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

Анна Племяшова, Руководитель Департамента аналитики больших данных и искусственного интеллекта Beltel Datanomics ответила на вопросы корреспондента портала Trade Marketing Tools

  1. Каким компаниям стоит внедрять подобное решение (есть ли какие-то четкие параметры, по которым компания может понять, что ей нужно подобное решение: количество SKU, мерчендайзеров, охват торговых точек и т.п.).

Основные задачи, которые компании хотели бы решить с использованием систем распознавания товаров на полках – это автоматизация мониторинга полок для снижения трудоемкости и ускорения работы персонала, исключение человеческого фактора, удаленный мониторинг полок и быстрая реакция на ненадлежащую выкладку. Самый простой критерий для принятия решения о внедрении – оценка суммарных расходов на проект, дальнейшую поддержку решения и полученной выгоды

  1. Как происходит внедрение? Требуется ли какая-то особая подготовка? Каковы требования к ПО, CRM, квалификации персонала, ПО или моделям планшетов/смартфонов, с которыми работают мерчендайзеры и т.п.

Можно выделить четыре основных этапа реализации:

  1. Формирование технического задания
  2. Подготовка датасета
  3. Реализация пилотного проекта
  4. Масштабирование

На этапе формирования технического задания должны быть сформулированы цели и бизнес-требования к решению с учетом ограничений систем компьютерного зрения, таких как:

  • не видна глубина полки, можно детектировать только фейсинги;
  • если выкладка «россыпью», то количество товара посчитать не удастся;
  • точность распознавание 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 стекла.

Должна быть выбрана метрика качества распознавания и значение, которые будет целевым требованием по точности системы.

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 или раз в день; в случае фотопотока с камер – это может быть и раз в 15 минут или 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.

Подготовка датасета – трудоемкий, но важный этап.

Он состоит из:

  • Сбора фотографий
  • Разметки изображений

Принципы создания датасета для распознавания товаров на полке описаны в статье.

Датасет можно формировать самостоятельно, можно обратиться к компаниям, которые специализируются на подобных услугах, или включить требование о формировании датасета на стороне разработчика в техническое задание.

Готовый датасет – это актив, который дает степень свободы в выборе поставщика решения. С датасетом, например, можно устраивать хакатон и выбирать лучшие модели распознавания.

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

На этапе пилотного проекта происходит обучение модели на размеченном датасете, оценка качества распознавания, настройка оповещений, отчетов согласно техническому заданию и тестирование.

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

  1. Каковы сроки внедрения? Предусмотрен ли (и нужен ли) тестовый период? Если да, то как он проходит? Какие сложности чаще всего возникают в процессе внедрения?

Сроки внедрения зависят от наличия датасета. Если готового у компании нет, потребуется время на сбор изображений и разметку.

Основные требования к фотографиям:

  • фотографии должны быть хорошего качества, сделанные при достаточном освещении;
  • снимать полку необходимо фронтально, захватывая как можно большую площадь, по возможности объекты на полке не должны быть обрезаны;
  • чем больше фотографий будет приходиться на каждый SKU, тем лучше;
  • минимальное количество фотографий – 200 изображений на один SKU.

Разметка датасета, например, для 150 SKU в среднем займет неделю. Процесс можно ускорить за счет количества специалистов, которые будут размечать изображения.

В целом, пилотный проект может длится 2-3 месяца и в том числе зависит от срока тестирования, выбранного заказчиком.

Основные сложности в процессе внедрения и масштабирования возникают с качеством распознавания товаров. В каких-то торговых точках полка может быть недостаточно освещена, могут быть блики, например, если товар размещен в холодильнике, нестандартные формы полок (наклонные, закругленные) тоже влияют на качество распознавания.

  1. Как строится ценообразование? От чего зависит конечная цена внедрения? Есть ли здесь какие-то переменные (например, количество загружаемых фотографий) или нет? Потребуются ли дополнительные расходы в процессе внедрения?

Цена внедрения зависит от выбранного принципа и архитектуры решения.

Как правило, на рынке подобные решения предоставляются по подписке (SaaS) и цена ежемесячного платежа рассчитывается в зависимости от количества обработанных изображений.

  1. Чем ваше решение отличается от других представленных на рынке? Что вы считаете своим конкурентным преимуществом?

Основное отличие нашего решения — это не традиционное ПО, а сервис, который встраивается в цифровые платформы клиента, учетные системы, прочие ПО клиента, например, уже существующие у заказчика 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.

  1. Насколько часто случаются ошибки распознавания? Как они отслеживаются и исправляются в процессе работы?

Ошибки распознавания случаются, т. к. нет моделей, которые бы работали со 100% точностью. Например, системы, которые выдают точность 95-98% — это очень хороший результат. В процессе работы, происходит накопление новых изображений и качество распознавания может улучшаться дообучением модели на новых изображениях. Как правило, дообучение включается в стоимость подписки.

  1. Расскажите об удачных кейсах внедрения. Необязательно называть бренды, перечислите по каким показателям и каких результатов удалось добиться.

Контролировать можно не только выкладку товаров на полках, но и выкладку кулинарной продукции. Решение было реализовано для федерального ритейлера. Чтобы исключить человеческий фактор и автоматизировать процесс, ритейлер решил использовать технологию компьютерного зрения для контроля выкладки. Ядром системы стала нейросеть, созданная специалистами Datanomics. Сервис использует камеры ритейлера, установленные для контроля выкладки и распознает степень наполнения лотков с кулинарной продукцией с точностью не менее 93%, и, в случае нарушения качества накрытия продолжительностью более 30 минут, автоматически отправляет ответственным сотрудникам сообщение на электронную почту или мессенджер. Письмо содержит информацию о номере пустого лотка, продолжительности отсутствия товара, наименование товара и ссылку на фотографию. Сервис также накапливает исторические данные о качестве выкладки и имеет систему отчетности для дальнейшего анализа.

  1. На что компании могут рассчитывать по итогам внедрения (какие показатели можно улучшить)? А чего ждать не стоит?

Прежде всего, контроль качества выкладки и наличия товара на полках 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;
  • сокращение времени, затраченного на контроль выкладки товара в сравнении с ручной проверкой;
  • уменьшение процента ошибок в подсчёте SKU;
  • удобный и адаптивный интерфейс для отчётов;
  • возможность получать актуальную информацию о состоянии полок;
  • сокращение расходов на персонал.

Чтобы результат соответствовал ожиданиям, при внедрении подобных с систем важно не забывать об ограничениях технологии компьютерного зрения и не переоценивать возможности решения.

С полной версией статьи можно ознакомиться на портале.

Оставьте заявку и получите бюджет и план внедрения наших решений в ваш бизнес

    Заполняя форму, Вы соглашаетесь с правилами обработки персональных данных.

    We use cookies and other technologies to make our Website and its services convenient for you. By continuing to visit or use our services, you are agreeing to the use of Cookies and similar technologies for the purposes we describe in the «Cookie Statement»