Reconhecimento de imagem no dispositivo para auditorias automatizadas de varejo: ODIN da ParallelDots

As auditorias automatizadas de varejo usando o reconhecimento de imagem ganharam popularidade nos últimos anos, com muitos fabricantes de CPG testando a solução ou em estágios avançados de implementação global. No entanto, de acordo com o Relatório POI, custo e velocidade são as principais preocupações, impedindo a adoção generalizada desta solução revolucionária

Reconhecimento de imagem para rastrear a execução de varejo está se tornando popular devido à economia de tempo e à alta precisão que pode oferecer em comparação com verificações manuais na loja. Conforme Relatório Gartner, A tecnologia de reconhecimento de imagem pode aumentar a produtividade da equipe de vendas, melhorar as percepções das condições das prateleiras e ajudar a impulsionar as vendas incrementais. 

Apesar de todos os benefícios comprovados da tecnologia de reconhecimento de imagem, questões práticas, como alto custo de implementação e tempos de resposta lentos, mantiveram a adoção dessa solução baixa. Nós, em Pontos Paralelos, têm trabalhado arduamente para tentar resolver esses problemas lançando nossa solução de reconhecimento de imagem no dispositivo, ODIN. Com o ODIN, todas as imagens capturadas pelos representantes serão processadas em seu dispositivo de mão, dispensando a necessidade de conexão ativa com a internet e processos de verificação de qualidade para geração de relatórios de KPI. Nesta postagem do blog, discutiremos nossa abordagem sobre ODIN e por que isso pode mudar o jogo para empresas de CPG de todos os tamanhos, que desejam implementar seus programas de loja perfeitos.

Por que o reconhecimento de imagem no dispositivo é uma mudança no jogo para auditorias automatizadas de varejo

Os algoritmos atuais de reconhecimento de imagem de última geração precisam de servidores poderosos, como GPUs, para um desempenho eficiente. Esse tipo de poder de computação pode ser disponibilizado por meio da infraestrutura de computação em nuvem dos dias modernos. No entanto, isso significa que como os representantes de campo estão tirando fotos na loja, essas fotos precisam ser carregadas para os servidores em nuvem antes KPIs de prateleira pode ser calculado a partir dessas fotos. Esse processo funciona bem em lojas com conexão Wi-Fi ou boa conectividade com a Internet 4G.

No entanto, a conectividade com a Internet pode não ser boa em muitas áreas ou com lojas subterrâneas. Para essas lojas, não é possível obter um relatório de KPI enquanto o representante ainda está na loja. Nesses casos, o reconhecimento de imagem no dispositivo pode funcionar muito bem para garantir que os representantes recebam feedback sobre as fotos que estão tirando, sem exigir que fiquem online. 

Além disso, a tecnologia de reconhecimento de imagem funciona bem em imagens de alta qualidade. O que significa que pode demorar um pouco para que as imagens sejam carregadas, mesmo em áreas que oferecem disponibilidade de rede decente. Isso pode levar a cenários em que os representantes de campo precisam esperar por um tempo adicional antes de suas imagens serem carregadas, processadas no servidor em nuvem e, em seguida, os resultados são enviados de volta ao representante. O reconhecimento no dispositivo elimina esse problema e produz o resultado instantaneamente. Os representantes de campo obtêm insights em segundos, em vez de esperar de 5 a 10 minutos. Isso torna a saída mais acionável e nenhum tempo é gasto esperando pela análise de IA.

Desafios envolvidos-

Para conduzir auditorias automatizadas de varejo usando o reconhecimento de imagem para funcionar de maneira eficaz, imagens de boa qualidade são necessárias. Mesmo pequenas alterações na qualidade da imagem podem levar a uma queda na precisão ao realizar o reconhecimento de imagem. Isso é fundamental para a precisão do modelo de visão computacional que está sendo executado no dispositivo.

Além disso, obter a quantidade certa de dados de treinamento de alta qualidade para fins de reconhecimento de imagem pode ser um desafio. Quase nenhum dos fabricantes de CPG tem um banco de dados rotulado prontamente disponível de imagens de loja. Portanto, um dos maiores obstáculos para começar a usar o reconhecimento de imagem no dispositivo é o tempo de espera e os custos associados à criação desse banco de dados. 

Além disso, novos produtos são lançados ou a embalagem do produto é alterada - portanto, o treinamento e a reciclagem constantes da IA ​​são realizados para mantê-la atualizada. Some-se ao fato de que a grande quantidade de dados para lançamentos de novos produtos levaria algum tempo para se acumular, antes que a IA pudesse ser treinada na mesma.

Alguns fatos a serem considerados antes de optar pelo reconhecimento de imagem no dispositivo -

Sempre há uma compensação entre precisão e velocidade dos insights e, portanto, uma solução ideal encontrará o valor ideal para torná-la prática. Portanto, os executivos do CPG terão que avaliar qual será o impacto de uma menor precisão ou insights mais lentos antes de optar pelo reconhecimento de imagem no dispositivo. 

É importante notar que aqui nos referimos a pequenas diferenças na precisão e velocidade, pois reconhecemos que uma solução ideal será precisa e muito rápida. Um fabricante de CPG pode ser capaz de implantar um modelo preciso de nível de SKU de 91% no dispositivo com tempo e custos de configuração mais baixos do que o necessário para implantar um modelo de 98% preciso. No entanto, se a alta precisão é crítica para eles (devido a incentivos do varejista), eles podem optar pelo reconhecimento de imagem online, que permite um processo de verificação de qualidade para garantir uma maior precisão. No entanto, isso significa que os representantes terão que esperar que as imagens sejam carregadas, processadas, verificada a qualidade e, em seguida, esperar que o relatório seja baixado em seu dispositivo antes de acessar os KPIs. 

Para fins práticos, uma solução de 91% também pode funcionar. Uma solução 91% precisa significaria que, digamos, de 50 SKUs exclusivos disponíveis na prateleira, o AI pode não escolher ~ 4 SKUs corretamente. Dada a quantidade de tempo que os representantes de campo podem economizar no reconhecimento de cortesia no dispositivo, pode ser um compromisso melhor do que deixá-los esperar pelos relatórios gerados no modo online (mesmo que seja 98% preciso). Eles podem simplesmente ignorar as previsões incorretas feitas pela IA e agir sobre as previsões corretas.

Usar essa solução é semelhante a pedir a Siri para tocar uma música, na maioria das vezes ela entenderá corretamente a música que pedimos que ela toque, mas em algumas ocasiões, ela pode não entender nosso pedido e tocar uma música diferente. Em meu próprio teste com o Siri, descobri que ele é 80% preciso quando se trata de tocar músicas do meu comando de voz, pois em dez solicitações ela não atendeu às minhas duas solicitações. No entanto, um compromisso que estou mais do que disposto a assumir desde a abertura de um aplicativo, navegar ou pesquisar uma música é mais complicado (solução 100% precisa) do que pedir ao Siri para tocá-la.

ODIN da ParallelDots: reconhecimento de imagem no dispositivo para auditorias automatizadas de varejo

Uma das maiores limitações das soluções de auditoria habilitadas para IA é fornecer resultados precisos instantaneamente. Para fornecer alta precisão, o poder de computação necessário é alto. No entanto, os dispositivos portáteis usados ​​pelos representantes têm recursos de computação limitados e é preciso ter cuidado para evitar o consumo excessivo da bateria do dispositivo dos representantes para que não seja necessário carregar o dispositivo a cada 2 ou 3 visitas. É aqui que a solução ODIN da ParallelDots vence. Nossa equipe de ciência de dados conseguiu otimizar nosso algoritmo de tal maneira que Relógio de Prateleira oferece o melhor dos dois mundos - precisão e velocidade.  

Com o ODIN, nossa solução pode identificar cada SKU na foto e sua localização, sem exigir que as fotos sejam enviadas para a nuvem para processamento. Isso significa que os representantes podem ver instantaneamente o SKUs ausentes de acordo com a lista de MSL e identificar os SKUs colocados incorretamente (como colocar marcas premium na prateleira inferior). O ODIN também possui uma solução de gradação de qualidade de imagem totalmente offline incorporada, que solicita ao representante para refazer as fotos se as fotos não forem de qualidade ideal para fazer o reconhecimento de fotos.

Quando se trata de reconhecimento de imagem no dispositivo, recomendamos que nossos clientes o implantem para um número limitado de SKUs e KPIs. Além disso, como as verificações de qualidade não são possíveis com o processamento no dispositivo, é importante treinar um modelo muito preciso antes do início do projeto para garantir que a IA tenha visto amostras suficientes de cada SKU em diferentes ambientes e sob diferentes orientações. Portanto, recomendamos ao nosso cliente um período de configuração mais longo para coletar dados de alta qualidade e, em seguida, treinar um modelo sobre eles. Uma vez implantado, o ODIN ainda precisa de feedback humano, e pedimos aos representantes que forneçam feedback sobre a saída do modelo para que a IA possa aprender com esses feedbacks e se tornar melhor.

Como se preparar para o reconhecimento de imagem no dispositivo -

O reconhecimento de imagem no dispositivo traz consigo um alcance imenso. Para implementando com sucesso, certas preparações são necessárias. Nossa recomendação é começar primeiro com o modo online e deixar o AI ser treinado em uma variedade de imagens SKU antes de passar para o modo no dispositivo. O CPG pode primeiro implantar seus principais KPIs de visibilidade de varejo no modo no dispositivo.

Além disso, insights estratégicos, como informações competitivas e reconhecimento de exibição de preço pode ser rastreado no modo online, pois isso pode não exigir ações corretivas rápidas.

O CPG também deve garantir que seus representantes de campo sejam bem treinados no que diz respeito às diretrizes de captura de imagens ideais. Isso seria útil para produzir relatórios de reconhecimento de SKU altamente precisos antes de alternar para o modo no dispositivo.

O reconhecimento de imagem no dispositivo é um dos principais recursos que ajudaria os fabricantes de CPG a manter os olhos até mesmo em suas lojas remotas e melhorar a execução no varejo para elas. O impacto de os representantes serem capazes de acionar os relatórios instantâneos pode, então, levar a uma maior satisfação do cliente, levando a uma melhor saúde da marca e melhores vendas. Na era pós-COVID, os clientes não darão uma segunda chance às marcas que têm disponibilidade flutuante nas prateleiras, pois irão optar por um produto alternativo ou mudar para canais de e-commerce. 

Gostou do blog? Confira nossos outros Blogs para ver como a tecnologia de reconhecimento de imagem pode ajudar as marcas a melhorar suas estratégias de execução no varejo.

Quer ver o desempenho da sua marca nas prateleiras? Clique SUA PARTICIPAÇÃO FAZ A DIFERENÇA para agendar uma demonstração gratuita do ShelfWatch.

Postagens mais recentes de Ankit Singh (ver todos)

Fonte: https://blog.paralleldots.com/product/automated-retail-audits-on-device-image-recognition-by-paralleldots/