelah diterapkan, ODIN masih membutuhkan umpan balik manusia, dan kami meminta perwakilan untuk memberikan umpan balik pada keluaran model sehingga AI dapat belajar dari umpan balik tersebut dan menjadi lebih baik.

Cara mempersiapkan pengenalan gambar di perangkat -

Pengenalan gambar di perangkat menghadirkan cakupan yang sangat luas. Untuk mengimplementasikannya dengan sukses, persiapan tertentu diperlukan. Rekomendasi kami adalah pertama-tama memulai dengan mode online dan biarkan AI dilatih pada berbagai gambar SKU sebelum kemudian beralih ke mode pada perangkat. CPG pertama-tama dapat menerapkan KPI visibilitas ritel teratas mereka dalam mode di perangkat.

Selain itu, wawasan strategis seperti informasi kompetitif dan pengenalan tampilan harga dapat dilacak dalam mode online karena ini mungkin tidak memerlukan tindakan perbaikan yang cepat.

CPG juga harus memastikan bahwa perwakilan lapangan mereka terlatih dengan baik dalam hal pedoman pengambilan gambar yang ideal. Ini akan membantu dalam menghasilkan laporan pengenalan SKU yang sangat akurat sebelum beralih ke mode di perangkat.

Pengenalan gambar pada perangkat adalah salah satu fitur utama yang akan membantu produsen CPG untuk tetap memperhatikan bahkan toko jarak jauh mereka dan meningkatkan eksekusi ritel untuk mereka. Dampak dari perwakilan yang dapat melakukan tindakan laporan instan kemudian dapat mengarah pada peningkatan kepuasan pelanggan, yang mengarah pada peningkatan kesehatan merek dan penjualan yang lebih baik. Di era pasca-COVID, pelanggan tidak akan memberikan kesempatan kedua kepada merek-merek yang memiliki ketersediaan yang berfluktuasi di rak karena mereka akan memilih produk alternatif atau pindah ke saluran e-commerce. 

Menyukai blog? Lihat yang lain blog untuk melihat bagaimana teknologi pengenalan gambar dapat membantu merek meningkatkan strategi pelaksanaannya di ritel.

Ingin melihat kinerja merek Anda di rak? Klik di sini untuk menjadwalkan demo gratis untuk ShelfWatch.

Sumber: https://blog.paralleldots.com/product/automated-retail-audits-on-device-image-recognition-by-paralleldots/