Системы распознавания полки: кому нужно внедрение и как добиться от проекта максимума?

Системы автоматического распознавания полки переживают сейчас свое второе рождение. За последние три года технологии и техника совершили фантастический рывок. Точность распознавания у большинства операторов достигла 96—98%. Время и стоимость обработки фотографий снизились до приемлемых для большинства клиентов величин. В итоге системы Image Recognition оказались в центре внимания специалистов по мерчендайзингу и ритейл-аудитам.

Глаза боятся, программы делают

Всего за пару лет быстро и гибко обучаемые нейронные сети стали технологией, доступной большинству разработчиков. Освоить нейронные сети сейчас может практически любой IT-специалист. Благодаря чему на рынке появилось множество решений, основанных, в том числе, на «компьютерном зрении». Часть из них оказалась крайне востребована в ритейле. Например, нейронные сети позволили анализировать полки магазинов на предмет наличия или отсутствия там конкретных товаров.

Распознавание полки позволяет решать стандартные мерчендайзинговые задачи, но гораздо быстрее и удобнее. Теперь мерчендайзерам не нужно копаться в своих записях, вручную считать продукты, тратить время на поиск товаров на полках разных магазинов. Вместо этого им достаточно просто сделать фотографию и загрузить ее в специальное мобильное приложение. Далее нужно лишь следовать указаниям программы и выполнить свою работу в соответствии с имеющимися стандартами. При этом информация о положении дел на местах почти мгновенно попадает в офис компании, в соответствующую базу данных.

Давайте посмотрим, чем системы распознавания будут полезны FMCG-компаниям:

– Аудит торговой точки проводится быстрее. Поставщики ПО заявляют, что временные затраты снижаются в среднем на 40—60%. Но есть и более впечатляющие примеры экономии времени: до 80% за один визит.

– Скорость обработки входящих данных возрастает практически на два порядка. Большинство систем обрабатывают визуальные данные практически в режиме реального времени. Отчет программы относительно соответствия планограмме, расчет доли полки, а также количества фейсингов поступит в течение 20-30 секунд.

– Вероятность ошибки минимальна. Точность систем распознавания полки на данный момент составляет от 92% до 98%. Хотя есть несколько «проблемных» товарных категорий, которые «портят статистику».

– Можно решать сразу несколько задач. Система распознавания полки позволяет проводить мониторинг цен и отслеживать промоакции (наличие рекламных материалов, специальных ценников, оформление дополнительных мест продаж и т.п.).

– Применение Image Recognition помогает компаниям существенно оптимизировать свой штат полевых сотрудников. Благодаря тому что рутинные задачи теперь занимают меньше времени, персонал можно переключать на другие задачи.

Поставщики систем распознавания привлекают клиентов обещаниями быстрого внедрения (один-два месяца), легким переходом от тестирования к полному внедрению и простой интеграцией с CRM-системой заказчика.

Александр Царев, креативный директор Ace Target:

«Решения автоматического распознавания можно применять для автоматического контроля качества визита. Это пока не самая популярная опция у клиентов, но уверен – скоро большинство активных пользователей IR будут использовать этот функционал.

Система в любом случае анализирует состояние полки до и после визита, так что научить ее оценивать произошедшие изменения несложно. Приблизился ли магазин к идеальному perfect store (с точки зрения поставщика) и насколько?

Накопление данных с оценками визитов позволяет сравнивать эффективность отдельных мерчендайзеров, долгосрочное изменение качества их работы, эффект от мотивационных программ. Можно сравнивать успехи в разных сетях и на разных территориях. В общем, множество возможностей для пытливого маркетолога».

История развития технологии
 
Принято считать, что технология «компьютерного зрения» стала зарождаться в 50-х годах 20 века. Именно тогда компьютеры превратились в доступное средство анализа и обработки информации. Изначально целью исследователей было имитировать человеческое зрение с помощью компьютера. Так, в 1958 появилась идея, легшая в основу Mark I Perceptron, аппаратного варианта, предназначавшегося для распознавания зрительных образов. Однако процесс «чтения изображений» носил скорее умозрительный характер, так как решение сложных задач на тот момент было невозможно в силу слабого развития техники и недостаточного математического обеспечения.
В 60-е годы этот пробел стал постепенно заполняться. Появлялись новые программные системы обработки образов, а также исследования в области распознавания текста.
В 70-е году появилась концепция построения трехмерных образов предметов на основе их двумерных изображений. Это положило начало более глубокому анализу данных.
В конце 70-х возникла идея анализировать видеопоток, вычленяя объекты в движении.
Уже через 10 лет, в конце 80-х были созданы первые роботы, которые с помощью компьютерного зрения могли более-менее успешно действовать и передвигаться во внешней среде.
В 90-е году технология активно совершенствовалась, появились более совершенные датчики, которые при этом стоили дешевле. Что сделало технологию доступнее.
В результате в середине 90-х появились первые коммерческие системы автоматической навигации автомобилей.
В начале 20 века удалось разработать эффективные технологии анализа движений.
В 2003 году уже можно было увидеть первые достаточно надежные системы распознавания лиц.
Сейчас компьютерное зрение полностью сложившаяся область кибернетики, имеющая в своей основе большую научную и практическую базу знаний. Технологии распознавания образов можно встретить практически во всех сферах деятельности.
Так, например, распознавание лиц используется множеством компаний, начиная с Facebook, который позволяет отмечать друзей на фотографиях, заканчивая органами правопорядка, которые ищут преступников по записям с камер видеонаблюдения. Ритейлерам распознавание лиц помогает упростить процесс чекаута. Так, есть приложения, позволяющие совершать оплату, просто просканировав свое лицо с помощью камеры мобильного телефона. Похожим образом идентифицируют своих клиентов и финансовые организации.
Еще одно известное применение систем компьютерного зрения – самоуправляемые автомобили. По всему миру идет тестирование имеющихся образцов. В России этим занимается компания «Яндекс». Немного другим путем, но в том же направлении пошли производители сельхозтехники. Так, например, новейшие комбайны от компании John Deere являются полуавтоматическими и умеют выстраивать оптимальный маршрут, анализируя качество собранного зерна. Также с помощью компьютерного зрения фермеры могут сканировать свои поля, чтобы обнаружить признаки поражения вредителями.
Активно технология компьютерного зрения используется в разного рода роботах. Одни собирают изделия на заводах, другие – контролируют качество получившего товара, третьи – даже проводят медицинские операции. Уже привычным бытовым прибором, использующим компьютерное зрение, являются роботы-пылесосы. В ритейле же работают роботы-консультанты, роботы-мерчендайзеры и роботы-сборщики заказов. В обязанности первых входит общаться с покупателями, отвечая на их вопросы и предоставляя информацию о товаре. Что касается вторых и третьих, то поговорить с ними не удастся. Их задачи – сканировать полки магазинов или стеллажи на складах, анализировать получившуюся информацию и предпринимать действия. В одном случае – сообщать о неверном ценнике, нарушении планограммы или аут-оф-стоке, в другом – брать нужный товар и класть в корзину заказа.
Еще один вид роботов, который может быть использован как в ритейле, так и в других отраслях, – робот-курьер. Подробнее о роботах, которые уже работают в магазинах по всему миру, вы можете прочесть тут.

План работ

Все описанное нами выше справедливо для работы с хорошо обученной нейронной сетью. Так что любой поставщик подобных решений сначала предложит клиенту провести подготовительную работу, настроить сеть на работу с конкретным продуктом, в конкретной упаковке и конкретном магазине.

От качества предоставленных материалов будет зависеть успех всего проекта. Обычно процесс внедрения систем распознавания проходит в несколько этапов:

1. Подготовка фотографий стеллажей магазинов, на которых находится продукт компании-заказчика. На данный момент баз данных таких изображений достойного качества не существует. Предоставление материала для обучения нейросетей ложится на плечи FMCG-производителей и торговых сетей. На первый взгляд, кажется, что это несложно, однако не все компании обладают такими запасами. В идеале фотографии должны быть сделаны при одинаковом освещении и с одинакового ракурса. При этом нужно отслеживать, чтобы на предоставленных изображениях ваш товар присутствовал на полке и не перекрывался другим. Учтите, чем больше фотографий одной и той же полки одного и того же магазина вы предоставите, тем точнее будет распознавание. Некоторые поставщики систем распознавания требуют по 100-200 фотографий для каждого SKU, некоторые говорят о 1500.
2. После того как фотографии получены, нужно разметить находящиеся на них товары. Эту задачу могут взять на себя представители компании-поставщика, однако все же желательно оставить разметку на стороне заказчика. Ведь мерчендайзерам, которые видят торговые полки каждый день, проще ориентироваться в товарах и брендах. К тому же готовая база качественных фотографий – это актив компании, который поможет не зависеть от поставщика в дальнейшем. Обычно разметка занимает довольно много времени, но все усилия, затраченные на этом этапе, в дальнейшем окупятся сторицей.
3. Следующий шаг – детектирование объектов. Эта часть подготовки проекта полностью лежит на стороне исполнителя. Границы каждого объекта выделяются и переводятся в координаты. Далее все объекты с их координатами в виде списка передаются модели, идентифицирующей распознанные объекты.
4. Идентификация SKU. Всем распознанным объектам модель присваивает класс, к которому тот принадлежит. В нашем случае это будет SKU. Чем больше фотографий было загружено в систему для каждого класса, тем выше окажется качество распознавания.
5. Составление отчета. Проанализировав выкладку, система распознавания готовит отчет. Формат его получения может быть разным. Все зависит от задач заказчика. Возможны следующие варианты:

– система отслеживает аут-оф-сток, и в случае его обнаружения отправляет ответственному сотруднику сообщение в мессенджер или электронное письмо;

– система анализирует соответствие выкладки планограмме, в режиме реального времени, сообщая об обнаруженных проблемах мерчендайзеру через специальное мобильное приложение;

– система может анализировать состояние выкладки в динамике. В этом случае получаемые отчеты о размере доли полки, количестве SKU и т.п. могут записываться в базу данных компании для дальнейшего анализа и контроля качества работы полевых команд.

Многие разработчики говорят о том, что для них предпочтительнее обучение системы не в «лабораторных», а в полевых условиях. И это очень важный момент, ведь нейронные сети «умнеют» по мере загрузки все новой и новой информации, в нашем случае реальных полевых фотографий.

Узкие места

Безусловно, никакое ПО не застраховано от ошибок или не совсем качественной работы. В случае с нейронными сетями принципиальную важность приобретает качество загружаемых в систему данных. И здесь количество всегда благотворно влияет на качество.

Те, кто уже работал с подобными системами сообщают о проблемах, которые могут возникать в процессе распознавания, по самым разным причинам. Например:

1. Если фотографии, загруженные в систему, были сделаны при обычном освещении, а в дальнейшем магазин решил подсветить стеллаж неоновыми лампочками, распознавание может значительно ухудшиться.
2. Иногда получается так, что мерчендайзер не может сфотографировать весь стеллаж сразу. Приходится делать несколько фотографий и затем их «склеивать» в приложении. Хорошо, если в ПО поставщика есть функция такого «склеивания» и она работает четко. В противном случае опять-таки могут случиться искажения и, как результат, ошибки анализа.
3. На качество распознавания может повлиять и угол, под которым была сделана фотография. Так что после запуска проекта стоит провести среди мерчендайзеров небольшой мастер-класс по тому, как и что именно нужно фотографировать. Благо, поставщики почти всегда предоставляют заказчикам обучающие гайды, в которых прописаны все правила фотосъёмки.
4. Если фотографируемый товар находится за стеклом, помешать качественному распознаванию могут блики и отражения.
5. Нестандартная форма стеллажей или расположения товара также может вызывать затруднения.
6. Любые изменения в оформлении продукта или его упаковке – повод заново обучить нейронную сеть.
7. Товары на нижних полках распознаются плохо из-за недостаточной освещенности. Также, по понятным причинам, трудно распознаются товары, стоящие впритык или перекрывающие друг друга.
8. Если компания управляет десятками SKU, то речь будет идти о необходимости подготовки тысяч фотографий. Для кого-то процесс их сбора и разметки может стать поистине невыполнимой задачей.

С другой стороны, плюсами систем распознавания является возможность их бесконечного обучения. Более того, по мере загрузки все большего числа данных, нейронные сети только «умнеют». Так что многие из перечисленных нами проблем могут быть решены в будущем и уже решаются сейчас. В любом случае, вам стоит уточнить у поставщика, какие «узкие места» есть в его системе и постараться максимально нивелировать их влияние на конечный результат.

Памятка по внедрению

Итак, вас заинтересовала технология, но вы хотите получить больше подробностей, чтобы принять окончательное решение? Мы обратились за комментариями к поставщикам, а также пользователям систем распознавания и выяснили неочевидные детали подобных проектов.

– Кому нужно внедрение

Решения для распознавания будут полезны производителям любых FMCG-товаров, имеющих понятную читабельную упаковку с конкретным «фейсингом» (лицевой стороной упаковки, где есть идентификаторы – название, бренд, картинка и т.п.), и DIY (например, краски, штукатурка, малярка и т.д.). Распознавание не сработает для весовой/нарезной продукции, товаров, продающихся россыпью, в пакетах, и просто очень небольших по размеру.

Принимая решение о внедрении, стоит отталкиваться от количества SKU, которые будут участвовать в проекте, и задач по покрытию адресной программы (чем больше АП, тем выше потребность в оптимизации времени, затрачиваемого на сбор оперативной полевой информации). Также внедрение необходимо компаниям, которые тратят много времени и ресурсов на содержание штата аудиторов. Ведь Image Recognition позволяет существенно оптимизировать временные и финансовые инвестиции на точку, 40—80% оптимизации в зависимости от задач проекта (аудит/мерчендайзинговое обслуживание).

В целом, решение необходимо большинству производителей, представленных в торговых сетях.

– Какова точность распознавания и как можно его повысить?

Анна Племяшова, руководитель департамента аналитики больших данных и искусственного интеллекта Beltel Datanomics:

«Нет и не будет моделей, которые бы работали со 100% точностью. Точность в 95-98% уже очень хороший результат. Надо помнить, что качество распознавания может улучшаться в процессе работы по мере накопления новых изображений.

Чтобы добиться максимально возможной точности, следует обратить особое внимание на загружаемые фотографии. Вот основные требования к ним:

•          фотографии должны быть сделаны при достаточном освещении и быть хорошего качества;

•          снимать полку необходимо фронтально, захватывая как можно большую площадь, желательно чтобы объекты на полке не были обрезаны;

•          чем больше фотографий будет приходиться на каждый SKU, тем лучше;

•          минимальное количество фотографий – 200 изображений на один SKU».

Михаил Погребняк, генеральный директор, ShelfMatch Robotics:

«Обычно мы говорим с клиентами о точности в районе 95+%. Это хороший показатель. Но тем не менее периодически бывают ошибки: что-то определяется неверно, что-то вообще не определяется. Когда такое происходит, мы добавляем неверно распознанные фотографии в обучающую выборку и переобучаем систему. Это улучшает точность и позволяет бороться с ошибками.

В каждом проекте мы собираем независимую тестовую выборку из фотографий, сделанных мерчендайзерами в реальных торговых точках, на которых все необходимые товары встречаются примерно по 100 раз. Фотографии из тестовой выборки не участвуют в обучении системы, но каждый раз после обучения, мы замеряем точность распознавания сервиса на этой независимой тестовой выборке.

Если говорить о требованиях к фото, то нужна камера с сенсором на 8Мп. Размер снимка по меньшей стороне должен быть от 2000 пикселей. Также важно, чтобы при фотографировании соблюдались следующие простые правила:

– камера смотрит в центр стеллажа;

– стеллаж входит в снимок полностью;

– все SKU хорошо видны, нет бликов и засвеченных областей;

– каждое SKU распознается вами самими.

Конечно, бывают длинные или высокие стеллажи. Для таких случаев предусмотрен режим склейки, который срабатывает автоматически».

– Насколько быстро можно внедрить решение

Конечно, здесь все зависит от конкретного решения. Но в одном наши эксперты оказались единодушны – скорость внедрения напрямую связана с количеством участвующих SKU и, соответственно, скоростью, с которой компания сможет подготовить данные для загрузки в систему.

Анна Племяшова, руководитель департамента аналитики больших данных и искусственного интеллекта Beltel Datanomics:

«Мы рекомендуем начинать реализацию решения с пилотного проекта для SKU первого приоритета, если их общее количество превышает 500, и нескольких торговых точек. Это позволит быстро увидеть результаты и определиться с планом продолжения проекта.

Для торговой сети можно выбрать категории с разной выкладкой и оценить качество распознавания, например, на алкогольных напитках и молочных товарах – йогурты и сыры. При наличии планограмм пилотный проект можно ограничить 6—10 наиболее актуальными. Количество торговых точек, участвующих в пилоте, зависит от заказчика и от возможности мобилизовать персонал на тестирование.

По нашему опыту, разметка датасета для 150 SKU, в среднем, занимает одну неделю. Процесс можно ускорить за счет увеличения числа специалистов, которые будут размечать изображения.

Пилотный проект обычно длится два–три месяца, в течение которых происходит обучение модели на размеченном датасете, оценка качества распознавания, настройка оповещений, отчетов согласно техническому заданию и тестирование. Само по себе решение может работать качественно, но если процессы не отлажены и персонал не готов к использованию подобной системы, то увеличение срока тестирования, например, с двух недель до месяца, позволит выявить «узкие» места и внести необходимые изменения. Таким образом можно избежать проблем при массовом внедрении системы.

Если результаты пилотного проекта признаются успешными, то можно переходить к масштабированию решения по SKU, увеличивая датасет, и подключать торговые точки по сформированному графику.

Критерии, по которым проект признается успешным, должны быть прописаны в техническом задании. Как минимум, это достижение выбранных метрик качества и, например, показателей, которые просто посчитать за период тестирования решения: сокращение времени ответа на запрос менеджера, уменьшение количества персонала, контролирующего выкладку и пр.»

Михаил Погребняк, генеральный директор, ShelfMatch Robotics:

«Наша методология внедрения заключается в обязательном проведении пилотного проекта. Как правило, он включает примерно один месяц на подготовку сервиса и обучение одной-двум категориям товаров (10—30 SKU/категория) и еще примерно один-два месяца тестовой эксплуатации: переобучение, анализ результатов, интеграция и т.д. «Пилот» подразумевает тот же алгоритм действий, что и полномасштабный проект: от сбора фотографий и обучения полевых сотрудников до интеграции с сервисом через API и настройку специфических отчетов. Обычно начинают пять-шесть мерчандайзеров, потом их количество увеличивается. Также можно последовательно добавлять категории и увеличивать объем получаемых данных. Очень важно, чтобы были четко определены границы пилота и те задачи, которые он должен решить».

– От чего зависит ценообразование в проекте

Анна Племяшова, руководитель департамента аналитики больших данных и искусственного интеллекта Beltel Datanomics:

«Цена внедрения зависит от выбранного принципа и архитектуры решения. Как правило, подобные решения предоставляются по подписке (SaaS), а размер ежемесячного платежа рассчитывается в зависимости от количества обработанных изображений. В среднем, стоимость обработки одного изображения составляет один-два рубля и зависит от функционала решения, предлагаемого разработчиком. Ежемесячная плата за подписку определяется частотой мониторинга и количеством пользователей и может колебаться от 50 000 до 500 000 рублей».

Михаил Погребняк, генеральный директор, ShelfMatch Robotics:

«Стоимость работы сервиса зависит только от количества обработанных фотографий. Стартовая цена это два рубля за фото. Эта цена включает определение SKU на фото, вычисление доли полки/бренда, определение пустых мест на полке, сравнение реалограммы с планограммой, сравнение с матрицей торговой точки. Цена может варьироваться в зависимости от требуемой скорости обработки изображений. Моментальная обработка в течение одной-двух секунд дороже, чем, допустим, получение результата в течение четырех-шести часов».

– Как выбрать поставщика

Александр Царев, креативный директор Ace Target:

«На рынке регулярно появляются новые игроки, предлагающие свои решения для распознавания изображений. На текущий момент данная технология реализована посредством работы нейросети по определенной технологии ассоциаций машинного зрения с изображениями на фото и ключевым точкам на изображении продукции, предварительно внесенным в базу. Поэтому сам принцип работы решений плюс минус одинаковый у всех поставщиков. Но, как в знаменитом анекдоте, есть некоторые нюансы.

Лидерами рынка можно назвать такие компании, как Trax (Израиль), Inspector Cloud, Intelligence Retail.

Надежность поставщика определяется:

– портфелем клиентов и проектов в разрезе текущий/реализованный (так как из этих данных формируется и актуализируется продуктовая база для распознавания);

– процент точности распознавания. Поставщики заявляют о 98%. Обращаю внимание на то, что это крайне примерная цифра. Реальное качество варьируется в пределах 95% при условии регулярной актуализации базы;

– качеством работы онлайн-портала и мобильного приложения;

– готовностью к адаптации технологий под потребности заказчика;

– возможностью «связки» систем отчетности/внутреннего учета продукции посредством открытого API;

– возможностью качественной интеграции с SFA».

– Что еще необходимо учесть перед запуском проекта

Анна Племяшова, руководитель департамента аналитики больших данных и искусственного интеллекта Beltel Datanomics:

«Любой проект должен начинаться с формирования технического задания. В основе ТЗ должны лежать цели компании и бизнес-требования к решению с учетом его возможностей и ограничений, таких как:

•          не видна глубина полки, можно детектировать только фейсинги;

•          если выкладка «россыпью», то количество товара посчитать не удастся;

•          точность распознавания товара в «мягкой» упаковке может быть ниже, чем в твердой;

•          сложность распознавания литража при одинаковых этикетках продукции;

•          точность распознавания товара за стеклом (дверцы, например) может быть ниже из-за бликов.

Должна быть выбрана метрика качества распознавания и значение, которые будет целевым требованием по точности системы. Например, могут быть выбраны следующие метрики:

P = TP / (TP+FP),

R = TP / (TP+FN),

где:

P — точность (precision),

R — полнота (recall),

TP — истинно-положительный ответ (true positive),

FN — ложноотрицательный ответ (false negative),

FP — ложноположительный ответ (false positive).

Значения метрик, на основании которых принимается решение о дальнейшем масштабировании проекта, согласовывается в техническом задании и зависит от задач заказчика. Но, как правило, внедрять подобные решения целесообразно, если точность превышает 90%, иначе ложные срабатывания системы приводят к дополнительным затратам на проверку оповещений и подрывают доверие персонала.

Также необходимо определить:

•          как будет происходит сбор фотографий: планшеты/смартфоны или фотопоток с камер наблюдения (в случае ритейла);

•          количество SKU, которые необходимо распознавать, количество торговых точек;

•          частота мониторинга, например, два раза в месяц, раз в день и т.п. (в случае фотопотока с камер контролировать ситуацию можно и раз в 15 минут, и дважды в день);

•          требования по интеграции с существующими системами;

•          допускается ли облачная архитектура решения или требуется реализация на собственных серверах.

Этот перечень позволит сформировать бюджет внедрения и архитектуру решения».

Андрей Будяну, руководитель проектной группы Ace Target:

«Я считаю, что перед запуском проекта очень важно договориться о тех метриках, которые будут замеряться и собираться в полях. Это позволит избежать разночтений в итоговой базе собранных полевых данных. У всех участников процесса должно быть четкое понимание, что система может, а что – нет. Каждому действию систему нужно обучать и программировать.

Также я считаю, что компании, запускающий подобный проект, нужно найти отдельного специалиста для его ведения. В обязанности такого сотрудника будет входить поддержание и наполнение базы изображений. Это необходимо, потому что полевая ситуация меняется подчас стремительно, а вам всегда нужно держать руку на пульсе событий.

Еще один важный момент, о котором не стоит забывать, – наличие качественной фотокамеры и качественного интернета».

– Чего ждать по итогам реализации проекта

Анна Племяшова, руководитель департамента аналитики больших данных и искусственного интеллекта Beltel Datanomics:

«С помощью систем распознавания можно улучшить контроль за качеством выкладки и наличием товара на полках. Что в свою очередь повышает лояльность покупателей и привлекает новых. Например, исследование IHL Group подтвердило, что североамериканское подразделение сети Amazon получило 20% дохода за счет покупателей, которые не нашли нужные товары в местном магазине и пришли за ними к бренду.

Кроме того, стоит отметить следующие преимущества:

• Увеличение объема продаж благодаря повышению представленности товаров на полке. Пример из практики нашей компании: региональному ритейлеру удалось повысить продажи на 15% благодаря контролю за своевременностью выкладки товаров СТМ.
• Сокращение времени, затраченного на контроль выкладки товара в сравнении с ручной проверкой. Процесс детектирования и идентификации занимает одну-две секунды. Вся информация о состоянии полок может быть записана в базу данных клиента для последующего анализа и контроля работы. Пример из нашей практики: агентству, проводящему исследование рынка для производителя пива, удалось ускорить работу сбора и анализа фотографий полок в 4 раза.
• Уменьшение процента ошибок в подсчёте SKU. Сбор и обработка информации — большая нагрузка на персонал, а доля ошибок в этом процессе, согласно данным исследования Стэндфордского университета, близка к 20%. Так что точность системы распознавания более 90% заметно повышает качество.
• Удобный и адаптивный интерфейс для отчётов.
• Возможность получать актуальную информацию о состоянии полок;
• Сокращение расходов на персонал. Скорость сбора и обработки фотографий увеличивается, в некоторых случаях в 4 раза, что дает возможность оптимизировать количество мерчандайзеров.

Для иллюстрации приведу еще один пример. Проект был реализован нами для федерального ритейлера. «Компьютерное зрение» следило за выкладкой кулинарной продукции. Сервис использовал камеры магазинов и оценивал степень наполненности лотков. При выявлении проблемы – автоматически отправлял сообщения на электронную почту или в мессенджер всем ответственным сотрудникам. В сообщении указывалось наименование товара, номер лотка, срок, в течение которого товар отсутствует, и ссылка на фотографию. Точность распознавания составила 93%».

Алексей Горячев, управляющий директор группы компаний «СиДиСи»:

«Главный результата внедрения – сокращение времени работы мерчендайзера в торговой точке. Это минимизирует риск заражения (что актуально в нынешних реалиях), а также дает экономический эффект: один мерчендайзер может посетить большее количество торговых точек. А значит мы можем повысить охват территории, не нанимая дополнительных сотрудников.

Например, подразделение компании Mars в Казахстане, внедрив наше решение, смогло получать достоверные маркетинговые показатели в офлайн-режиме и уменьшить время работы мерчендайзеров в каждой торговой точке на 25%. В результате корпорацией было принято решение об использовании системы еще в десяти странах присутствия.

Также системы распознавания позволяют организовать полностью удаленный мерчендайзинг с привлечением сотрудников торговой точки. Ведь фотографировать полки могут люди без необходимых компетенций и опыта.

Еще один плюс внедрения – это сбор информации не только по своей продукции, но и по товарам конкурентов (наличие, цены, акции). Такая аналитика крайне важна в условиях падения потребительского спроса».

Михаил Погребняк, генеральный директор, ShelfMatch Robotics:

«Главным преимуществом систем распознавания полки обычно называют сокращение времени, которое полевой персонал тратит на посещение торговой точки. В итоге такой оптимизации можно или банально уменьшить количество сотрудников и, соответственно, затраты на мерчендайзинг, или же увеличить количество визитов, которые должен делать один сотрудник в течение дня, тем самым повысив частоту посещений торговых точек.

Но есть и другая ценность, возможно, даже более важная: при автоматическом распознавании вы получаете сразу же оцифрованные отчёты о положении дел в торговой точке, причём не только в текущий момент времени. Вы можете видеть, что изменилось в сравнении с предыдущим визитом, и отслеживать отклонения от «нормы» всех основных KPI. Такая информация поможет вам более тонко выстраивать и корректировать свою стратегию продаж.

Если говорить о конкретных результатах, которых удавалось добиться нашим клиентам, то они выглядят так:

– качество данных аудита выше на 24%;

– продолжительность визита сокращается на 20%— 45%;

– улучшение OSA (доступности товара на полке) – 7%».

– В чем конкурентное преимущество вашего решения?

Анна Племяшова, руководитель департамента аналитики больших данных и искусственного интеллекта Beltel Datanomics:

«Главное отличие нашего решения состоит в том, что оно представляет собой не традиционное ПО, а сервис, который встраивается в цифровые платформы, учетные системы и прочее ПО клиента, например, в уже существующие приложения для мерчандайзеров. Такой подход связан с запросами на интегрируемые решения и трендом на развитие собственных платформ с микросервисной архитектурой в рамках проектов цифровой трансформации бизнеса.

Основными преимуществами систем на основе микросервисного подхода являются:

• возможность развивать унифицированную многофункциональную платформу с помощью добавления в нее независимых программных компонентов;
• возможность обновлять функционал микросервисных компонентов без «пересборки» всей системы;
• возможность масштабировать процессы, вынося ресурсоемкие задачи, требующие больших вычислительных ресурсов, в отдельные модули, которые могут быть аппаратно отделены от основной платформы. Такое разделение позволяет увеличивать вычислительные ресурсы сервисных модулей без остановки функционирования основной платформы;
• отсутствие необходимости внедрять «чужеродное» узкоспециализированное ПО и обучать персонал.

Взаимодействие внешних разработчиков и интеграция происходит, как правило, через IT-отдел заказчика, персонал которого может наладить выгрузку данных из существующих систем, а в случае необходимости скоординировать коммуникацию и наладить кросс-командную работу со всеми сторонними разработчиками».

Михаил Погребняк, генеральный директор, ShelfMatch Robotics:

«ShelfMatch – это SaaS сервис. Он может быть встроен в любой существующий бизнес-процесс с минимальной интеграцией. Клиент продолжает использовать существующее мобильное приложение, но добавляет в него новые функции распознавания товаров, анализа KPI, связанных с выкладкой, производит анализ реалограмм товаров».

Александр Швидченко, управляющий партнер ISellMore:

«Я сторонник систем с универсальными шлюзами для обмена данными. Такие решения являются предпочтительными для клиента, обеспечивают большую гибкость. Принцип конструктора Lego. В настоящее время мы завершаем разработку шлюза, который позволит нашей SFA-системе работать с большинством систем IR».

Алексей Горячев, управляющий директор Группы компаний «СиДиСи»:

«Принципиальное отличие нашей системы ОПТИМУМ SkyNet Retail от аналогов в том, что полный цикл распознавания происходит на смартфонах и планшетах и не требует наличия сети интернет. При этом скорость распознавания составляет всего одну-две секунды.

Сегодня это единственная в России система распознавания образов, которая работает непосредственно в смартфоне или на планшете без подключения к интернету. Российские и зарубежные аналоги — это ПО, которое устанавливается на мобильное устройство и обменивается данными с серверами или облаком с помощью сети.

Мы же сумели создать весь комплекс библиотек и других компонент для полного цикла распознавания образов на смартфонах и планшетах, вычислительные мощности которых в тысячи раз меньше, чем у серверов. Наши архитекторы и разработчики создали новые алгоритмы и написали все необходимое практически с нуля на языках низкого уровня».

Когда не стоит внедрять IR?

Любая технология не тольrо упрощает жизнь пользователю. Одновременно и неизбежно возникают дополнительные расходы и ограничения. В случае с автоматическим распознаванием полки к ограничениям можно отнести:

• Расходы на внедрение системы. Разовые затраты на настройку и обучение системы в зависимости от товарной категории, ее глубины и сложности оцифровки составят от 700 тысяч до 2,5 миллионов рублей. Это существенные деньги для компаний с небольшой SKU-матрицей и в категориях с низкой ротацией товаров.
• Дополнительные расходы на поддержание системы. Минимальный ценник на обработку изображения на рынке сейчас порядка 2 рублей, но эта цена действует для крупных и особо крупных клиентов. Небольшая компания может рассчитывать не менее, чем на 15-25 рублей за снимок.
• Затраты времени. Да, в ряде случаев, когда маркетолог хочет собрать слишком много данных. Например, небольшая компания, представленная в нескольких товарных подкатегориях, решает замерить долю полки и ее динамику. Мерчендайзер вынужден добавлять к визиту по 15-20 минут, чтобы обойти все места продаж и сделать в каждом по несколько фотографий, которые потом программно «склеиваются».

Резюме

Подводя итоги, можно сказать, что технологии распознавания полки способны произвести настоящую революцию в мерчендайзинге. Контроль за полевым персоналом становится проще и эффективнее, данные из магазинов поступают в режиме онлайн, а процент ошибок при этом минимален. Главное не забывать об ограничениях технологии и ответственности, которая лежит на каждом заказчике, по сбору и предоставлению качественных вводных данных. Можно сказать, что в случае с IR успех проекта действительно в ваших руках.