Beeldherkenning op het apparaat voor geautomatiseerde retailaudits: ODIN door ParallelDots

Heruitgegeven door Plato

volgers: 0

Geautomatiseerde retailaudits met behulp van Image Recognition zijn de afgelopen jaren aan populariteit gewonnen, waarbij veel CPG-fabrikanten de oplossing hebben uitgeprobeerd of zich in een vergevorderd stadium van de wereldwijde implementatie ervan bevinden. Echter, volgens de POI-rapport, kosten en snelheid zijn de belangrijkste zorgen, waardoor de wijdverbreide acceptatie van deze game-changer-oplossing wordt voorkomen

Beeldherkenning voor het volgen van winkeluitvoering wordt populair vanwege de tijdwinst en hoge nauwkeurigheid die het kan leveren in vergelijking met handmatige winkelcontroles. Vanaf Gartner-rapport, Beeldherkenningstechnologie kan de productiviteit van het verkoopteam verhogen, inzicht in de schapconditie verbeteren en extra verkopen stimuleren.

Ondanks alle bewezen voordelen van beeldherkenningstechnologie, hebben praktische problemen, zoals hoge implementatiekosten en trage doorlooptijden, de acceptatie van deze oplossing laag gehouden. Wij, bij ParallelStippen, hebben hard gewerkt om deze problemen aan te pakken door onze ODIN-oplossing voor beeldherkenning op het apparaat te lanceren. Met ODIN worden alle beelden die door vertegenwoordigers zijn gemaakt, verwerkt op hun handheld-apparaat, waardoor het gebruik van een actieve internetverbinding en kwaliteitscontroleprocessen om KPI-rapporten te genereren overbodig wordt. In deze blogpost bespreken we onze benadering van ODIN en waarom dit game-changing zou kunnen zijn voor CPG-bedrijven van elke omvang, die hun perfecte winkelprogramma's.

Waarom beeldherkenning op het apparaat het spel verandert voor geautomatiseerde retailaudits

De huidige geavanceerde algoritmen voor beeldherkenning hebben krachtige servers zoals GPU's nodig om efficiënt te kunnen werken. Dit type rekenkracht kan beschikbaar worden gemaakt via de moderne cloud computing-infrastructuur. Dit betekent echter dat, aangezien veldvertegenwoordigers foto's maken in de winkel, deze foto's eerder naar de cloudservers moeten worden geüpload plank KPI's kan worden berekend op basis van deze foto's. Dit proces werkt goed in winkels met een wifi-verbinding of een goede 4G-internetverbinding.

De internetverbinding is echter mogelijk niet goed in veel gebieden of met ondergrondse winkels. Voor dergelijke winkels is het niet mogelijk om een KPI-rapport te krijgen terwijl de vertegenwoordiger nog in de winkel is. In dergelijke gevallen kan beeldherkenning op het apparaat heel goed werken om ervoor te zorgen dat vertegenwoordigers feedback krijgen over de foto's die ze maken, zonder dat ze online hoeven te gaan.

De beeldherkenningstechnologie werkt ook goed op afbeeldingen van hoge kwaliteit. Wat betekent dat het even kan duren voordat de afbeeldingen zijn geüpload, zelfs in gebieden met een behoorlijke netwerkbeschikbaarheid. Dit kan leiden tot scenario's waarin veldvertegenwoordigers extra tijd moeten wachten voordat hun afbeeldingen worden geüpload, verwerkt in de cloudserver en vervolgens worden de resultaten teruggestuurd naar de vertegenwoordiger. Herkenning op het apparaat elimineert dit probleem en produceert onmiddellijk het resultaat. Vertegenwoordigers in het veld krijgen binnen enkele seconden inzichten in plaats van 5-10 minuten te wachten. Dit maakt de output actiegerichter en er wordt geen tijd besteed aan het wachten op AI-analyse.

Betrokken uitdagingen

Om geautomatiseerde retailaudits uit te voeren met behulp van beeldherkenning om effectief te werken, zijn afbeeldingen van goede kwaliteit vereist. Zelfs kleine veranderingen in de beeldkwaliteit kunnen leiden tot een verminderde nauwkeurigheid bij het uitvoeren van beeldherkenning. Dit is van het grootste belang voor de nauwkeurigheid van het computer vision-model dat op het apparaat wordt uitgevoerd.

Ook het verkrijgen van de juiste hoeveelheid trainingsgegevens van hoge kwaliteit voor beeldherkenning kan een uitdaging zijn. Bijna geen van de CPG-fabrikanten heeft een gemakkelijk verkrijgbare, gelabelde database met winkelafbeeldingen. Een van de grootste hindernissen om aan de slag te gaan met beeldherkenning op het apparaat, zijn dus de doorlooptijd en kosten die gepaard gaan met het maken van een dergelijke database.

Bovendien, nieuwe producten worden gelanceerd of de verpakking van het product is veranderd - daarom wordt er constant getraind en bijgeschoold om AI up-to-date te houden. Voeg daarbij het feit dat de grote hoeveelheid gegevens voor de lancering van nieuwe producten enige tijd nodig zou hebben om te verzamelen, voordat de AI er zelfs maar op kan worden getraind.

Enkele feiten die u moet overwegen voordat u kiest voor beeldherkenning op het apparaat -

Er is altijd een afweging tussen nauwkeurigheid en snelheid van inzichten en daarom zal een ideale oplossing de meest optimale waarde vinden om de oplossing praktisch te maken. Daarom zullen CPG-leidinggevenden moeten beoordelen wat de impact zal zijn van een lagere nauwkeurigheid of tragere inzichten voordat ze kiezen voor beeldherkenning op het apparaat.

Het is belangrijk op te merken dat we hier verwijzen naar kleine verschillen in nauwkeurigheid en snelheid, aangezien we erkennen dat een ideale oplossing nauwkeurig en zeer snel zal zijn. Een CPG-fabrikant kan mogelijk een 91% nauwkeurig model op SKU-niveau op het apparaat implementeren met lagere insteltijd en kosten dan nodig is om een 98% nauwkeurig model te implementeren. Als een hoge nauwkeurigheid echter van cruciaal belang is voor hen (vanwege prikkels voor winkeliers), kunnen ze kiezen voor online beeldherkenning, wat een kwaliteitscontroleproces mogelijk maakt om een hogere nauwkeurigheid te garanderen. Dit betekent echter dat vertegenwoordigers moeten wachten tot de afbeeldingen zijn geüpload, verwerkt en op kwaliteit zijn gecontroleerd en vervolgens moeten wachten tot het rapport op hun apparaat is gedownload voordat ze toegang kunnen krijgen tot de KPI's.

Voor praktische doeleinden kan een 91% -oplossing ook werken. Een 91% nauwkeurige oplossing zou betekenen dat, van laten we zeggen, 50 unieke SKU's beschikbaar op de plank, AI mogelijk niet ~ 4 SKU's correct kiest. Gezien de hoeveelheid tijd die de veldvertegenwoordigers kunnen besparen op herkenning op het apparaat, kan dit een beter compromis zijn dan hen te laten wachten op de rapporten die in de online modus worden gegenereerd (zelfs als deze voor 98% nauwkeurig zijn). Ze kunnen eenvoudig de onjuiste voorspellingen van de AI negeren en actie ondernemen tegen de juiste.

Het gebruik van deze oplossing is vergelijkbaar met het vragen van Siri om een nummer af te spelen, meestal zal ze het nummer dat we haar hebben gevraagd goed begrijpen, maar in een paar gevallen begrijpt ze ons verzoek misschien niet en speelt ze een ander nummer. In mijn eigen test met Siri, heb ik ontdekt dat het 80% accuraat is als het gaat om het afspelen van nummers via mijn spraakopdracht, aangezien van de tien verzoeken ze niet aan mijn twee verzoeken kon voldoen. Toch is een compromis dat ik meer dan bereid ben te nemen, aangezien het openen van een app, bladeren of zoeken naar een nummer omslachtiger is (100% nauwkeurige oplossing) dan Siri vragen om het af te spelen.

ODIN door ParallelDots: beeldherkenning op het apparaat voor geautomatiseerde retailaudits

ODIN by ParallelDots - beeldherkenning op het apparaat voor geautomatiseerde retailaudits met zowel nauwkeurigheid als snelheid voor CPG

Een van de grootste beperkingen van AI-gebaseerde auditoplossingen is om direct nauwkeurige resultaten te geven. Om een hoge nauwkeurigheid te leveren, is er veel rekenkracht nodig. Handheld-apparaten die door vertegenwoordigers worden gebruikt, hebben echter beperkte rekenbronnen en men moet voorzichtig zijn om overmatig batterijverbruik van het apparaat van de vertegenwoordiger te vermijden, anders moet hij zijn apparaat na elke 2 of 3 bezoeken opladen. Dit is waar de ODIN-oplossing van ParallelDots wint. Ons data science-team is erin geslaagd ons algoritme zo te optimaliseren Plankhorloge biedt u het beste van twee werelden: nauwkeurigheid en snelheid.

Met ODIN kan onze oplossing elke SKU in de foto en de locatie ervan identificeren zonder dat de foto's voor verwerking naar de cloud hoeven te worden geüpload. Dit betekent dat herhalingen onmiddellijk de ontbrekende SKU's volgens de MSL-lijst en identificeer de verkeerd geplaatste SKU's (zoals het plaatsen van premiummerken op de onderste plank). ODIN heeft ook een volledig offline ingebouwde oplossing voor het beoordelen van de beeldkwaliteit, die de vertegenwoordiger ertoe aanzet om foto's opnieuw te maken als de foto's niet van de optimale kwaliteit zijn om fotoherkenning uit te voeren.

Als het gaat om beeldherkenning op het apparaat, raden we onze klanten aan om het in te zetten voor een beperkt aantal SKU's en KPI's. Omdat kwaliteitscontroles niet mogelijk zijn met verwerking op het apparaat, is het ook belangrijk om voor de start van het project een zeer nauwkeurig model te trainen om ervoor te zorgen dat AI voldoende monsters heeft gezien van elke SKU in verschillende omgevingen en onder verschillende oriëntaties. Daarom raden we onze klant een langere setup-periode aan om hoogwaardige gegevens te verzamelen en er vervolgens een model op te trainen. Eenmaal geïmplementeerd, heeft ODIN nog steeds menselijke feedback nodig, en we vragen vertegenwoordigers om feedback te geven over de output van het model, zodat AI van die feedback kan leren en beter kan worden.

Voorbereiding op beeldherkenning op het apparaat -

Beeldherkenning op het apparaat brengt een enorme reikwijdte met zich mee. Voor het succesvol implementeren, bepaalde voorbereidingen zijn vereist. Onze aanbeveling is om eerst te beginnen met de online modus en de AI te laten trainen op een verscheidenheid aan SKU-afbeeldingen voordat je naar de modus op het apparaat gaat. De CPG kan eerst hun beste KPI's voor winkelzichtbaarheid implementeren in de modus op het apparaat.

Bovendien strategische inzichten zoals concurrentie-informatie en prijsweergave herkenning kan worden gevolgd in de onlinemodus, aangezien dit wellicht geen snelle corrigerende maatregelen vereist.

De CPG moet er ook voor zorgen dat hun buitendienstmedewerkers goed zijn opgeleid als het gaat om de richtlijnen voor het maken van ideale beelden. Dit zou handig zijn bij het produceren van zeer nauwkeurige SKU-herkenningsrapporten voordat u overschakelt naar de modus op het apparaat.

Beeldherkenning op het apparaat is een van de belangrijkste functies die CPG-fabrikanten zouden helpen om zelfs hun afgelegen winkels in de gaten te houden en de winkeluitvoering voor hen te verbeteren. De impact van het feit dat vertegenwoordigers de directe rapporten kunnen uitvoeren, kan vervolgens leiden tot verbeterde klanttevredenheid, wat leidt tot een verbeterde merkgezondheid en betere verkoop. In het post-COVID-tijdperk zullen klanten geen tweede kans geven aan die merken die een fluctuerende beschikbaarheid in de schappen hebben, omdat ze zullen kiezen voor een alternatief product of naar e-commercekanalen zullen gaan.

Vond je de blog leuk? Bekijk onze andere blogs om te zien hoe beeldherkenningstechnologie merken kan helpen hun uitvoeringsstrategieën in de detailhandel te verbeteren.

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