Bildegjenkjenning på enheten for automatiserte detaljrevisjoner: ODIN By ParallelDots

Publisert av Platon

Følgere: 0

Automatiserte detaljhandelsrevisjoner ved hjelp av Image Recognition har fått popularitet de siste årene med mange CPG-produsenter som prøver løsningen, eller i avanserte stadier for å implementere den globalt. Imidlertid, i henhold til POI-rapport, pris og hastighet er hovedproblemene, og forhindrer utbredelsen av denne spillvekslerløsningen

Bildegjenkjenning for sporing av detaljhandelutførelse blir populært på grunn av tidsbesparelser og høy nøyaktighet det kan levere sammenlignet med manuelle butikkontroller. Iht Gartner-rapport, Bildegjenkjenningsteknologi kan øke produktiviteten i salgsstyrken, forbedre innsikt i hylleforhold og bidra til økende salg.

Til tross for alle de påviste fordelene med Image Recognition-teknologi, har praktiske problemer som høye implementeringskostnader og langsomme behandlingstider holdt bruken av denne løsningen lav. Vi kl Parallelle prikker, har jobbet hardt med å prøve å takle disse problemene ved å lansere vår bildegjenkjenningsløsning på enheten, ODIN. Med ODIN blir alle bildene tatt av representanter behandlet på deres håndholdte enhet, og dermed fjernet behovet for å bruke en aktiv internettforbindelse og kvalitetskontrollprosesser for å generere KPI-rapporter. I dette blogginnlegget vil vi diskutere vår tilnærming til ODIN og hvorfor dette kan være spillendrende for CPG-selskaper i alle størrelser, som ønsker å implementere sine perfekte butikkprogrammer.

Hvorfor bildegjenkjenning på enheten er i endring av spill for automatiserte detaljrevisjoner

Gjeldende toppmoderne bildegjenkjenningsalgoritmer trenger kraftige servere som GPUer for å prestere effektivt. Denne typen datakraft kan gjøres tilgjengelig gjennom moderne cloud computing-infrastruktur. Dette betyr imidlertid at ettersom feltrepresentanter tar bilder i butikken, må disse bildene lastes opp til skyserverne før hylle-KPI-er kan beregnes ut fra disse bildene. Denne prosessen fungerer bra i butikker med Wi-Fi-tilkobling eller god 4G internettforbindelse.

Imidlertid kan internettilkobling ikke være bra i mange områder eller i underjordiske butikker. For slike butikker er det ikke mulig å få en KPI-rapport mens representanten fortsatt er i butikken. I slike tilfeller kan bildegjenkjenning på enheten fungere veldig bra for å sikre at representanter får tilbakemelding på bildene de tar, uten å kreve at de går online.

Bildegjenkjenningsteknologi fungerer også bra på bilder av høy kvalitet. Hvilket betyr at det kan ta litt tid før bildene blir lastet opp, selv i områder som tilbyr anstendig nettverkstilgjengelighet. Dette kan føre til scenarier der feltrepresentanter må vente i ekstra tid før bildene blir lastet opp, behandlet i skyserveren, og deretter blir resultatene sendt tilbake til rep. Gjenkjenning på enheten eliminerer dette problemet og gir resultatet umiddelbart. Feltrepresentanter får innsikt på sekunder, i stedet for å vente i 5-10 minutter. Dette gjør produksjonen mer handlingsbar, og det brukes ikke tid på å vente på AI-analyse.

Involverte utfordringer-

For å gjennomføre automatiserte detaljhandelsrevisjoner ved å bruke bildegjenkjenning for å fungere effektivt, kreves det bilder av god kvalitet. Selv små endringer i bildekvaliteten kan føre til en nøyaktighet når du utfører bildegjenkjenning. Dette er avgjørende for nøyaktigheten til datamaskinsynmodellen som kjører på enheten.

Å få riktig mengde opplæringsdata av høy kvalitet for å gjenkjenne bilder kan også være utfordrende. Nesten ingen av CPG-produsentene har en lett tilgjengelig merket database med butikkbilder. Dermed er en av de største hindringene for å komme i gang med bildegjenkjenning på enheten ledetiden og kostnadene forbundet med å lage en slik database.

Dessuten, nye produkter lanseres eller produktemballasje endres - derfor utføres konstant opplæring og omskolering av AI for å holde den oppdatert. Legg til det faktum at den høye mengden data for lanseringer av nye produkter vil ta litt tid å samle seg, før AI til og med kan bli trent på det samme.

Noen fakta du bør vurdere før du velger bildegjenkjenning på enheten -

Det er alltid en avveining mellom nøyaktighet og hastighet på innsikt, og derfor vil en ideell løsning finne den mest optimale verdien for å gjøre løsningen praktisk. Derfor må CPG-ledere vurdere hva som vil være effekten av lavere nøyaktighet eller langsommere innsikt før de velger bildegjenkjenning på enheten.

Det er viktig å merke seg at her refererer vi til små forskjeller i nøyaktighet og hastighet, ettersom vi erkjenner at en ideell løsning vil være nøyaktig og veldig rask. En CPG-produsent kan være i stand til å distribuere en 91% SKU-nøyaktig modell på enheten med lavere installasjonstid og kostnader enn hva det kan ta å distribuere en 98% nøyaktig modell. Imidlertid, hvis høy nøyaktighet er kritisk for dem (pga incentiver fra forhandler), kan de velge online bildegjenkjenning som muliggjør en kvalitetskontrollprosess for å sikre høyere nøyaktighet. Dette betyr imidlertid at representanter må vente på at bildene blir lastet opp, behandlet, kvalitetskontrollert og deretter vente på at rapporten skal lastes ned på enheten sin før de får tilgang til KPI-ene.

For praktiske formål kan en 91% løsning også fungere. En 91% nøyaktig løsning vil bety at ut av å si, 50 unike SKUer tilgjengelig på hyllen, kan det hende at AI ikke velger ~ 4 SKUer riktig. Gitt hvor lang tid feltrepresentanter kan spare høflighet på enhetsgjenkjenning, kan det være et bedre kompromiss enn å la dem vente på rapportene som genereres i online-modus (selv om det kan være 98% nøyaktig). De kan rett og slett ignorere feil spådommer gjort av AI og iverksette tiltak på de riktige.

Bruken av denne løsningen ligner på å be Siri om å spille en sang, hun vil for det meste forstå riktig sangen vi ba henne om å spille, men ved noen få anledninger vil hun kanskje ikke forstå vår forespørsel og spille en annen sang. I min egen test med Siri har jeg funnet at den er 80% nøyaktig når det gjelder å spille sanger fra talekommandoen min, av ti forespørsler, hun kunne ikke oppfylle mine to forespørsler. Likevel, et kompromiss jeg er mer enn villig til å ta siden jeg åpner en app, surfer eller søker etter en sang er mer tungvint (100% nøyaktig løsning) enn å be Siri om å spille den.

ODIN av ParallelDots: Bildegjenkjenning på enheten for automatiserte detaljhandelsrevisjoner

ODIN av ParallelDots - Bildegjenkjenning på enheten for automatiserte detaljhandelsrevisjoner med både nøyaktighet og hastighet for CPG

En av de største begrensningene ved AI-aktiverte revisjonsløsninger er å gi nøyaktige resultater umiddelbart. For å gi høy nøyaktighet er den nødvendige datakraften høy. Imidlertid har håndholdte enheter som brukes av representanter begrensede databehandlingsressurser, og man må være forsiktig med å unngå overdreven batteriforbruk av representantens enhet for at han ikke trenger å lade enheten etter hvert 2. eller 3. besøk. Det er her ParallelDots ODIN-løsning vinner. Vårt datavitenskapsteam har lykkes med å optimalisere algoritmen vår på en slik måte at Hylleklokke gir deg det beste fra begge verdener - nøyaktighet og hastighet.

Med ODIN kan løsningen identifisere hver SKU på bildet og dets plassering uten at bildene må lastes opp til skyen for behandling. Dette betyr at representanter umiddelbart kan se manglende SKU-er i henhold til MSL-listen og identifiser feil plasserte SKU-er (for eksempel å sette premiummerker i nederste hylle). ODIN har også en helt offline løsning for bildekvalitetsgradering innebygd i den som ber representanten om å ta bilder igjen hvis bildene ikke er av optimal kvalitet for å gjøre bildegjenkjenning.

Når det gjelder bildegjenkjenning på enheten, anbefaler vi våre kunder å distribuere den for et begrenset antall SKUer og KPIer. Siden kvalitetskontroll ikke er mulig med prosessering på enheten, er det viktig å trene en veldig nøyaktig modell før prosjektstart for å sikre at AI har sett nok prøver av hver SKU i forskjellige miljøer og under forskjellige retninger. Derfor anbefaler vi vår klient en lengre oppsettperiode for å samle inn høykvalitetsdata og deretter trene en modell på den. Når ODIN er distribuert, trenger den fortsatt menneskelig tilbakemelding, og vi ber representanter om å gi tilbakemelding på modellens produksjon slik at AI kan lære av disse tilbakemeldingene og bli bedre.

Hvordan forberede deg på bildegjenkjenning på enheten -

Bildegjenkjenning på enheten gir et enormt omfang. Til implementere den med hell visse forberedelser er påkrevd. Vår anbefaling er å begynne med online-modus og la AI bli trent på en rekke SKU-bilder før du deretter går til enhetsmodus. CPG kan først distribuere sine viktigste KPI-er for detaljhandel i enhetsmodus.

Videre strategisk innsikt som konkurransedyktig informasjon og anerkjennelse av prisvisning kan spores i online-modus, siden dette kanskje ikke krever raske, utbedrende tiltak.

CPG bør også sørge for at deres reps er godt trente når det gjelder retningslinjene for å ta ideelle bilder. Dette vil være nyttig for å produsere svært nøyaktige SKU-gjenkjenningsrapporter før du bytter til enhetsmodus.

Bildegjenkjenning på enheten er en av nøkkelfunksjonene som vil hjelpe CPG-produsenter til å holde øye med til og med sine eksterne butikker og forbedre detaljhandelutførelsen for dem. Effekten av at representanter kan handle øyeblikkelige rapporter, kan føre til forbedret kundetilfredshet, noe som fører til forbedret merkevarehelse og bedre salg. I post-COVID-tida vil kundene ikke gi en ny sjanse til de merkene som har svingende tilgjengelighet i hyllene, ettersom de vil velge et alternativt produkt eller flytte til e-handelskanaler.

Likte du bloggen? Sjekk ut de andre blogger for å se hvordan bildegjenkjenningsteknologi kan hjelpe merkevarer med å forbedre sine utførelsesstrategier i detaljhandel.

Vil du se hvordan ditt eget merke presterer i hyllene? Klikk her. for å planlegge en gratis demo for ShelfWatch.