ShelfWatch - תוכנת ביצוע קמעונאית מבוססת זיהוי תמונה חכמה

צומת המקור: 1577461

עודכן ב-10 בנובמבר, 2021

מדף עם מוצר מוצרי צריכה בסופרמרקט

ההווה KPI של סידור מדף הערכות באמצעות תוכנת הביצוע הקמעונאית הרגילה שלך, גוזלות לעתים קרובות זמן וקשות לניהול סביב שיא העבודה. נדרשת קלט ידני מדוקדק כדי להבטיח שהמוצרים על המדף תואמים לפלנוגרמה. יתרה מכך, היעדר הנראות והנתונים העדכניים מונעים ממותגי מוצרי צריכה להתמודד עם בעיות באופן יזום. במהלך תקופת מכירות מכרעת, מחסור בנתונים עלול להוביל להחלטות לא אופטימליות.

פי ללמוד, "כ-81% מהחברות דיווחו שהן לא מרוצות מהיכולת שלהן לבצע בקמעונאות. עוד 86% אמרו שהם לא מרוצים ממאמצי קידום הסחר שלהם".

עם מדף, ניתן להתמודד עם כל היתירות הללו די בקלות. ShelfWatch, כלי רב עוצמה וללא טרחה, מסוגל לפעול במגוון רחב של ערוצים קמעונאיים. בבלוג זה, אנו מדריכים אותך על כל ההיבטים של ShelfWatch שמבליטים אותו בין פתרונות תוכנת זיהוי התמונות הקיימים בקמעונאות.

1. משוב בזמן אמת ואיכות תמונה לא מקוונת

תוכנת ביצוע קמעונאית משתמשת בזיהוי תמונות ומצלמת תמונות עם אפליקציה לניידתוכנת ביצוע קמעונאית משתמשת בזיהוי תמונות ומצלמת תמונות עם אפליקציה לנייד

איכות תמונה היא קריטריון חשוב כדי להבטיח את הדיוק הגבוה של זיהוי תמונה. זיהוי רמת מק"ט או תאימות להצגת מחירים אפשרי רק כאשר התמונה אינה מטושטשת וללא סנוור. לאפליקציית ShelfWatch לנייד יש אלגוריתם איכות תמונה בזמן אמת שיכול לזהות תמונות באיכות ירודה ולהורות לנציג המכירות לצלם תמונות מחדש. זיהוי זה פועל במכשיר ולכן זמין במצב לא מקוון.

נציגי המכירות יכולים בקלות לצלם תמונות באיכות גבוהה גם באזור ללא אינטרנט והתמונות מועלות אוטומטית בכל פעם שיש חיבור לאינטרנט. מניסיוננו בעבודה עם CPG ומותגי קמעונאות, גילינו שלפני השימוש ב-ShelfWatch, 15-20% מהתמונות שנאספו בשטח היו באיכות נמוכה מכדי לנתח על ידי AI או במקרים רבים גם על ידי בני אדם. זה מוביל לרוב לעיכובים מיותרים ולניתוח לא שלם. תוכנת ביצוע קמעונאית קיימת מטילה את האשמה על נציגי המכירות במקרה של תמונות מטושטשות או זוהרות, ומטילה את האחריות על CPG ומותגי קמעונאות להכשיר את הנציגים העסוקים שלהם.

תוכנת ביצוע קמעונאית אידיאלית המשתמשת בזיהוי תמונות, צריכה להיות חזקה וחכמה כדי להבטיח איסוף תמונות באיכות גבוהה ללא כל הכשרה נוספת עבור הנציגים.

2. זיהוי תמונה במכשיר (ODIN)

אחת המגבלות הגדולות ביותר של פתרונות ביקורת התומכים בבינה מלאכותית היא לתת תוצאות מדויקות באופן מיידי. כדי לספק דיוק גבוה, כוח המחשוב הנדרש הוא גבוה. עם זאת, למכשירי כף יד המשמשים נציגים יש משאבי מחשוב מוגבלים וצריך להיזהר מצריכת סוללה מופרזת של המכשיר של הנציגים שמא יצטרך לטעון את המכשיר שלו אחרי כל 2 או 3 ביקורים. זה איפה פתרון ה-ODIN של ParallelDots מנצח. צוות מדעי הנתונים שלנו הצליח לייעל את האלגוריתם שלנו בצורה כזו ש-ShelfWatch נותן לך את הטוב משני העולמות - דיוק ומהירות.

תוכנת ביצוע קמעונאית לזיהוי תמונות במכשיר ויתרונותיהתוכנת ביצוע קמעונאית לזיהוי תמונות במכשיר ויתרונותיה

זיהוי תמונה במכשיר (ODIN) הוא ההצעה המתקדמת ביותר מאורווה ParallelDots. הוא מאפשר דיווח מיידי מתמונות מדף שצולמו על ידי נציגי השטח על ידי עיבודם במכשיר היד שלהם. ODIN מהיר ועובד במצב לא מקוון לחלוטין. הרצנו פיילוטים עם כמה לקוחות עבור תכונת הזיהוי במכשיר שהוכרזה לאחרונה. התוצאות מעודדות ועלו על ציפיות הלקוח. תכונת ODIN היא הצעה ייחודית ועדות לפלטפורמת זיהוי התמונות המעולה שלנו עבור סביבה קמעונאית. אנו מעודדים לקוחות להשתמש בתכונת ODIN עבור דומיינים שבהם מעורבים מספר נמוך של SKUs והם עוברים שינויים נדירים.

3. ביטול כפילות

תוכנת ביצוע קמעונאית עם זיהוי תמונה משתמשת בטכניקת תמונה - תפירהתוכנת ביצוע קמעונאית עם זיהוי תמונה משתמשת בטכניקת תמונה - תפירה

לעתים קרובות מאוד קורה שבזמן איסוף נתונים, נציגי המכירות מצלמים מספר תמונות של אותו מדף מזוויות שונות. זוהי בעיה רצינית מכיוון שהיא עלולה להוביל לספירה כפולה של מדדי מדף (כגון חלק מהמדף) אשר בתורו, משפיע על תובנות. ShelfWatch שולט בבעיה זו ביעילות רבה. אלגוריתם ביטול הכפילות שלו משפר את איכות הנתונים על ידי זיהוי תמונות כפולות והבטחה שהמדדים אינם סופרים פעמיים.

מינפנו גם את האלגוריתם הזה כדי לזהות הונאה בביקורות קבועות של ביצוע קמעונאי עבור חברת טבק. מבקרי השטח היו שולחים לעתים קרובות תמונה ישנה כדי לציין שהם סיימו את הביקורת. באמצעות אלגוריתם ביטול הכפילות, הצלחנו להציג מקרים כאלה ולהפחית את האפשרויות של הונאה בביקורות בשטח. בתוך שלושה חודשים משילוב ShelfWatch, חל שיפור של 90% באיכות הנתונים שהוביל לתובנות אמינות.

4. אינטגרציה עם תוכנות ביצוע קמעונאיות אחרות - אפליקציות SFA ו-DMS

בעוד ש-ShelfWatch מספקת אפליקציה משלה ללכידת נתונים בשטח, אנו מבינים שנציגי מכירות כבר משתמשים במכשיר כף יד שסופק על ידי ספקי האוטומציה של Salesforce וימצאו מסורבל לעבור בין מספר אפליקציות בשטח.

יש לנו ShelfWatch משולב עם ספקי SFA מרובים וכל התכונות של ShelfWatch כמו בדיקות איכות תמונה בזמן אמת ותובנות מדף בזמן אמת פועלות גם בפתרון המשולב.

5. הגדרה מהירה ומהירה לאימון בינה מלאכותית

מתחת למכסה המנוע, רוב מנוע זיהוי התמונות מפעיל רשת עצבית לזיהוי SKUs וחומרי POS בחנויות קמעונאיות. עם זאת, רשתות עצביות, במיוחד רשתות עצביות עמוקות, ידועות לשמצה בכך שהן זקוקות לכמות גדולה של נתונים כדי לאמן אותן ולקבל דיוק של 90% ומעלה.

כמו כן, יש להוסיף הערות ידנית לנתוני האימון לפני שניתן יהיה להזין אותם לרשת העצבית. דוגמה לתמונה מוערת מוצגת להלן.

תיוג תמונות המנותחות על ידי תוכנת ביצוע קמעונאית מבוססת זיהוי תמונותתיוג תמונות המנותחות על ידי תוכנת ביצוע קמעונאית מבוססת זיהוי תמונות

עם זאת, ליצרן גדול יהיו 200-300 מק"טים במספר קטגוריות של המותגים שלו ועוד 100-200 מק"טים שאולי ירצו לעקוב אחריהם עבור המתחרים שלהם. יצירת מערך נתונים עם הערות ידני המכסה 300-500 מק"ט היא משימה מייגעת ויקרה מאוד.

לרוב ספקי זיהוי התמונות ייקח זמן הגדרה של 90-120 יום במהלכו הם אוספים ומעירים נתונים באופן ידני. כפי שאתם יכולים לתאר לעצמכם, זהו תהליך יקר וגוזל זמן ואינו מתאים להתאמה השקות מוצרים חדשים או בזמן שיא המבצעים.

הגדרת Shelfwatch היא תהליך פשוט בן שני שלבים. ראשית, אתה צריך לשתף רק תמונה אחת של SKUs שברצונך לעקוב אחריהם. ושנית, בקש מנציגי השטח שלך לצלם תמונות של המדפים של החנות הקמעונאית באמצעות האפליקציה שלנו לנייד. האלגוריתם של ShelfWatch מאומן באופן כזה הוא מנתח את התמונות באופן אוטומטי כדי לתת ניתוח תחרותי כמו נתח מדף ותאימות לפלנוגרמה.

6. עלות תועלת

ShelfWatch נוצר עם טכנולוגיה חדישה לתת תוצאות מיטביות מבלי להוציא הרבה כסף. עם הטכנולוגיה המעולה שלנו, אנו תומכים בעלויות תפעול נמוכות בגלל פחות המשאבים הנדרשים בהגדרת ShelfWatch. האלגוריתם שלנו שולט באיכות הנתונים ברמת האיסוף כדי להוציא את הניתוח הסטנדרטי והאובייקטיבי.

7. התראות WhatsApp -

הערך האמיתי מ-ShelfWatch נגזר כאשר כל המקרים של ביצוע קמעונאי מתחת לרמה מודגשים באופן מיידי לבעלי העניין הנכונים. אנו שולחים התראות אוטומטיות באמצעות וואטסאפ/מייל לראשי צוותי שטח להתערבויות מהירות. הצעה חדשה זו הופכת את תובנות ShelfWatch למעשיות יותר - מה שמוביל ל- מנגנון משוב חזק בין הקמעונאי, נציג השטח ומטה ה-CPG.

אישור ISO 27001:2013 -

בשמחה עצומה אנו מודיעים שאנחנו עכשיו ISO 27001: מוסמך 2013. כדי להשיג את ההסמכה, תאימות האבטחה של ParallelDots אומתה על ידי חברת ביקורת בלתי תלויה לאחר שהדגימה גישה מתמשכת ושיטתית לניהול והגנה על נתוני חברות ולקוחות. תעודה זו היא עדות למחויבות שלנו לפרטיות ואבטחת מידע.

האם הבלוג הזה היה שימושי? קרא את זה בלוג כדי לדעת יותר על האופן שבו מוצרי ParallelDots מספקים פתרונות יעילים לשיטות ביצוע קמעונאיות מסורתיות כדי לשפר את הנוכחות והנראות של המותג.

רוצה לראות איך הביצועים של המותג שלך על המדפים? לחץ על כאן לתזמן הדגמה בחינם.

ל-Ankit יש למעלה משבע שנות ניסיון יזמי המשתרע על פני תפקידים מרובים בפיתוח תוכנה וניהול מוצר עם AI בליבה. כיום הוא המייסד וה-CTO של ParallelDots. ב-ParallelDots, הוא עומד בראש צוותי המוצר וההנדסה לבניית פתרונות ארגוניים שנפרסים על פני מספר לקוחות Fortune 100.
בוגר IIT Kharagpur, Ankit עבד עבור Rio Tinto באוסטרליה לפני שעבר חזרה להודו כדי להתחיל את ParallelDots.
פוסטים אחרונים מאת Ankit Singh (לראות את הכל)

בול זמן:

עוד מ נקודות מקבילות