Развитие нейронных сетей и computer vision, в частности, позволяет сегодня применять технологии распознавания в совершенно различных сферах жизни и бизнеса. Компьютерное зрение не так давно стало использоваться в качестве инструмента распознавания товаров на полке. Первопроходцем в этой области в России стала компания Coca-Cola, заключившая договор с лидером рынка компанией Trax более 3 лет назад. Это решение было призвано стать решением следующих задач: контроль выкладки товаров на полке, рекомендации по размещению товаров, формирование цифровой модели магазина. Однако с работой данной технологии связано большое количество мифов, и мы хотим развеять некоторые их них.
Миф 1: сокращение времени аудита торговой точки
Поставщики заявляют о сокращении проводимого в торговой точке времени на 40-60%.
Факт-чек: CV позволяет сэкономить время при заполнении отчета о наличии по умолчанию - мерчендайзеру не нужно вводить в чек-лист кол-во фейсов по каждому sku, что очень оправдано, если их много. В таком случае преимущество автоматического распознавания перед ручным заполнением бумажных документов очевидно. Однако на этом аудит магазина не заканчивается, необходимо внести еще много других данных таких как причины отсутствия товаров, промо активности, цены, количество на полке, на складе и т.д. - для этого ручной способ будет крайне неэффективен - большие временные затраты, человеческий фактор, вероятность потери данных. Здесь может помочь система автоматизации, которая значительно упрощает ввод всех этих данных и выполнение этих задач с помощью мобильного приложения. Еще одним важным фактором является отсутствие контроля сотрудника при использовании технологии, computer vision не определяет геопозицию устройства в момент загрузки фото и не может выявить загрузку фотографий из галереи. Стабильное интернет подключение и его высокая скорость, необходимые для загрузки и распознавания фото, также влияют на длительность посещения торговой точки, а в наших реалиях обеспечить это бывает чрезвычайно сложно.
Миф 2: немедленное получение результатов
В описании услуги распознавания указано, что результаты по фотографии полевой сотрудник может получить на месте.
Факт-чек: в большинстве действующих проектов, распознавание используется всеми сотрудниками, в том числе из отдаленных регионов России, поэтому часто схема выглядит так: мерчендайзер делает несколько фотографий полки и отравляет их при наличии интернета на сервер, далее эти фотографии обрабатываются в течении 24 часов или более на серверах компании-подрядчика. Конечный результат аудита сотрудника будет доступен менеджеру, в лучшем случае через день или больше.
Ни одна система распознавания не обрабатывает фотографии на самом устройстве, поэтому чтобы получить оперативную информацию в ТТ сразу после аудита или в течении аудита у мерчендайзера должны быть:
- флагманский смартфон последнего поколения, что случается крайне редко
- высокоскоростное интернет соединение (LTE)
- скорость распознавания должна позволять моментально возвращать данные об обработанном фото на устройство
Многие компании не могут себе позволить выполнения всех факторов, а то и вовсе проводят аудит с фотографиями для распознавания раз в неделю, в силу дороговизны технологии. Конечно же, это снижает качество получаемых аналитических данных.
Миф 3: снижение доли “out of stock”
Один из результатов, обещаемый при внедрении технологии распознавания - снижение доли “out of stock”.
Факт-чек: нейронная сеть не имеет инструментов определения и указания причины отсутствия товара, а может лишь зафиксировать это как факт. Чтобы определить причину отсутствия товара, необходимо иметь доступ к складским остаткам и выяснять на месте у товароведов причины нехватки конкретного SKU, также не исключаются и ошибки в самой матрице ТТ. Для эффективного снижения процента OOS производителю необходимы как фактические данные по представленности, так и данные по распричиниванию по каждой SKU.
Мы рассказали о некоторых, на наш взгляд, распространенных заблуждениях с которыми сталкивались по мере работы.Computer vision хоть и активно развивается сегодня, но пока не может полностью исключить полевого сотрудника из процесса составления отчетов о наличии и выкладки товаров. В данном случае можно сделать вывод о том, что технологии распознавания необходимо качественное сопровождение в виде системы автоматизации - в совокупности они могут действительно повысить эффективность работы полевых сотрудников.
