Можете ли вы за пару секунд глазами пересчитать количество SKU на этом фото? А на глаз, но безошибочно и быстро определить долю полки для каждой категории товаров и сравнить полученные данные с планограммой?

 

А современные технологии компьютерного зрения способны справиться с такими задачами не только во много раз оперативнее, но и гораздо точнее, чем человеческий мозг. На фотографии выше система автоматического контроля мерчандайзинга за 2,5 секунды распознала 37 SKU, 39 фейсингов, вычислила процент полки для шампуней, красок для волос и средств для укладки, сравнила выкладку с планограммой и обнаружила 2 несоответствия. Сколько времени ушло бы на ручной подсчёт этих показателей у вашего торгового представителя?

Ежедневно руководители, маркетологи, мерчендайзеры и супервайзеры сталкиваются с большим количеством вопросов, касающихся выкладки товаров на полках магазинов:

— Выставлена ли моя продукция в соответствии с планограммой?

— Все ли товарные позиции (SKU) присутствуют на полке?

— Каково моё конкурентное окружение?

— Есть ли ценники под всеми товарами моей продукции?

— Разместила ли торговая сеть акционные ценники?

Своевременные и правильные ответы на эти вопросы крайне важны для повышения оборачиваемости товаров, достижения плановых объемов продаж, умелого обхождения с запасами товаров нерегулярного спроса, корректного исполнения договорных обязательств перед торговыми точками и поставщиками.

Для того, чтобы помочь бизнесу автоматизировать и оптимизировать процесс контроля торговой полки, петербургская ИТ-компания Кузнеч разработала сервис ShelfMatch: полностью автоматическую систему распознавания SKU и глубокого анализа продуктовой выкладки. Система обеспечивает точность распознавания, близкую к 99% — для сравнения, предел точности человеческого глаза составляет 96-97%.

Высокоточность и эффективность работы ShelfMatch объясняется технологической основой: система использует специально адаптированный метод свёрточных нейронных сетей (convolutional neural networks). Искусственные нейросети — это упрощённый аналог нейронных сетей, существующих в головном мозге человека. Если правильно организовать искусственную сеть, она может учиться на основе предыдущего опыта, обобщать уже известные ей прецеденты и применять модели на новые случаи и выявлять особенности в большом массиве входных данных.

Несмотря на то, что современные нейросети устроены в полторы тысячи раз проще, чем головной мозг крысы, уже сейчас они успешно решают нетривиальные задачи. Например, всем известные социальные сети используют технологию для автоматического проставления тегов, создания товарных рекомендаций, поиска по фотографиям. Разработчики с помощью сетей научились писать музыку, стилизовать и создавать картины (особенно хорошо нейросети умеют рисовать в стиле импрессионизма), следить за состоянием пациента, крайне точно распознавать лица и объекты.

Схематично работу нейронной сети можно представить так:

Изображение (в нашем случае — фотография SKU) пропускается через серию свёрточных слоёв. Каждый слой “раскладывает” изображение по характеристикам, начиная от  самых простых и до самых глубоких, каждый раз двигаясь по свойствам более высокого уровня. В итоге, мы получаем некий набор признаков, позволяющий сети определять, что это тот или иной объект, то или иное SKU, и отличать один объект от другого.

С точки зрения конечного пользователя ShelfMatch работает следующим образом: мерчандайзер/торговый представитель делает фотографию полки мобильным устройством с предустановленной системой, загружает фото на сервер и на выходе получает аналитический отчёт. ShelfMatch определяет и протоколирует основные параметры:

  • наличествующие в выкладке SKU
  • количество фейсингов в выкладке
  • тип упаковки
  • доля полки своей и конкурента
  • сравнение реалограммы с планограммой

А также решает нетривиальные, недоступные подобным решениям задачи, распознавая:

  • “дырки” (пустое место на полке)
  • наличие/отсутствие чека
  • наличие/отсутствие акционного чека
  • различает обычный/акционный чеки

 

Результаты отчётов формируются в удобном для вас формате: xml, Excel или любой другой — и высылаются лицам, принимающим решения, в виде вложенного файла на электронную почту. Функционал системы предусматривает разграниченный доступ для аналитик разного уровня.

Вы можете познакомиться с системой ShelfMatch скачав аналитическую записку и запросив демоверсию системы. Также вы можете заказать проведение пилотного проекта непосредственно на ваших SKU. В стоимость пилотного проекта входит:

  • сбор фотографий полок с выбранными SKU для обучения сети,
  • непосредственно обучение системы на распознавание ваших артикулов,
  • веб-версия системы в интерфейсе заказчика,
  • мобильное приложение (по договоренности).

Также вы получите документацию по интеграции системы через API и обучающие материалы по корректной съёмке полок в торговых точках.

Срок проведения пилотного проекта, в среднем, составляет, 3-4 недели.

Со всеми вопросами, касающимися ShelfMatch, обращайтесь по телефону: +7 (812) 303 90 66 или в форме обратной связи  на сайте http://kuznech.com/.

*материал опубликован на правах рекламы

Отправить ответ

Уведомлять о
avatar