ShelfWatch – Een op slimme beeldherkenning gebaseerde retailuitvoeringssoftware

Bijgewerkt op 10 november 2021

Het heden schapindeling KPI assessments met uw standaard retailuitvoeringssoftware, zijn vaak tijdrovend en moeilijk te beheren rond de werkpiek. Zorgvuldige handmatige invoer is vereist om te garanderen dat producten in het schap overeenkomen met het schappenplan. Bovendien verhindert het gebrek aan zichtbaarheid en up-to-date data dat consumentengoederenmerken proactief problemen aanpakken. Tijdens een cruciale verkoopperiode kan een gebrek aan data leiden tot suboptimale beslissingen.

Volgens een studies, “Maar liefst 81% van de bedrijven gaf aan niet tevreden te zijn met hun vermogen om te presteren in de detailhandel. Nog eens 86% zei niet tevreden te zijn met hun inspanningen voor handelsbevordering”.

met Plankhorloge, kunnen al deze ontslagen vrij eenvoudig worden aangepakt. ShelfWatch is een krachtige en probleemloze tool en kan op een breed spectrum van winkelkanalen draaien. In deze blog leiden we je door alle aspecten van ShelfWatch waardoor het opvalt tussen de bestaande Image Recognition Software-oplossingen in de detailhandel.

1. Realtime, offline feedback over beeldkwaliteit

Beeldkwaliteit is een belangrijk criterium om de hoge nauwkeurigheid van beeldherkenning te garanderen. Erkenning op SKU-niveau of naleving van prijsweergave is alleen mogelijk als het beeld niet wazig en vrij van verblinding is. De mobiele ShelfWatch-app heeft een realtime algoritme voor beeldkwaliteit dat afbeeldingen van slechte kwaliteit kan detecteren en de verkoper kan instrueren om opnieuw foto's te maken. Deze detectie werkt op het apparaat en is daarom beschikbaar in de offline modus.

De verkopers kunnen gemakkelijk afbeeldingen van hoge kwaliteit maken, zelfs in een zone zonder internet, en de afbeeldingen worden automatisch geüpload wanneer er een internetverbinding beschikbaar is. In onze ervaring met het werken met CPG- en retailmerken, ontdekten we dat voordat ShelfWatch werd gebruikt, 15-20% van de in het veld verzamelde afbeeldingen van te lage kwaliteit was om door AI of in veel gevallen ook door mensen te worden geanalyseerd. Dit leidt vaak tot onnodige vertragingen en onvolledige analyses. Bestaande software voor de uitvoering van de detailhandel legt de schuld bij verkopers in het geval van wazige of glazige foto's, en legt de verantwoordelijkheid op CPG- en winkelmerken om hun drukke vertegenwoordigers te trainen.

Ideale retailuitvoeringssoftware die gebruikmaakt van beeldherkenning, moet robuust en slim zijn om ervoor te zorgen dat foto's van hoge kwaliteit worden verzameld zonder extra training voor de vertegenwoordigers.

2. Beeldherkenning op het apparaat (ODIN)

Een van de grootste beperkingen van AI-enabled auditoplossingen is om direct nauwkeurige resultaten te geven. Om een ​​hoge nauwkeurigheid te leveren, is de benodigde rekenkracht hoog. Handmatige apparaten die door vertegenwoordigers worden gebruikt, hebben echter beperkte computerbronnen en men moet voorzichtig zijn om overmatig batterijverbruik van het apparaat van vertegenwoordigers 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 dat ShelfWatch u het beste van twee werelden biedt: nauwkeurigheid en snelheid.

On-Device Image Recognition (ODIN) is het meest geavanceerde aanbod van de ParallelDots-stal. Het maakt directe rapportage mogelijk van schapfoto's die zijn gemaakt door de veldvertegenwoordigers door ze op hun draagbare apparaat te verwerken. ODIN is snel en werkt volledig offline. We hebben pilots uitgevoerd met een aantal klanten voor de onlangs aangekondigde herkenningsfunctie op het apparaat. De resultaten zijn bemoedigend en overtreffen de verwachtingen van de klant. De ODIN-functie is een uniek aanbod en bewijs van ons superieure beeldherkenningsplatform voor een winkelomgeving. We moedigen klanten aan om de ODIN-functie te gebruiken voor domeinen waar een laag aantal SKU's bij betrokken is en die niet vaak worden gewijzigd.

3. Ontdubbeling

Heel vaak komt het voor dat de verkopers tijdens het verzamelen van gegevens meerdere afbeeldingen van hetzelfde schap vanuit verschillende hoeken maken. Dit is een serieus probleem, omdat het kan leiden tot dubbeltelling van plankgegevens (zoals: deel van de plank) wat weer van invloed is op inzichten. ShelfWatch lost dit probleem zeer efficiënt op. Het ontdubbelingsalgoritme verbetert de gegevenskwaliteit door dubbele afbeeldingen te detecteren en ervoor te zorgen dat de statistieken niet dubbel worden geteld.

We hebben dit algoritme ook gebruikt om fraude op te sporen bij reguliere audits van de uitvoering van de detailhandel voor een tabaksbedrijf. Vaak stuurden de field auditors een oude afbeelding in om aan te geven dat ze de audit hebben afgerond. Met behulp van het de-duplicatie-algoritme konden we dergelijke gevallen aan het licht brengen en de mogelijkheden van fraude bij veldaudits verminderen. Binnen drie maanden na integratie van ShelfWatch was er een verbetering van 90% in de datakwaliteit, wat leidde tot betrouwbare inzichten.

4. Integratie met andere retailuitvoeringssoftware - SFA- en DMS-apps

Hoewel ShelfWatch zijn eigen app biedt voor het vastleggen van gegevens in het veld, begrijpen we dat verkopers al handhelds gebruiken die worden geleverd door de Salesforce-automatiseringsleveranciers en het lastig zullen vinden om tussen meerdere apps in het veld te schakelen.

We hebben geïntegreerde ShelfWatch met meerdere SFA-leveranciers en alle functies van ShelfWatch, zoals realtime beeldkwaliteitscontroles en realtime schapinzichten, werken ook in de geïntegreerde oplossing.

5. Snelle installatie en snel te trainen AI

Onder de motorkap draait het grootste deel van de Image Recognition-engine een neuraal netwerk om SKU's en POS-materialen in winkels te detecteren. Neurale netwerken, met name diepe neurale netwerken, zijn echter berucht omdat ze een grote hoeveelheid gegevens nodig hebben om ze te trainen en een nauwkeurigheid van 90% en meer te krijgen.

Ook moeten de trainingsgegevens handmatig worden geannoteerd voordat ze naar het neurale netwerk kunnen worden gevoerd. Hieronder ziet u een voorbeeld van een geannoteerde afbeelding.

Een grote fabrikant heeft echter 200-300 SKU's in meerdere categorieën van zijn eigen merken en nog eens 100-200 SKU's die ze mogelijk willen bijhouden voor hun concurrenten. Het genereren van een handmatig geannoteerde dataset die 300-500 SKU's beslaat, is een vervelende en erg dure taak.

De meeste leveranciers van beeldherkenning hebben een installatietijd van 90-120 dagen nodig om gegevens te verzamelen en handmatig te annoteren. Zoals u zich kunt voorstellen, is dit een duur en tijdrovend proces en niet goed te schalen voor nieuwe productlanceringen of tijdens piekpromoties.

Het opzetten van Shelfwatch is een eenvoudig proces in twee stappen. Eerst moet je delen slechts één afbeelding van de SKU's die u wilt bijhouden. En ten tweede: vraag uw buitendienstmedewerkers om met onze mobiele applicatie foto's te maken van de schappen van de winkel. Het algoritme van ShelfWatch is zo getraind dat: het analyseert automatisch de afbeeldingen om een ​​competitieve analyse te geven, zoals share-of-shelf, en planogram-compliance.

6. Kostenefficient

ShelfWatch is gemaakt met state-of-the-art technologie om optimale resultaten te geven zonder veel geld uit te geven. Met onze superieure technologie ondersteunen we lage operationele kosten omdat er minder middelen nodig zijn bij het opzetten van ShelfWatch. Ons algoritme regelt de datakwaliteit op collectieniveau om de standaard, objectieve analyse naar voren te brengen.

7. WhatsApp-meldingen -

De echte waarde van ShelfWatch wordt afgeleid wanneer alle gevallen van ondermaatse uitvoering in de detailhandel onmiddellijk worden gemarkeerd voor de juiste belanghebbenden. We sturen automatische waarschuwingen via WhatsApp/e-mail naar veldteamleiders voor snelle interventies. Dit nieuwe aanbod maakt ShelfWatch-inzichten bruikbaarder, wat leidt tot een robuust feedbackmechanisme tussen de detailhandelaar, de veldvertegenwoordiger en het hoofdkantoor van CPG.

ISO 27001:2013-certificering –

Het is met enorm veel plezier dat we aankondigen dat we nu zijn ISO 27001: 2013 gecertificeerd. Om de certificering te behalen, werd de beveiligingscompliance van ParallelDots gevalideerd door een onafhankelijk auditkantoor na het demonstreren van een voortdurende en systematische aanpak voor het beheren en beschermen van bedrijfs- en klantgegevens. Dit certificaat is een bewijs van onze toewijding aan gegevensprivacy en -beveiliging.

Vond je deze blog nuttig? Lees dit blog om meer te weten te komen over hoe ParallelDots-producten effectieve oplossingen bieden voor traditionele uitvoeringsmethoden in de detailhandel om de merkaanwezigheid en zichtbaarheid te verbeteren.

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