Ihre regalbasierte Strategie ist nur so effektiv wie die Vollständigkeit, mit der Computer Vision-Lösungen Daten im Geschäft erfassen.
Wir haben darüber gesprochen, wie wichtig die Genauigkeit von Regaldaten ist und wie eine strenge Durchsetzung der Datenqualität Trax dabei hilft, eine hohe Bilderkennungsgenauigkeit im Einzelhandelsregal zu gewährleisten. Doch in einer sich ständig verändernden Einzelhandelslandschaft, die von neuen Produkten und Verpackungsumgestaltungen überschwemmt wird, ist Genauigkeit nur ein Teil der Geschichte. Wenn Sie Computer Vision (CV)-gestützte Lösungen für die Einzelhandelsabwicklung oder Regalmessung verwenden, ist die Vollständigkeit Ihrer Daten genauso wichtig, um auf dem Laufenden zu bleiben und der Konkurrenz voraus zu sein.
Warum Vollständigkeit wichtig ist
Coca-Cola hat während der kürzlich zu Ende gegangenen FIFA-Weltmeisterschaft eine Kampagne durchgeführt und Dosen in limitierter Auflage mit den Zahlen 0 bis 9 aufgedruckt, damit die Fans die Ergebnisse in den sozialen Medien vorhersagen können. Ein globales Ereignis wie dieses ist der Traum eines jeden Markenmanagers, kann sich aber auch als sein schlimmster Alptraum erweisen. Ohne ein System, mit dem nachverfolgt werden kann, ob die neuen Produkte in den Regalen der wichtigsten Geschäfte gelandet sind, ist es für Marken schwierig, einen optimalen ROI für diese teuren Kampagnen zu erzielen.
Selbst mit Computer Vision gestützter Ladendatenerfassung ist die Erkennung neuer Artikel in den Regalen eine große Herausforderung. Neben neuen Produkten können unvollständige Daten auch aus einer Vielzahl anderer Anomalien resultieren, wie z. B. schlechte Bildqualität, betrügerische Dateneingabe beim Ladenbesuch, doppelte Bilder usw. Unvollständige Daten können zu ungenauen Ergebnissen während des Erkennungs- und Digitalisierungsprozesses führen, was sich wiederum auf die Berichterstattung über Regalmetriken auswirkt.
Sicherstellung der Vollständigkeit in einem sich ständig verändernden Regal
- Automatische Erkennung von neuen oder umgestalteten Produkten
Die Einführung neuer Produkte ist das Lebenselixier vieler Teams in einem Konsumgüterunternehmen und eine wichtige Möglichkeit für eine Marke, relevant zu bleiben. Gleichzeitig werden auch neue Designs für bestehende Produkte eingeführt. Für Lösungsanbieter ist eine veraltete SKU-Datenbank die Hauptursache für die nachlassende Leistung der Erkennungsmaschine, die zu inkonsistenten Daten und unvollständigen Erkenntnissen führt.
Um dies zu verhindern, hat Trax einen kontinuierlichen Überwachungsdienst entwickelt, der auf einem gut durchdachten Algorithmus basiert und mit einer aktiven Lernmaschine arbeitet. Jedes Mal, wenn das System ein neues Produkt oder Design entdeckt, wird die Identität dieses Produkts anhand von Referenzdaten abgeleitet, validiert und dann in der Datenbank aktualisiert.
Das Ergebnis? Die Nutzer können neue Verpackungsdesigns und neue Produkte im Auge behalten und bleiben über neue Produkteinführungen von Wettbewerbern auf dem Markt auf dem Laufenden.
- Automatische Erkennung von Anomalien
Die Bilderkennung hat die Datenerfassung in der Filiale vereinfacht, aber um wirklich effektiv zu sein, müssen die Lösungen für den Einzelhandel immun gegen Anomalien bei der Bilderfassung sein. Benutzer im Außendienst können denselben Regalabschnitt mehrfach erfassen oder manchmal in betrügerischer Absicht die falschen Bilder als visuellen Aktivierungsnachweis hochladen. Um solche Anomalien zu vermeiden und sicherzustellen, dass die erfassten Daten vollständig sind, hat Trax eine unüberwachte Lern-Engine entwickelt, die jede Sitzung überwacht, spezifische Fehler identifiziert, unvollständige und doppelte Aufnahmen erkennt und sogar das GPS des Fotos mit dem bekannten Standort des Geschäfts abgleicht.
- Augmented Reality für eine umfassende Regalerfassung
Angesichts der vorbeilaufenden Kunden, der herumgeschobenen Einkaufswagen und anderer Ablenkungen kann es dennoch schwierig sein, jeden Gang von Ende zu Ende zu erfassen. Manuelle Überprüfungen im Geschäft sind außerdem anfällig für menschliche Fehler wie Doppelzählungen. Um diese Probleme zu lösen, nutzt Trax die immersive Kraft einer Augmented-Reality-Funktion, die Bereiche im Regal markiert, die der Benutzer möglicherweise nicht erfasst hat, und ihn anleitet, die Prüfung genau an der Stelle fortzusetzen, an der sie unterbrochen wurde.
Ein vollständiges Bild des Ladens
Um zuverlässige Geschäftsentscheidungen treffen zu können, müssen die durch Bilderkennung erfassten Daten sauber, vollständig und frei von Anomalien sein. Strenge Kontrollen der Datenqualität und der Vollständigkeit als Schlüsselfaktor bei der Bilderfassung sind grundlegend für die korrekte Berechnung und Berichterstattung von Regalkennzahlen wie Regalverfügbarkeit, Regalanteil und mehr.
In diesem Video sehen Sie, wie Trax die Datenqualität in unserer Computer Vision Plattform durchsetzt.
