การรับรู้อิมเมจบนอุปกรณ์สำหรับการตรวจสอบการขายปลีกอัตโนมัติ: ODIN โดย ParallelDots

การตรวจสอบการขายปลีกแบบอัตโนมัติโดยใช้การรู้จำภาพได้รับความนิยมในช่วงไม่กี่ปีที่ผ่านมา โดยผู้ผลิต CPG หลายรายกำลังทดลองใช้โซลูชันนี้ หรืออยู่ในขั้นตอนขั้นสูงของการนำไปใช้ทั่วโลก อย่างไรก็ตาม ตามที่ รายงานจุดสนใจIค่าใช้จ่ายและความเร็วเป็นปัญหาหลัก ทำให้ไม่สามารถนำโซลูชันตัวเปลี่ยนเกมนี้ไปใช้อย่างแพร่หลาย

การรับรู้ภาพเพื่อติดตามการดำเนินการขายปลีก กำลังเป็นที่นิยมเนื่องจากการประหยัดเวลาและความแม่นยำสูงที่สามารถส่งมอบได้เมื่อเทียบกับการตรวจสอบร้านค้าด้วยตนเอง ตามที่ รายงานการ์ทเนอร์ เทคโนโลยีการจดจำรูปภาพสามารถเพิ่มประสิทธิภาพการทำงานของพนักงานขาย ปรับปรุงข้อมูลเชิงลึกเกี่ยวกับสภาพชั้นวาง และช่วยผลักดันยอดขายที่เพิ่มขึ้น 

แม้จะมีประโยชน์ที่ได้รับการพิสูจน์แล้วของเทคโนโลยี Image Recognition แต่ปัญหาในทางปฏิบัติ เช่น ค่าใช้จ่ายในการติดตั้งที่สูงและเวลาตอบสนองที่ช้า ยังคงทำให้การนำโซลูชันนี้ไปใช้ในระดับต่ำ พวกเราที่ จุดคู่ขนาน, ได้ทำงานอย่างหนักเพื่อพยายามแก้ไขปัญหาเหล่านี้ โดยเปิดตัวโซลูชันการจดจำรูปภาพบนอุปกรณ์ของเรา ODIN ด้วย ODIN รูปภาพทั้งหมดที่ถ่ายโดยตัวแทนจะได้รับการประมวลผลบนอุปกรณ์พกพา ดังนั้นไม่จำเป็นต้องใช้การเชื่อมต่ออินเทอร์เน็ตและกระบวนการตรวจสอบคุณภาพเพื่อสร้างรายงาน KPI ในบล็อกโพสต์นี้ เราจะหารือเกี่ยวกับแนวทางของเราเกี่ยวกับ ODIN และเหตุใดสิ่งนี้จึงอาจเปลี่ยนแปลงเกมสำหรับบริษัท CPG ทุกขนาด ที่ต้องการปรับใช้ โปรแกรมร้านค้าที่สมบูรณ์แบบ

เหตุใดการจดจำรูปภาพในอุปกรณ์จึงเปลี่ยนเกมสำหรับการตรวจสอบการขายปลีกอัตโนมัติ

อัลกอริธึมการจดจำภาพที่ล้ำสมัยในปัจจุบันต้องการเซิร์ฟเวอร์ที่ทรงพลัง เช่น GPU เพื่อให้ทำงานได้อย่างมีประสิทธิภาพ พลังการประมวลผลประเภทนี้สามารถใช้ได้ผ่านโครงสร้างพื้นฐานคลาวด์คอมพิวติ้งในยุคปัจจุบัน อย่างไรก็ตาม นี่หมายความว่าในขณะที่ตัวแทนภาคสนามกำลังถ่ายรูปอยู่ในร้าน รูปภาพเหล่านี้จะต้องอัปโหลดไปยังเซิร์ฟเวอร์คลาวด์ก่อน KPI ของชั้นวาง สามารถคำนวณได้จากภาพถ่ายเหล่านี้ กระบวนการนี้ทำงานได้ดีในร้านค้าที่มีการเชื่อมต่อ Wi-Fi หรือการเชื่อมต่ออินเทอร์เน็ต 4G ที่ดี

อย่างไรก็ตาม การเชื่อมต่ออินเทอร์เน็ตอาจไม่ดีในหลายพื้นที่หรือกับร้านค้าใต้ดิน สำหรับร้านค้าดังกล่าว ไม่สามารถรับรายงาน KPI ในขณะที่ตัวแทนยังอยู่ในร้านค้า ในกรณีดังกล่าว การจดจำรูปภาพในอุปกรณ์อาจทำงานได้ดีมาก เพื่อให้แน่ใจว่าตัวแทนจะได้รับความคิดเห็นเกี่ยวกับรูปภาพที่ถ่าย โดยไม่ต้องออนไลน์ 

นอกจากนี้ เทคโนโลยี Image Recognition ยังทำงานได้ดีกับรูปภาพคุณภาพสูง ซึ่งหมายความว่าอาจใช้เวลาสักครู่ในการอัปโหลดรูปภาพ แม้แต่ในพื้นที่ที่มีเครือข่ายที่เหมาะสม ซึ่งอาจนำไปสู่สถานการณ์ที่ตัวแทนภาคสนามต้องรอเวลาเพิ่มเติมก่อนที่จะอัปโหลดรูปภาพ ประมวลผลในเซิร์ฟเวอร์คลาวด์ จากนั้นผลลัพธ์จะถูกส่งไปยังตัวแทน การจดจำบนอุปกรณ์ช่วยขจัดปัญหานี้และให้ผลลัพธ์ทันที ตัวแทนภาคสนามจะได้รับข้อมูลเชิงลึกในไม่กี่วินาที แทนที่จะรอ 5-10 นาที ทำให้ผลลัพธ์สามารถดำเนินการได้มากขึ้น และไม่ต้องเสียเวลารอการวิเคราะห์ AI

ความท้าทายที่เกี่ยวข้อง-

สำหรับการดำเนินการตรวจสอบร้านค้าปลีกแบบอัตโนมัติโดยใช้การจดจำภาพเพื่อให้ทำงานได้อย่างมีประสิทธิภาพ จำเป็นต้องมีรูปภาพคุณภาพดี แม้แต่การเปลี่ยนแปลงเล็กน้อยในคุณภาพของภาพก็อาจทำให้ความแม่นยำลดลงเมื่อทำการจดจำภาพ นี่เป็นสิ่งสำคัญยิ่งต่อความแม่นยำของโมเดลการมองเห็นของคอมพิวเตอร์ที่ทำงานบนอุปกรณ์

นอกจากนี้ การได้รับข้อมูลการฝึกอบรมคุณภาพสูงในปริมาณที่เหมาะสมเพื่อวัตถุประสงค์ในการจดจำภาพอาจเป็นเรื่องที่ท้าทาย ผู้ผลิต CPG แทบไม่มีฐานข้อมูลที่มีป้ายกำกับพร้อมรูปภาพของร้านค้า ดังนั้น หนึ่งในอุปสรรคที่ใหญ่ที่สุดในการเริ่มต้นใช้งานการจดจำรูปภาพบนอุปกรณ์คือเวลาในการผลิตและค่าใช้จ่ายที่เกี่ยวข้องกับการสร้างฐานข้อมูลดังกล่าว 

ยิ่งไปกว่านั้น เปิดตัวสินค้าใหม่ หรือบรรจุภัณฑ์ของผลิตภัณฑ์มีการเปลี่ยนแปลง ดังนั้นจึงมีการฝึกอบรมและฝึกอบรม AI ใหม่อย่างต่อเนื่องเพื่อให้มีการอัปเดตอยู่เสมอ เพิ่มความจริงที่ว่าข้อมูลจำนวนมากสำหรับการเปิดตัวผลิตภัณฑ์ใหม่จะใช้เวลาสะสมก่อนที่จะสามารถฝึกฝน AI ได้เช่นเดียวกัน

ข้อเท็จจริงบางประการที่ต้องพิจารณาก่อนเลือกใช้การจดจำภาพในอุปกรณ์ –

มีการแลกเปลี่ยนระหว่างความถูกต้องและความเร็วของข้อมูลเชิงลึกอยู่เสมอ ดังนั้น โซลูชันที่เหมาะสมที่สุดจะพบค่าที่เหมาะสมที่สุดเพื่อทำให้โซลูชันใช้งานได้จริง ดังนั้นผู้บริหาร CPG จะต้องประเมินว่าอะไรคือผลกระทบของความแม่นยำที่ต่ำกว่าหรือความเข้าใจที่ช้าลงก่อนที่จะเลือกใช้การจดจำภาพบนอุปกรณ์ 

สิ่งสำคัญที่ควรทราบคือในที่นี้ เรากำลังพูดถึงความแตกต่างเล็กน้อยในด้านความแม่นยำและความเร็ว เนื่องจากเรารับทราบว่าโซลูชันที่เหมาะสมที่สุดจะแม่นยำและรวดเร็วมาก ผู้ผลิต CPG อาจปรับใช้โมเดลที่แม่นยำระดับ 91% ของ SKU บนอุปกรณ์โดยใช้เวลาและต้นทุนในการตั้งค่าที่ต่ำกว่า มากกว่าที่จะปรับใช้โมเดลที่แม่นยำ 98% อย่างไรก็ตาม หากความแม่นยำสูงเป็นสิ่งสำคัญสำหรับพวกเขา (เนื่องจาก สิ่งจูงใจผู้ค้าปลีก) พวกเขาอาจเลือกใช้การจดจำภาพออนไลน์ซึ่งช่วยให้กระบวนการตรวจสอบคุณภาพมีความแม่นยำสูงขึ้น อย่างไรก็ตาม นี่หมายความว่าตัวแทนจะต้องรอให้รูปภาพได้รับการอัปโหลด ประมวลผล ตรวจสอบคุณภาพ จากนั้นรอให้ดาวน์โหลดรายงานบนอุปกรณ์ของตนก่อนจึงจะสามารถเข้าถึง KPI ได้ 

สำหรับวัตถุประสงค์ในทางปฏิบัติ วิธีแก้ปัญหา 91% อาจใช้ได้เช่นกัน โซลูชันที่แม่นยำถึง 91% หมายความว่าจากคำพูดที่มี SKU ที่ไม่ซ้ำกัน 50 รายการบนชั้นวาง AI อาจเลือก ~4 SKU ไม่ถูกต้อง เมื่อพิจารณาจากระยะเวลาที่เจ้าหน้าที่ภาคสนามสามารถประหยัดเวลาในการจดจำอุปกรณ์ได้ อาจเป็นการประนีประนอมได้ดีกว่าปล่อยให้พวกเขารอรายงานที่สร้างขึ้นในโหมดออนไลน์ (แม้ว่าจะแม่นยำถึง 98%) พวกเขาสามารถเพิกเฉยต่อการคาดการณ์ที่ไม่ถูกต้องของ AI และดำเนินการกับสิ่งที่ถูกต้อง

การใช้วิธีแก้ปัญหานี้คล้ายกับการขอให้ Siri เล่นเพลง โดยส่วนใหญ่เธอจะเข้าใจเพลงที่เราขอให้เธอเล่นอย่างถูกต้อง แต่ในบางครั้ง เธออาจไม่เข้าใจคำขอของเราและเล่นเพลงอื่น ในการทดสอบกับ Siri ของฉันเอง ฉันพบว่ามีความแม่นยำ 80% ในการเล่นเพลงจากคำสั่งเสียงของฉันจากคำขอสิบรายการ เธอไม่สามารถตอบสนองคำขอทั้งสองของฉันได้ แต่การประนีประนอมที่ฉันยอมทำทุกอย่างตั้งแต่เปิดแอพ เรียกดูหรือค้นหาเพลงนั้นยุ่งยากกว่า (วิธีแก้ปัญหาที่แม่นยำ 100%) มากกว่าการขอให้ Siri เล่น

ODIN โดย ParallelDots : การจดจำรูปภาพบนอุปกรณ์สำหรับการตรวจสอบการขายปลีกอัตโนมัติ

หนึ่งในข้อจำกัดที่ใหญ่ที่สุดของโซลูชันการตรวจสอบที่ใช้ AI คือการให้ผลลัพธ์ที่ถูกต้องทันที เพื่อให้ได้ความแม่นยำสูง ต้องใช้กำลังในการประมวลผลสูง อย่างไรก็ตาม อุปกรณ์พกพาที่ใช้โดยตัวแทนมีทรัพยากรในการประมวลผลที่จำกัด และต้องใช้ความระมัดระวังเพื่อหลีกเลี่ยงการใช้แบตเตอรี่มากเกินไปสำหรับอุปกรณ์ของตัวแทน เกรงว่าเขาจะต้องชาร์จอุปกรณ์ของเขาทุกครั้งที่เข้าชมทุกๆ 2 หรือ 3 ครั้ง นี่คือที่ที่โซลูชัน ODIN ของ ParallelDots ชนะ ทีมวิทยาศาสตร์ข้อมูลของเราประสบความสำเร็จในการเพิ่มประสิทธิภาพอัลกอริทึมของเราในลักษณะที่ ชั้นวางนาฬิกา ให้สิ่งที่ดีที่สุดแก่คุณทั้งสองโลก – ความแม่นยำและความเร็ว  

ด้วย ODIN โซลูชันของเราสามารถระบุทุก SKU ในรูปภาพและตำแหน่งโดยไม่ต้องอัปโหลดรูปภาพไปยังคลาวด์เพื่อการประมวลผล ซึ่งหมายความว่าตัวแทนสามารถมองเห็น seeได้ทันที SKU ที่ขาดหายไป ตามรายการ MSL และระบุ SKU ที่วางผิด (เช่น วางแบรนด์พรีเมียมไว้ที่ชั้นล่างสุด) ODIN ยังมีโซลูชันการจัดเกรดคุณภาพของภาพแบบออฟไลน์โดยสมบูรณ์ในตัว ซึ่งจะแจ้งให้ตัวแทนถ่ายภาพใหม่หากภาพถ่ายนั้นไม่มีคุณภาพที่เหมาะสมที่สุดในการจดจำภาพถ่าย

เมื่อพูดถึงการจดจำรูปภาพในอุปกรณ์ เราแนะนำให้ลูกค้าของเราปรับใช้สำหรับ SKU และ KPI ในจำนวนที่จำกัด นอกจากนี้ เนื่องจากการประมวลผลในอุปกรณ์ไม่สามารถตรวจสอบคุณภาพได้ จึงต้องฝึกโมเดลที่แม่นยำมากก่อนเริ่มโครงการเพื่อให้แน่ใจว่า AI ได้ดูตัวอย่างเพียงพอของทุก SKU ในสภาพแวดล้อมที่แตกต่างกันและอยู่ภายใต้ทิศทางที่แตกต่างกัน ดังนั้น เราแนะนำให้ลูกค้าของเราตั้งค่าให้นานขึ้นเพื่อรวบรวมข้อมูลคุณภาพสูง แล้วฝึกโมเดลกับข้อมูลนั้น เมื่อปรับใช้แล้ว ODIN ยังคงต้องการความคิดเห็นจากมนุษย์ และเราขอให้ตัวแทนให้ข้อเสนอแนะเกี่ยวกับผลลัพธ์ของแบบจำลอง เพื่อให้ AI สามารถเรียนรู้จากการตอบกลับเหล่านั้นและดีขึ้น

วิธีเตรียมตัวสำหรับการจดจำภาพบนอุปกรณ์ –

การจดจำรูปภาพในอุปกรณ์ทำให้มีขอบเขตมหาศาล สำหรับ ดำเนินการให้สำเร็จ, จำเป็นต้องมีการเตรียมการบางอย่าง คำแนะนำของเราคือให้เริ่มด้วยโหมดออนไลน์ก่อน และให้ AI ได้รับการฝึกอบรมเกี่ยวกับอิมเมจ SKU ต่างๆ ก่อนจากนั้นจึงค่อยย้ายไปที่โหมดในอุปกรณ์ CPG สามารถปรับใช้ KPI ระดับการมองเห็นการขายปลีกสูงสุดในโหมดบนอุปกรณ์ได้ก่อน

นอกจากนี้ ข้อมูลเชิงลึกเชิงกลยุทธ์ เช่น ข้อมูลการแข่งขันและ การรับรู้การแสดงราคา สามารถติดตามได้ในโหมดออนไลน์ เนื่องจากอาจไม่จำเป็นต้องดำเนินการแก้ไขอย่างรวดเร็ว

CPG ควรตรวจสอบให้แน่ใจด้วยว่าตัวแทนภาคสนามของพวกเขาได้รับการฝึกอบรมมาเป็นอย่างดีเมื่อพูดถึงแนวทางในการถ่ายภาพในอุดมคติ ซึ่งจะเป็นประโยชน์ในการสร้างรายงานการรู้จำ SKU ที่มีความแม่นยำสูงก่อนที่จะเปลี่ยนเป็นโหมดในอุปกรณ์

การจดจำรูปภาพบนอุปกรณ์เป็นหนึ่งในคุณสมบัติหลักที่จะช่วยให้ผู้ผลิต CPG สามารถจับตาดูร้านค้าระยะไกลได้ และปรับปรุงการดำเนินการขายปลีกสำหรับพวกเขา ผลกระทบของตัวแทนในการดำเนินการรายงานแบบทันทีสามารถนำไปสู่ความพึงพอใจของลูกค้าที่ดีขึ้น นำไปสู่ความสมบูรณ์ของแบรนด์ที่ดีขึ้นและยอดขายที่ดีขึ้น ในยุคหลังโควิด ลูกค้าจะไม่ให้โอกาสครั้งที่สองกับแบรนด์ที่มีชั้นวางสินค้าผันผวน เนื่องจากพวกเขาจะเลือกใช้ผลิตภัณฑ์อื่นหรือเปลี่ยนไปใช้ช่องทางอีคอมเมิร์ซ 

ชอบบล็อก? ตรวจสอบอื่น ๆ ของเรา Blog เพื่อดูว่าเทคโนโลยีการจดจำภาพสามารถช่วยให้แบรนด์ปรับปรุงกลยุทธ์การดำเนินการในร้านค้าปลีกได้อย่างไร

ต้องการดูว่าแบรนด์ของคุณทำงานบนชั้นวางอย่างไร คลิก  โปรดคลิกที่นี่เพื่ออ่านรายละเอียดเพิ่มเติม เพื่อกำหนดเวลาการสาธิตฟรีสำหรับ ShelfWatch

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