Riconoscimento delle immagini sul dispositivo per audit automatici di vendita al dettaglio: ODIN di ParallelDots

Gli audit automatizzati al dettaglio utilizzando il riconoscimento delle immagini hanno guadagnato popolarità negli ultimi anni con molti produttori di beni di largo consumo che stanno sperimentando la soluzione o sono in fasi avanzate di implementazione a livello globale. Tuttavia, secondo il Rapporto PDI, i costi e la velocità rappresentano le preoccupazioni principali, impedendo l'adozione diffusa di questa soluzione rivoluzionaria

Riconoscimento delle immagini per monitorare l'esecuzione della vendita al dettaglio sta diventando popolare grazie al risparmio di tempo e all'elevata precisione che può offrire rispetto ai controlli manuali del negozio. Come da Rapporto Gartner, La tecnologia di riconoscimento delle immagini può aumentare la produttività della forza vendita, migliorare le informazioni sulle condizioni degli scaffali e contribuire a incrementare le vendite. 

Nonostante tutti i vantaggi comprovati della tecnologia di riconoscimento delle immagini, problemi pratici come gli elevati costi di implementazione e i tempi di consegna lenti hanno mantenuto bassa l’adozione di questa soluzione. Noi, a Punti paralleli, hanno lavorato duramente per cercare di affrontare questi problemi lanciando la nostra soluzione di riconoscimento delle immagini sul dispositivo, ODIN. Con ODIN, tutte le immagini catturate dai rappresentanti verranno elaborate sul loro dispositivo portatile, eliminando così la necessità di utilizzare una connessione Internet attiva e processi di controllo qualità per generare report KPI. In questo post del blog discuteremo del nostro approccio su ODIN e del motivo per cui questo potrebbe cambiare le regole del gioco per le aziende di beni di largo consumo di tutte le dimensioni, che desiderano implementare le loro programmi di negozio perfetti.

Perché il riconoscimento delle immagini sul dispositivo sta cambiando le regole del gioco per gli audit automatizzati al dettaglio

Gli attuali algoritmi di riconoscimento delle immagini all'avanguardia necessitano di server potenti come le GPU per funzionare in modo efficiente. Questo tipo di potenza di calcolo può essere resa disponibile attraverso la moderna infrastruttura di cloud computing. Tuttavia, ciò significa che, poiché i rappresentanti sul campo scattano foto nel negozio, queste foto devono essere caricate sui server cloud prima KPI a scaffale può essere calcolato da queste foto. Questo processo funziona bene nei negozi con connessione Wi-Fi o buona connettività Internet 4G.

Tuttavia, la connettività Internet potrebbe non essere buona in molte aree o nei negozi sotterranei. Per tali negozi, non è possibile ottenere un report KPI mentre il rappresentante è ancora nel negozio. In questi casi, il riconoscimento delle immagini sul dispositivo potrebbe funzionare molto bene per garantire che gli agenti ricevano feedback sulle foto che stanno scattando, senza richiedere loro di andare online. 

Inoltre, la tecnologia di riconoscimento delle immagini funziona bene con immagini di alta qualità. Ciò significa che potrebbe volerci un po’ di tempo prima che le immagini vengano caricate, anche in aree che offrono una discreta disponibilità di rete. Ciò può portare a scenari in cui i rappresentanti sul campo devono attendere ulteriore tempo prima che le loro immagini vengano caricate, elaborate nel server cloud e quindi i risultati vengano inviati al rappresentante. Il riconoscimento sul dispositivo elimina questo problema e produce il risultato immediatamente. I rappresentanti sul campo ottengono informazioni dettagliate in pochi secondi, anziché attendere 5-10 minuti. Ciò rende l'output più utilizzabile e non si perde tempo in attesa dell'analisi dell'intelligenza artificiale.

Sfide coinvolte-

Per condurre controlli automatizzati sulla vendita al dettaglio utilizzando il riconoscimento delle immagini per funzionare in modo efficace, sono necessarie immagini di buona qualità. Anche piccoli cambiamenti nella qualità dell'immagine possono portare a un calo di precisione durante l'esecuzione del riconoscimento dell'immagine. Ciò è fondamentale per l'accuratezza del modello di visione artificiale in esecuzione sul dispositivo.

Inoltre, ottenere la giusta quantità di dati di addestramento di alta qualità ai fini del riconoscimento delle immagini può essere difficile. Quasi nessuno dei produttori di beni di largo consumo dispone di un database etichettato di immagini di negozi prontamente disponibile. Pertanto, uno dei maggiori ostacoli per iniziare a utilizzare il riconoscimento delle immagini sul dispositivo sono i tempi e i costi associati alla creazione di un database di questo tipo. 

Inoltre, vengono lanciati nuovi prodotti o la confezione del prodotto viene modificata, pertanto viene eseguita una formazione e una riqualificazione costante dell’intelligenza artificiale per mantenerla aggiornata. A ciò si aggiunge il fatto che l’elevata quantità di dati per il lancio di nuovi prodotti richiederebbe del tempo per accumularsi, prima ancora che l’intelligenza artificiale possa essere addestrata sugli stessi.

Alcuni fatti da considerare prima di optare per il riconoscimento delle immagini sul dispositivo:

Esiste sempre un compromesso tra accuratezza e velocità degli insight e pertanto una soluzione ideale troverà il valore ottimale per rendere pratica la soluzione. Pertanto, i dirigenti del settore dei beni di largo consumo dovranno valutare quale sarà l’impatto di una minore precisione o di insight più lenti prima di optare per il riconoscimento delle immagini sul dispositivo. 

È importante notare che qui ci riferiamo a piccole differenze di precisione e velocità poiché riconosciamo che una soluzione ideale sarà accurata e molto veloce. Un produttore di beni di largo consumo potrebbe essere in grado di implementare sul dispositivo un modello con una precisione del livello SKU del 91% con tempi e costi di configurazione inferiori rispetto a quelli necessari per implementare un modello con una precisione del 98%. Tuttavia, se per loro è fondamentale un'elevata precisione (a causa di incentivi per i rivenditori), possono optare per il riconoscimento delle immagini online che consente un processo di controllo della qualità per garantire una maggiore precisione. Tuttavia, ciò significa che i rappresentanti dovranno attendere che le immagini vengano caricate, elaborate, controllate la qualità e quindi attendere che il report venga scaricato sul proprio dispositivo prima di poter accedere ai KPI. 

Per scopi pratici può funzionare anche una soluzione al 91%. Una soluzione accurata al 91% significherebbe che, su un totale di 50 SKU unici disponibili sullo scaffale, l'intelligenza artificiale potrebbe non selezionare correttamente circa 4 SKU. Considerato il tempo che gli agenti sul campo possono risparmiare per il riconoscimento sul dispositivo, potrebbe essere un compromesso migliore piuttosto che lasciarli attendere i report generati in modalità online (anche se potrebbero essere accurati al 98%). Possono semplicemente ignorare le previsioni errate fatte dall’IA e agire su quelle corrette.

Utilizzare questa soluzione è simile a chiedere a Siri di riprodurre una canzone, la maggior parte delle volte capirà correttamente la canzone che le abbiamo chiesto di riprodurre ma in alcune occasioni potrebbe non comprendere la nostra richiesta e riprodurre una canzone diversa. Nel mio test con Siri, ho riscontrato che è accurato all'80% quando si tratta di riprodurre brani tramite il mio comando vocale poiché su dieci richieste, non è riuscita a soddisfare le mie due richieste. Tuttavia, un compromesso che sono più che disposto a accettare poiché aprire un'app, navigare o cercare un brano è più complicato (soluzione accurata al 100%) che chiedere a Siri di riprodurlo.

ODIN di ParallelDots: riconoscimento delle immagini sul dispositivo per controlli di vendita al dettaglio automatizzati

Uno dei maggiori limiti delle soluzioni di audit basate sull’intelligenza artificiale è quello di fornire risultati accurati all’istante. Per garantire un'elevata precisione, la potenza di calcolo richiesta è elevata. Tuttavia, i dispositivi portatili utilizzati dagli agenti hanno risorse di elaborazione limitate e bisogna fare attenzione a evitare un consumo eccessivo della batteria del dispositivo degli agenti per non dover caricare il dispositivo dopo ogni 2 o 3 visite. È qui che vince la soluzione ODIN di ParallelDots. Il nostro team di data science è riuscito a ottimizzare il nostro algoritmo in questo modo Orologio da scaffale ti offre il meglio di entrambi i mondi: precisione e velocità.  

Con ODIN, la nostra soluzione è in grado di identificare ogni SKU nella foto e la sua posizione senza richiedere che le foto vengano caricate nel cloud per l'elaborazione. Ciò significa che gli agenti possono vedere immediatamente il file SKU mancanti secondo l'elenco MSL e identificare gli SKU posizionati in modo errato (ad esempio mettendo i marchi premium nello scaffale più basso). ODIN dispone inoltre di una soluzione di classificazione della qualità delle immagini completamente offline integrata che invita il rappresentante a scattare nuovamente le foto se le foto non sono della qualità ottimale per eseguire il riconoscimento delle foto.

Quando si tratta del riconoscimento delle immagini sul dispositivo, consigliamo ai nostri clienti di implementarlo per un numero limitato di SKU e KPI. Inoltre, poiché i controlli di qualità non sono possibili con l’elaborazione sul dispositivo, è importante addestrare un modello molto accurato prima dell’inizio del progetto per garantire che l’intelligenza artificiale abbia visto campioni sufficienti di ogni SKU in ambienti diversi e con orientamenti diversi. Pertanto, consigliamo al nostro cliente un periodo di configurazione più lungo per raccogliere dati di alta qualità e quindi addestrare un modello su di essi. Una volta distribuito, ODIN necessita ancora del feedback umano e chiediamo ai rappresentanti di fornire feedback sull'output del modello in modo che l'intelligenza artificiale possa imparare da tali feedback e migliorare.

Come prepararsi per il riconoscimento delle immagini sul dispositivo –

Il riconoscimento delle immagini sul dispositivo porta con sé una portata immensa. Per implementarlo con successo, sono necessari alcuni preparativi. Il nostro consiglio è di iniziare innanzitutto con la modalità online e lasciare che l'intelligenza artificiale venga addestrata su una varietà di immagini SKU prima di passare alla modalità sul dispositivo. Il settore dei beni di largo consumo può prima implementare i principali KPI di visibilità al dettaglio in modalità su dispositivo.

Inoltre, approfondimenti strategici come informazioni sulla concorrenza e riconoscimento della visualizzazione del prezzo possono essere monitorati in modalità online poiché ciò potrebbe non richiedere azioni correttive rapide.

Il CPG dovrebbe inoltre garantire che i propri rappresentanti sul campo siano ben addestrati per quanto riguarda le linee guida per l'acquisizione di immagini ideali. Ciò sarebbe utile per produrre report di riconoscimento SKU altamente accurati prima di passare alla modalità sul dispositivo.

Il riconoscimento delle immagini sul dispositivo è una delle funzionalità chiave che aiuterebbe i produttori di beni di largo consumo a tenere d'occhio anche i loro negozi remoti e a migliorare l'esecuzione della vendita al dettaglio. L'impatto della capacità dei rappresentanti di mettere in atto i report istantanei può quindi portare a una maggiore soddisfazione del cliente, con conseguente miglioramento della salute del marchio e migliori vendite. Nell’era post-COVID, i clienti non daranno una seconda possibilità a quei brand che hanno disponibilità fluttuanti sugli scaffali poiché opteranno per un prodotto alternativo o si sposteranno sui canali e-commerce. 

Ti è piaciuto il blog? Dai un'occhiata al nostro altro blog per vedere come la tecnologia di riconoscimento delle immagini può aiutare i marchi a migliorare le loro strategie di esecuzione nella vendita al dettaglio.

Vuoi vedere come si esibisce il tuo marchio sugli scaffali? Clic qui per programmare una demo gratuita per ShelfWatch.

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