Bildigenkänning på enheten för automatiserade detaljhandelsrevisioner: ODIN By ParallelDots

Återutgiven av Platon

anhängare: 0

Automatiserade detaljhandelsrevisioner med hjälp av bildigenkänning har vunnit popularitet under de senaste åren med många CPG-tillverkare som testar lösningen, eller i avancerade stadier av att implementera den globalt. Men enligt POI-rapport, kostnad och hastighet är huvudproblem, vilket förhindrar ett utbrett antagande av denna spelväxlingslösning

Bildigenkänning för spårning av detaljhandelsutförande blir populärt på grund av den tidsbesparing och höga precision som den kan leverera jämfört med manuella butikskontroller. Enligt Gartner rapport, Bildigenkänningsteknik kan öka säljkårens produktivitet, förbättra insikter om hylltillstånd och hjälpa till att öka försäljningen.

Trots alla beprövade fördelar med bildigenkänningsteknik har praktiska frågor som höga kostnader för implementering och långsamma handläggningstider hållit införandet av denna lösning lågt. Vi, kl ParallellDots, har arbetat hårt för att ta itu med dessa problem genom att lansera vår lösning för bildigenkänning på enheten, ODIN. Med ODIN kommer alla bilder som tagits av reps att bearbetas på deras handhållna enhet, vilket eliminerar behovet av att använda en aktiv internetanslutning och kvalitetskontrollprocesser för att generera KPI-rapporter. I det här blogginlägget kommer vi att diskutera vårt tillvägagångssätt på ODIN och varför detta kan vara spelförändrande för CPG-företag av alla storlekar som vill implementera sina perfekta butiksprogram.

Varför bildigenkänning på enheten håller på att förändras för automatiserade detaljhandelsrevisioner

Nuvarande toppmoderna bildigenkänningsalgoritmer behöver kraftfulla servrar som GPU:er för att fungera effektivt. Denna typ av beräkningskraft kan göras tillgänglig genom dagens molninfrastruktur. Detta betyder dock att eftersom fältrepresentanter tar bilder i butiken måste dessa bilder laddas upp till molnservrarna innan hyll-KPI:er kan beräknas från dessa bilder. Denna process fungerar bra i butiker med Wi-Fi-anslutning eller bra 4G-internetanslutning.

Däremot kanske internetuppkoppling inte är bra i många områden eller med underjordiska butiker. För sådana butiker är det inte möjligt att få en KPI-rapport medan representanten fortfarande är i butiken. I sådana fall kan bildigenkänning på enheten fungera mycket bra för att säkerställa att reps får feedback på bilderna de tar, utan att de behöver gå online.

Bildigenkänningstekniken fungerar också bra på bilder av hög kvalitet. Vilket innebär att det kan ta ett tag för bilderna att laddas upp, även i områden som erbjuder bra nätverkstillgänglighet. Detta kan leda till scenarier där fältrepresentanter måste vänta ytterligare tid innan deras bilder laddas upp, bearbetas i molnservern och sedan skickas resultaten tillbaka till representanten. Identifiering på enheten eliminerar detta problem och ger resultatet direkt. Fältrepresentanter får insikter på några sekunder, snarare än att vänta i 5-10 minuter. Detta gör resultatet mer handlingskraftigt och ingen tid ägnas åt att vänta på AI-analys.

Utmaningar involverade-

För att utföra automatiserade detaljhandelsrevisioner med bildigenkänning för att fungera effektivt krävs bilder av god kvalitet. Även små förändringar i bildkvaliteten kan leda till att noggrannheten försämras vid bildigenkänning. Detta är avgörande för noggrannheten hos den datorseendemodell som körs på enheten.

Det kan också vara en utmaning att få rätt mängd träningsdata av hög kvalitet för bildigenkänning. Nästan ingen av CPG-tillverkarna har en lättillgänglig märkt databas med butiksbilder. Ett av de största hindren för att komma igång med bildigenkänning på enheten är alltså ledtiden och kostnaderna för att skapa en sådan databas.

Dessutom, nya produkter lanseras eller produktförpackningen ändras – därför utförs ständig träning och omskolning av AI för att hålla den uppdaterad. Lägg till det faktum att den höga mängden data för nya produktlanseringar skulle ta lite tid att ackumulera, innan AI ens kan tränas på densamma.

Några fakta att tänka på innan du väljer bildigenkänning på enheten –

Det finns alltid en avvägning mellan noggrannhet och hastighet av insikter och därför kommer en idealisk lösning att hitta det mest optimala värdet för att göra lösningen praktisk. Därför måste CPG-chefer bedöma vad som kommer att bli effekten av en lägre noggrannhet eller långsammare insikter innan de väljer bildigenkänning på enheten.

Det är viktigt att notera att vi här syftar på små skillnader i noggrannhet och hastighet eftersom vi erkänner att en idealisk lösning kommer att vara exakt och mycket snabb. En CPG-tillverkare kanske kan distribuera en 91 % SKU-nivå exakt modell på enheten med lägre installationstid och kostnader än vad det skulle kunna ta för att distribuera en 98 % exakt modell. Men om hög noggrannhet är avgörande för dem (pga återförsäljarincitament), kan de välja bildigenkänning online som möjliggör en kvalitetskontrollprocess för att säkerställa högre noggrannhet. Detta innebär dock att representanter måste vänta på att bilderna laddas upp, bearbetas, kvalitetskontrolleras och sedan vänta på att rapporten laddas ner på deras enhet innan de kan komma åt KPI:erna.

För praktiska ändamål kan en 91% lösning också fungera. En 91 % korrekt lösning skulle innebära att av säg 50 unika SKU:er tillgängliga på hyllan, kanske AI inte väljer ~4 SKU:er korrekt. Med tanke på hur lång tid som fältrepresentanterna kan spara artighetsidentifiering på enheten, kan det vara en bättre kompromiss än att låta dem vänta på rapporterna som genereras i onlineläget (även om det kan vara 98 % korrekt). De kan helt enkelt ignorera de felaktiga förutsägelserna från AI:n och vidta åtgärder mot de korrekta.

Att använda den här lösningen liknar att be Siri att spela en låt, för det mesta kommer hon att förstå låten som vi bad henne att spela, men vid några tillfällen kanske hon inte förstår vår begäran och spelar en annan låt. I mitt eget test med Siri har jag tyckt att det är 80 % korrekt när det gäller att spela låtar från mitt röstkommando eftersom hon av tio förfrågningar inte kunde uppfylla mina två förfrågningar. Ändå är en kompromiss jag är mer än villig att ta eftersom att öppna en app, surfa eller söka efter en låt är mer besvärlig (100 % korrekt lösning) än att be Siri att spela den.

ODIN av ParallelDots: Bildigenkänning på enheten för automatisk detaljhandelsrevision

ODIN av ParallelDots – Bildigenkänning på enheten för automatiserade detaljhandelsrevisioner med både noggrannhet och hastighet för CPG

En av de största begränsningarna för AI-aktiverade revisionslösningar är att ge korrekta resultat direkt. För att leverera hög noggrannhet krävs hög datorkraft. Handhållna enheter som används av reps har dock begränsade beräkningsresurser och man måste vara försiktig så att man undviker överdriven batteriförbrukning av reps enhet så att han inte behöver ladda sin enhet efter vartannat eller var tredje besök. Det är här ParallelDots ODIN-lösning vinner. Vårt datavetenskapsteam har lyckats optimera vår algoritm på ett sådant sätt, att ShelfWatch ger dig det bästa av två världar – noggrannhet och hastighet.

Med ODIN kan vår lösning identifiera varje SKU i fotot och dess plats utan att fotona behöver laddas upp till molnet för bearbetning. Detta innebär att reps omedelbart kan se saknade SKU:er enligt MSL-listan och identifiera de felplacerade SKU:erna (som att sätta premiummärken på den nedre hyllan). ODIN har också en helt offline bildkvalitetsgradering inbyggd i den som uppmanar representanten att ta om foton om fotona inte är av optimal kvalitet för att göra fotoigenkänning.

När det gäller bildigenkänning på enheten rekommenderar vi våra kunder att distribuera det för ett begränsat antal SKU:er och KPI:er. Dessutom, eftersom kvalitetskontroller inte är möjliga med bearbetning på enheten, är det viktigt att träna en mycket noggrann modell innan projektets start för att säkerställa att AI har sett tillräckligt många prover av varje SKU i olika miljöer och under olika orienteringar. Därför rekommenderar vi vår kund en längre installationsperiod för att samla in data av hög kvalitet och sedan träna en modell på det. När ODIN väl har implementerats behöver den fortfarande mänsklig feedback, och vi ber representanter att ge feedback på modellens utdata så att AI kan lära av dessa återkopplingar och bli bättre.

Hur man förbereder sig för bildigenkänning på enheten –

Bildigenkänning på enheten ger en enorm räckvidd. För implementera det framgångsrikt, vissa förberedelser krävs. Vår rekommendation är att först börja med onlineläget och låta AI:n tränas på en mängd olika SKU-bilder innan du går över till enhetsläget. CPG kan först distribuera sina KPI:er för bästa detaljhandelssynlighet i enhetsläget.

Dessutom strategiska insikter som konkurrenskraftig information och prisdisplayigenkänning kan spåras i online-läge eftersom detta kanske inte kräver snabba, korrigerande åtgärder.

CPG bör också se till att deras fältrepresentanter är vältränade när det gäller riktlinjerna för att ta idealbilder. Detta skulle vara till hjälp för att producera mycket exakta SKU-igenkänningsrapporter innan du växlar till enhetsläget.

Bildigenkänning på enheten är en av nyckelfunktionerna som skulle hjälpa CPG-tillverkare att hålla ögonen på även sina avlägsna butiker och förbättra detaljhandeln för dem. Effekten av att representanter kan agera i de omedelbara rapporterna kan sedan leda till förbättrad kundnöjdhet, vilket leder till förbättrad varumärkeshälsa och bättre försäljning. I post-COVID-eran kommer kunderna inte att ge en andra chans till de varumärken som har fluktuerande tillgänglighet på hyllorna eftersom de kommer att välja en alternativ produkt eller gå över till e-handelskanaler.

Gillade bloggen? Kolla in våra andra bloggar för att se hur bildigenkänningsteknik kan hjälpa varumärken att förbättra sina körstrategier i detaljhandeln.

Vill du se hur ditt eget märke presterar i hyllorna? Klick här. att schemalägga en gratis demo för ShelfWatch.