Hoe fotoherkenning helpt bij het bewaken van winkelschappen

Bijgewerkt op 23 oktober 2021

Volgens GartnerIn 2025 zal 90% van de klantinteracties in de detailhandel worden beheerd door AI. De nieuwste ontwikkelingen op het gebied van AI-technologie en deep learning-algoritmen veranderen de detailhandel. Met een groot aantal datasets die duizenden schapafbeeldingen bevatten, kunnen bedrijven nu kunstmatige intelligentie inzetten om de aanwezigheid van hun winkelschappen beter te monitoren.

Bewaking van winkelschappen helpt bij het herkennen van productomstandigheden in schappen zoals beschikbaarheid, assortimenten, ruimte, prijsstelling, promoties en nog veel meer. Het stelt bedrijven in staat onmiddellijk corrigerende maatregelen te nemen. AI-algoritmen kunnen zeker verbeteren schappenplan naleving door nauwkeurige inzichten in de voorraadzichtbaarheid te bieden. Bedrijven zullen de duur van voorraadexemplaren kunnen monitoren en benchmarken, wat zal leiden tot een betere productplaatsing in de winkel.

Hoe schapmonitoring in de detailhandel werkt

Er verandert niet veel in de dagelijkse routine van de veldvertegenwoordigers, afgezien van het feit dat ze meer flexibiliteit hebben wat betreft de kwaliteit van de foto's die ze delen met het analyseteam. De huidige industrie kent veel knelpunten die de uiteindelijke inzichten beïnvloeden, waarbij het niet analyseren van onduidelijke beelden een groot probleem is. Dit leidt tot een toename van de tijd en kosten voor het bedrijf om nieuwe beelden op te halen voor nieuwe analyse.

Vertegenwoordigers in het veld hoeven alleen maar op de foto's van alle relevante planken te klikken en deze aan hen door te geven monitoringsysteem voor winkelschappen. Een van de hindernissen in het geautomatiseerde retailauditproces is obstructie wanneer veldagenten op schapfoto's klikken. Ook dit wordt verzorgd door schapmonitoring in de detailhandel, omdat het systeem snel leert met minimale traininginput, en de hele operatie zeer schaalbaar wordt. Het verlies van foto's als gevolg van obstructie tijdens het fotograferen kan dus worden genegeerd.

Het AI-algoritme analyseert alle soorten input om inzichten te leveren. De mogelijkheid om beelden van slechte kwaliteit te analyseren vergroot de geloofwaardigheid van de uiteindelijke resultaten. Traditionele systemen hebben moeite met het analyseren van onduidelijke beelden/beelden met weinig licht, wat niet het geval is bij het gebruik van AI. Verwarring tussen op elkaar lijkende producten is een ander controversieel probleem dat wordt opgelost wanneer AI wordt ingezet in uw fotoherkenningssysteem geautomatiseerde retailaudits.

ParallelStippen heeft de kracht van AI benut om ShelfWatch te creëren, een AI-schapanalyseservice die veldvertegenwoordigers flexibiliteit biedt en bedrijven schaalbaarheid. ShelfWatch elimineert alle blokkades in het traditionele auditproces voor de detailhandel, dat momenteel de inkomsten van de CPG- en retailmerken aantast. De omvang van de voordelen ervan kan volledig worden begrepen door elke stakeholder in het retailauditproces te analyseren.

Verkoop-/veldvertegenwoordigers –

De vertegenwoordigers worden geconfronteerd met grote uitdagingen bij het verzamelen van gegevens in de vorm van foto's en video's. Er is een gebrek aan uniformiteit in de stapelpatronen bij detailhandelaren, wat leidt tot verschillende soorten afbeeldingen op het gebied van voorraadoriëntatie, verlichting en positionering. Veldagenten hebben moeite met het handhaven van consistentie met de gegevens die zij verzamelen omdat het langer duurt om dergelijke niet-standaardfoto's te analyseren. En bij het nastreven van standaardbeelden vallen veldagenten ten prooi aan andere vormen van menselijke perceptievooroordelen.

ShelfWatch helpt de vertegenwoordigers in het veld door hen de flexibiliteit te geven om alle mogelijke foto's te maken in elke richting, belichting of positie. Een dergelijke flexibiliteit is mogelijk omdat ShelfWatch niet afhankelijk is van standaard uniforme afbeeldingen om nauwkeurige output te geven. Met behulp van de modernste AI-algoritmen kan ShelfWatch zelfs de meest vervormde beelden analyseren omdat het gebruik maakt van AI-packs-herkenningstechnologie.

Retailpartners –

Ook voor retailers zijn compliance-audits een lastige opgave. Het voldoen aan het vooraf ingestelde schappenplan is onderdeel van de serviceovereenkomst tussen de retailer en de merken. Als bij de eindafrekening blijkt dat de detailhandelaren de overeenkomst schenden door te weinig producten te tonen, of door de producten niet correct te positioneren, kan dit (in extreme gevallen) tot boetes en zelfs ontbinding van contracten leiden.

Omdat ShelfWatch veldvertegenwoordigers in staat stelt flexibel te zijn bij het verzamelen van gegevens, helpt het retailers ook om aan de serviceovereenkomsten te voldoen, omdat alle door de vertegenwoordigers verzamelde beelden worden geanalyseerd, ongeacht het licht, de positionering en de oriëntatie van de producten op het schap. Dit bespaart detailhandelaren tegen valse auditrapporten, want zelfs als hun schappen niet goed gestapeld zijn wat betreft positionering en verlichting, zal Shelf Watch alle objecten op het schap detecteren, waardoor het aantal gevallen van niet-naleving als gevolg van slechte gegevensverzameling wordt verminderd.

Merken

CPG-fabrikanten profiteren van onze AI-aangedreven oplossing. Ze kunnen alle soorten foto's van hun retailaudits analyseren met behulp van Plankhorloge. It helpt CPG-merken bij het berekenen van hun Perfecte winkel-KPI's, en krijg direct inzichten en implementeer deze terwijl u in de winkel bent.

Vond je de blog leuk? Lees dit anders blog om te begrijpen hoe AI de retailstrategie wint.

Wil je zien hoe je eigen merk presteert in de schappen? Klik hier om een ​​gratis demo in te plannen.