La valeur réelle de la vision par ordinateur dans l'exécution du commerce de détail réside dans la traduction des images capturées en informations exploitables.
Nous avons déjà évoqué des facteurs tels que l'exactitude et l'exhaustivité, qui sont d'une importance capitale pour la qualité des données générées par les solutions de vision par ordinateur en magasin.
Mais comment la vision par ordinateur convertit-elle réellement les images en magasin en données quantitatives significatives pour le commerce de détail et l'industrie des biens de consommation ? Quels sont les outils et les techniques utilisés pour comprendre les conditions réelles d'un magasin à partir d'images ?
Numérisation d'un magasin physique
Le principal avantage de l'utilisation de la vision par ordinateur pour l'exécution de la vente au détail réside dans sa capacité à générer une version des conditions réelles en magasin beaucoup plus précise que les audits manuels. Parce que cette approche est orientée vers le rayon et les présentoirs, elle fournit plus de données sur des paramètres tels que la disponibilité en rayon et la part de rayon que les données des scanners ne peuvent le faire.
Pour que cela fonctionne, une représentation numérique holistique du magasin est nécessaire pour convertir les images capturées en informations exploitables et en calculs d'indicateurs clés de performance capables d'orienter les décisions. Une plateforme de vision par ordinateur de pointe peut exploiter des techniques avancées d'assemblage d'images et de géométrie pour numériser le commerce de détail physique.
- Assemblage d'images panoramiques
Si vous avez besoin de faire des promenades virtuelles, d'explorer des sites ou de trouver des magasins, des restaurants et des hôtels dans n'importe quelle rue du monde, vous utiliserez la fonction Google Street View de Google Maps. Il s'agit d'une fonction qui fournit des vues panoramiques à partir de positions situées le long de nombreuses rues dans le monde. La plupart des photographies sont prises en voiture, mais ce qui est affiché est un panorama d'images assemblées.
Comprendre les conditions d'un magasin à l'aide de la vision par ordinateur implique de capturer de nombreuses images dans des centaines d'allées contenant chacune de nombreux produits. L'un des moyens les plus convaincants de visualiser des données de ce type est de créer des panoramas multi-perspectives.
En termes simples, ce processus revient à extraire des images individuelles prises à partir de différents points de vue et appareils, puis à les aligner pour générer le panorama final. Ce processus de mosaïque - ou d'assemblage - implique une plus grande complexité informatique dans le commerce de détail que dans d'autres domaines.
Dans un contexte autre que celui de la vente au détail, par exemple, il est légèrement plus facile de suivre des visages dans une foule, car il n'y a pas de visages qui se répètent. Mais dans le contexte d'un magasin de détail, où des produits identiques sont souvent placés les uns à côté des autres, le processus de reconstruction visuelle de l'étagère tout en s'assurant qu'il n'y a pas de chevauchements ou de doublons nécessite un moteur d'assemblage construit sur des algorithmes avancés.
Les dernières innovations en matière de saisie de données en magasin s'appuient également sur la technologie de la réalité augmentée qui informe les auditeurs des parties exactes du rayon qui ont été saisies, ce qui accélère considérablement le processus d'assemblage.
- Identifier l'emplacement et la taille des produits à l'aide de la géométrie
Souvent, les fabricants de biens de consommation s'appuient sur un ensemble de mesures ou d'indicateurs clés de performance pour comprendre la visibilité de leur marque, par exemple la part linéaire de l'étagère. Cette mesure correspond au pourcentage de la longueur physique du rayon occupé par une marque dans une catégorie, par rapport à la longueur totale du rayon en pouces ou en mètres.
Le système Trax utilise des techniques géométriques avancées pour tenir compte de l'angle et de la distance par rapport à l'étagère à partir de laquelle la photo a été prise. Cela permet de révéler l'emplacement exact de chaque produit sur l'étagère, même en tenant compte des articles empilés. Par exemple, il peut localiser un Coca-Cola 600 ml dans la travée 4, étagère 2, en tant que quatrième article à partir de la droite, en haut de la pile.
Mais pour calculer des paramètres tels que la part linéaire du rayon, il est tout aussi important de connaître la taille de chaque produit que son emplacement. Des masques rectangulaires serrés sont créés autour de chaque produit, et la quantité exacte d'espace de rayonnage occupé est calculée à l'aide d'algorithmes d'apprentissage profond qui s'entraînent sur les dimensions connues d'un petit échantillon de produits.
- Fondation permettant d'effectuer des mesures complexes sur les étagères
L'assemblage des images et les moteurs géométriques recréent numériquement l'ensemble de l'étagère, mais les données doivent encore être traduites en informations utiles.
Un moteur de calcul KPI flexible et agile travaille sur des points de données multidimensionnels agrégés pour fournir des informations exploitables sur divers paramètres du magasin tels que la présence de produits, la position, le planogramme, les promotions et la tarification.
Les mesures calculées apportent des réponses aux questions essentielles que se posent les marques et les détaillants, telles que : est-ce que j'obtiens ma juste part de linéaire ? est-ce que mes UGS les plus importantes sont en magasin ? est-ce que j'ai les bons facings ? et quelle est l'efficacité de mes présentoirs et de mes promotions ? Ces informations sont ensuite diffusées via des tableaux de bord adaptés aux rôles des utilisateurs, qu'il s'agisse de représentants commerciaux sur le terrain, de superviseurs ou de responsables du siège.
Des algorithmes avancés qui réalisent des assemblages panoramiques et des calculs géométriques sont essentiels pour capturer avec précision les conditions du magasin et les traduire en informations exploitables.
Regardez cette vidéo pour découvrir la plateforme de vision par ordinateur Trax.
