Share it with your network.
Há uma literatura considerável disponível sobre como melhorar a execução do varejo em canais comerciais modernos e organizados. No entanto, não temos informações suficientes disponíveis sobre ferramentas, soluções e melhores práticas quando se trata de otimizar a execução do varejo usando o reconhecimento de imagem no comércio tradicional (ou geral).
Essa assimetria de informações cria muita confusão e desinformação em torno de tecnologias emergentes, como Reconhecimento de imagem e seus usos e aplicações no comércio tradicional. Neste artigo, discutiremos os desafios exclusivos e as possíveis soluções para implementar com sucesso o reconhecimento de imagem em lojas comerciais tradicionais.
Antes de começarmos a discussão, vamos dar uma olhada em alguns fatos que nos qualificam para escrever este artigo. Na ParallelDots, criamos nossa primeira solução de reconhecimento de imagem, a ShelfWatch, para uma grande empresa indiana de tabaco para ajudá-la a monitorar sua execução no varejo. A escala e a complexidade técnica do projeto o tornaram um dos projetos de IA mais desafiadores.
Sem acesso a dados rotulados e com frequentes mudanças de design em materiais de ponto de venda (POSM), nossa equipe de ciência de dados criou um algoritmo de reconhecimento de imagem sem nenhum dado de treinamento. Além disso, eles garantiram que o algoritmo estivesse pronto para reconhecer um novo POSM assim que ele fosse lançado no mercado.
Apesar dos desafios mencionados acima, nossa equipe construiu e entregou uma solução de reconhecimento de imagem para o cliente que é atualmente operando com precisão de 99,3%, processando 50.000 imagens por dia para identificar 300 tipos diferentes de POSMs. Todas as fotos pertencem às pequenas lojas comerciais tradicionais da Índia, conhecidas popularmente como lojas de paan-beedi.
Após nosso primeiro projeto no comércio tradicional, entregamos mais projetos cobrindo todos os tipos diferentes de POSMs e resolvendo KPIs, como:
- Presença do POSM
- Pureza do refrigerador (“detectando a presença de concorrentes nos refrigeradores”)
- Distribuição e disponibilidade na prateleira
- Execução de merchandising
Superamos muitos desafios ao resolver os KPIs acima, então pensamos que as empresas de CPG que desejam implantar o reconhecimento de imagem poderiam se beneficiar de nossos aprendizados. Listamos abaixo os 5 principais desafios que precisamos superar:
Falta de uniformidade nos negócios tradicionais
Ao contrário do comércio moderno, as lojas comerciais tradicionais têm layouts muito diferentes e espaço limitado. Portanto, os comerciantes precisam ser criativos para fixar ativos de marca nos espaços alocados pelo varejista. Vamos discutir esse desafio em detalhes com relação à nossa recente implantação de uma grande marca de cuidados pessoais aqui.
No entanto, isso representa um desafio para os algoritmos de reconhecimento de imagem. Um algoritmo de reconhecimento de imagem treinado para identificar essas seções como um todo pode ficar confuso se a orientação do ativo for alterada para caber no espaço limitado presente na loja. Um exemplo é mostrado abaixo:
No comércio moderno, os produtos são sempre colocados ordenadamente na prateleira. Ao contrário do anterior, aqui precisamos de um algoritmo robusto para contabilizar essas mudanças e não penalizar o comerciante erroneamente.
Condições de baixa luminosidade em lojas de comércio tradicional
Uma das perguntas mais comuns que nossos clientes fazem é: se seu algoritmo pode detectar produtos em condições de pouca luz?
Nossa resposta a essa pergunta é: se um olho humano consegue discernir claramente os produtos em uma foto, a IA também pode detectá-los. No entanto, às vezes as imagens são muito ruins, mesmo para o olho humano, por isso é importante detectar essas condições e garantir a ativação do flash para obter uma imagem de melhor qualidade.
Essa capacidade de melhorar a qualidade da foto durante a captura é muito importante para a implantação bem-sucedida da IR no comércio tradicional. Em uma de nossas postagens anteriores, abordamos em detalhes os recursos exclusivos do ShelfWatch que ajudam a melhorar a qualidade da foto no ponto de captura.
Alta prevalência de fotos irrelevantes/spam
Quase todos os projetos que fizemos no ano passado tinham cerca de 40% das imagens que eram irrelevantes. Os motivos mais comuns para uma porcentagem tão alta de imagens irrelevantes são:
- Imagens desfocadas
- Muita reflexão devido à embalagem do produto e/ou ao vidro mais frio
- Imagens contendo outra coisa, exceto a foto do ativo
- As imagens foram tiradas muito perto ou muito longe do ativo
A análise manual de imagens não é confiável e é cara devido ao grande volume de imagens provenientes de diferentes fontes.
Devido à falta de soluções tecnológicas, as marcas não cobrem todas as lojas ou simplesmente desistem do projeto após testarem com poucos fornecedores e/ou soluções.
Acreditamos que, antes do processamento real da imagem, as marcas devem procurar possíveis soluções que possam ajudá-las a reduzir o número de imagens irrelevantes ou de baixa qualidade.
ShelfWatch, por exemplo, detecta automaticamente imagens desfocadas e irrelevantes usando heurísticas específicas do projeto. Há também um painel para os supervisores de vendas monitorarem o desempenho de seus representantes com base na qualidade das fotos capturadas por eles.
Alto custo de implantação
Devido à natureza não uniforme e, às vezes, caótica das lojas GT, existem muito poucas (talvez zero) soluções padrão disponíveis no mercado para reconhecimento de imagem. Portanto, mesmo o fornecedor de tecnologia mais sofisticado que nunca trabalhou com imagens comerciais tradicionais precisaria fazer uma grande personalização em seus algoritmos, o que pode levar a tempos mais longos e custos mais altos para eles..
A métrica mais importante a ser considerada por uma marca de CPG é a capacidade de um fornecedor escalar sua solução piloto sem aumentar significativamente os custos de configuração ou processamento de imagens.
Empilhamento denso de produtos
Outro fator importante a considerar é o empilhamento denso de produtos que ocupam muito espaço, expondo assim uma parte muito pequena da embalagem.
Alguns categorias de produtos como fraldas, batatas fritas, cereais matinais, pasta de dente etc. tendem a ocupar muito espaço se empilhados com a embalagem frontal visível. Muitos proprietários de lojas comerciais tradicionais os empilham de forma que apenas as faces laterais fiquem visíveis. Isso torna muito difícil para os algoritmos de reconhecimento de imagem identificarem o produto. Um exemplo é mostrado abaixo
Fonte: Basta discar
Esses revestimentos de produtos exigem personalizações exclusivas do algoritmo e somente um fornecedor já experiente nessas categorias pode criar essa capacidade.
Os negócios tradicionais formam um canal de vendas significativo em muitas economias emergentes. Apesar dos desafios iniciais, as recompensas são enormes para as marcas que investem recursos para tornar cada loja comercial tradicional uma”Loja perfeita“.
Gostou do blog? Leia mais para descobrir como o reconhecimento de imagem pode ajudar as marcas de bens de consumo a se destacarem no setor comercial tradicional.
.jpg)
