ShelfWatch – En smart bildigenkänningsbaserad programvara för detaljhandelsexekvering

Uppdaterad 10 november 2021

Nuet hyllarrangemang KPI bedömningar som använder din standardprogramvara för återförsäljning, är ofta tidskrävande och svåra att hantera runt arbetsstopp. Noggrann manuell inmatning krävs för att garantera att produkterna på hyllan matchar planogrammet. Dessutom hindrar bristen på synlighet och uppdaterade data varumärken för konsumentvaror från att ta itu med problem proaktivt. Under en avgörande försäljningsperiod kan brist på data leda till suboptimala beslut.

Enligt en studera, "Så många som 81% av företagen rapporterade att de är missnöjda med sin förmåga att utföra i detaljhandeln. Ytterligare 86 % sa att de inte är nöjda med sina handelsfrämjande ansträngningar”.

Med ShelfWatch, alla dessa uppsägningar kan hanteras ganska enkelt. ShelfWatch är ett kraftfullt och problemfritt verktyg som kan köras på ett brett spektrum av detaljhandelskanaler. I den här bloggen går vi igenom alla aspekter av ShelfWatch som gör att den sticker ut bland de befintliga mjukvarulösningarna för bildigenkänning i detaljhandeln.

1. Feedback om bildkvalitet i realtid offline

Bildkvalitet är ett viktigt kriterium för att säkerställa den höga noggrannheten för bildigenkänning. SKU nivå erkännande eller prisvisningsöverensstämmelse är endast möjligt när bilden inte är suddig och fri från bländning. ShelfWatch-mobilappen har en bildkvalitetsalgoritm i realtid som kan upptäcka bilder av dålig kvalitet och instruera säljaren att ta om bilder. Denna upptäckt fungerar på enheten och är därför tillgänglig i offlineläge.

Säljarna kan enkelt ta bilder av hög kvalitet även i en zon utan internet och bilderna laddas automatiskt upp när en internetanslutning är tillgänglig. I vår erfarenhet av att arbeta med CPG och detaljhandelsvarumärken fann vi att innan vi använde ShelfWatch var 15–20 % av bilderna som samlades in i fältet för låg kvalitet för att kunna analyseras av AI eller i många fall av människor också. Detta leder ofta till onödiga förseningar och ofullständig analys. Befintlig programvara för exekvering av detaljhandeln lägger skulden på säljarna i händelse av suddiga eller skarpa bilder, och lägger ansvaret på CPG och detaljhandelsvarumärken att utbilda sina upptagna representanter.

En idealisk mjukvara för återförsäljning som använder bildigenkänning, bör vara robust och smart för att säkerställa att högkvalitativa foton samlas in utan ytterligare utbildning för reps.

2. Bildigenkänning på enheten (ODIN)

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.

On-Device Image Recognition (ODIN) är det mest banbrytande erbjudandet från ParallelDots-stallen. Det möjliggör omedelbar rapportering från hyllfoton som tagits av fältrepresentanterna genom att bearbeta dem på deras handhållna enhet. ODIN är snabb och fungerar helt offline. Vi körde piloter med ett par klienter för den nyligen tillkännagivna funktionen för igenkänning på enheten. Resultaten är uppmuntrande och har överträffat kundens förväntningar. ODIN-funktionen är ett unikt erbjudande och ett bevis på vår överlägsna bildigenkänningsplattform för en detaljhandelsmiljö. Vi uppmuntrar kunder att använda ODIN-funktionen för domäner där ett fåtal SKU:er är inblandade och de genomgår sällsynta ändringar.

3. De-duplicering

Mycket ofta händer det att säljarna tar flera bilder av samma hylla från olika vinklar när de samlar in data. Detta är ett allvarligt problem eftersom det kan leda till dubbelräkning av hyllmått (som t.ex andel av hyllan) vilket i sin tur påverkar insikter. ShelfWatch bemästrar detta problem mycket effektivt. Dess de-dupliceringsalgoritm förbättrar datakvaliteten genom att detektera dubbletter av bilder och säkerställa att mätvärdena inte räknas dubbelt.

Vi använde också denna algoritm för att upptäcka bedrägerier i regelbundna granskningar av detaljhandeln för ett tobaksföretag. Fältrevisorerna skickade ofta in en gammal bild för att indikera att de har genomfört granskningen. Genom att använda de-dupliceringsalgoritmen kunde vi upptäcka sådana fall och minska risken för bedrägeri vid fältrevisioner. Inom tre månader efter integrationen av ShelfWatch skedde en 90 % förbättring av datakvaliteten, vilket ledde till tillförlitliga insikter.

4. Integration med annan mjukvara för återförsäljning – SFA- och DMS-appar

Även om ShelfWatch tillhandahåller sin egen app för att fånga data i fält, förstår vi att säljare redan använder handdatorer från Salesforces automationsleverantörer och kommer att tycka att det är besvärligt att växla mellan flera appar på fältet.

Vi har integrerad ShelfWatch med flera SFA-leverantörer och alla funktioner i ShelfWatch som bildkvalitetskontroller i realtid och hyllinsikter i realtid fungerar också i den integrerade lösningen.

5. Snabb installation och snabb att träna AI

Under huven driver det mesta av bildigenkänningsmotorn ett neuralt nätverk för att upptäcka SKU:er och POS-material i butiker. Däremot är neurala nätverk, särskilt djupa neurala nätverk, ökända för att behöva en stor mängd data för att träna dem och få 90 % och mer exakthet.

Dessutom måste träningsdatan annoteras manuellt innan den kan matas till det neurala nätverket. Ett exempel på en kommenterad bild visas nedan.

En stor tillverkare kommer dock att ha 200–300 SKU:er i flera kategorier av sina egna varumärken och ytterligare 100–200 SKU:er som de kanske vill spåra för sina konkurrenter. Att generera en manuellt kommenterad datauppsättning som täcker 300–500 SKU:er är en tråkig och mycket dyr uppgift.

De flesta bildigenkänningsleverantörer kommer att ta 90–120 dagars installationstid under vilken de samlar in och manuellt kommenterar data. Som du kan föreställa dig är detta en dyr och tidskrävande process och inte skalas bra för nya produktlanseringar eller under toppkampanjer.

Att ställa in Shelfwatch är en enkel process i två steg. Först måste du dela bara en bild av de SKU:er som du vill spåra. Och för det andra, be dina fältrepresentanter att ta bilder av butikens hyllor med vår mobilapplikation. ShelfWatchs algoritm är tränad på ett sådant sätt att den analyserar automatiskt bilderna för att ge en konkurrenskraftig analys som andel av hyllan och planogramöverensstämmelse.

6. Kostnadseffektiv

ShelfWatch har gjorts med toppmodern teknik för att ge optimala resultat utan att behöva spendera mycket pengar. Med vår överlägsna teknik stödjer vi låga driftskostnader på grund av de färre resurser som krävs för att ställa in ShelfWatch. Vår algoritm styr datakvaliteten på insamlingsnivå för att få fram den standardiserade, objektiva analysen.

7. WhatsApp-varningar –

Det verkliga värdet från ShelfWatch härleds när alla fall av detaljhandelsutförande under pari omedelbart lyfts fram för rätt intressenter. Vi skickar automatiska varningar via WhatsApp/e-post till fältteamledare för snabba ingripanden. Detta nya erbjudande gör ShelfWatch-insikter mer handlingskraftiga – vilket leder till en robust återkopplingsmekanism mellan återförsäljaren, fältrepresentanten och CPG HQ.

ISO 27001:2013-certifiering –

Det är med stor glädje vi meddelar att vi är det nu ISO 27001: 2013 certifierad. För att uppnå certifieringen validerades ParallelDots säkerhetsefterlevnad av en oberoende revisionsbyrå efter att ha visat ett pågående och systematiskt tillvägagångssätt för att hantera och skydda företags- och kunddata. Detta certifikat är ett bevis på vårt engagemang för datasekretess och säkerhet.

Hittade den här bloggen användbar? Läs detta blogg att veta mer om hur ParallelDots produkter tillhandahåller effektiva lösningar på traditionella detaljhandelsmetoder för att förbättra varumärkesnärvaro och synlighet.

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