Share it with your network.
Las auditorías minoristas automatizadas que utilizan el reconocimiento de imágenes han ganado popularidad en los últimos años, ya que muchos fabricantes de bienes de consumo están probando la solución o se encuentran en etapas avanzadas de implementación a nivel mundial. Sin embargo, según Informe POI, el costo y la velocidad son las principales preocupaciones, ya que impiden la adopción generalizada de esta solución revolucionaria
Reconocimiento de imágenes para rastrear la ejecución del comercio minorista se está haciendo popular debido al ahorro de tiempo y a la alta precisión que puede ofrecer en comparación con los controles manuales en las tiendas. Según Informe de Gartner, La tecnología de reconocimiento de imágenes puede aumentar la productividad del personal de ventas, mejorar la información sobre el estado de los estantes y ayudar a impulsar las ventas incrementales.
A pesar de todos los beneficios comprobados de la tecnología de reconocimiento de imágenes, los problemas prácticos, como el alto costo de implementación y los lentos tiempos de respuesta, han mantenido baja la adopción de esta solución. Nosotros, en Puntos paralelos, han estado trabajando arduamente para tratar de abordar estos problemas lanzando ODIN, nuestra solución de reconocimiento de imágenes integrada en el dispositivo. Con ODIN, todas las imágenes capturadas por los representantes se procesarán en sus dispositivos portátiles, eliminando así la necesidad de utilizar una conexión a Internet activa y procesos de control de calidad para generar informes de KPI. En esta entrada del blog, analizaremos nuestro enfoque con respecto a ODIN y por qué esto podría suponer un punto de inflexión para las empresas de bienes de consumo masivo de todos los tamaños, que desean implementar sus programas de tienda perfectos.
Por qué el reconocimiento de imágenes en el dispositivo cambia las reglas del juego para las auditorías minoristas automatizadas
Los algoritmos actuales de reconocimiento de imágenes de última generación necesitan servidores potentes, como las GPU, para funcionar de manera eficiente. Este tipo de potencia de procesamiento puede estar disponible a través de la infraestructura de computación en nube moderna. Sin embargo, esto significa que, dado que los representantes de campo toman fotos en la tienda, es necesario subirlas antes a los servidores de la nube KPI de estantería se puede calcular a partir de estas fotos. Este proceso funciona bien en tiendas con conexión Wi-Fi o una buena conectividad a Internet 4G.
Sin embargo, es posible que la conectividad a Internet no sea buena en muchas áreas o con tiendas subterráneas. En este tipo de tiendas, no es posible obtener un informe de KPI mientras el representante esté todavía en la tienda. En estos casos, el reconocimiento de imágenes en el dispositivo podría funcionar muy bien para garantizar que los representantes reciban comentarios sobre las fotos que están tomando, sin necesidad de conectarse a Internet.
Además, la tecnología de reconocimiento de imágenes funciona bien en imágenes de alta calidad. Esto significa que las imágenes pueden tardar un tiempo en cargarse, incluso en áreas que ofrecen una disponibilidad de red decente. Esto puede llevar a situaciones en las que los representantes de campo tengan que esperar más tiempo antes de cargar sus imágenes, procesarlas en un servidor en la nube y, a continuación, enviar los resultados al representante. El reconocimiento en el dispositivo elimina este problema y produce el resultado al instante. Los representantes de campo obtienen información en segundos, en lugar de esperar de 5 a 10 minutos. Esto hace que el resultado sea más procesable y no se pierde tiempo esperando al análisis de la IA.
Desafíos involucrados-
Para llevar a cabo auditorías minoristas automatizadas mediante el reconocimiento de imágenes para que funcionen de manera eficaz, se requieren imágenes de buena calidad. Incluso pequeños cambios en la calidad de la imagen pueden provocar una disminución de la precisión al realizar el reconocimiento de imágenes. Esto es fundamental para la precisión del modelo de visión artificial que se ejecuta en el dispositivo.
Además, obtener la cantidad adecuada de datos de entrenamiento de alta calidad para el reconocimiento de imágenes puede ser un desafío. Casi ninguno de los fabricantes de productos de consumo envasados dispone de una base de datos etiquetada con imágenes de tiendas que esté fácilmente disponible. Por lo tanto, uno de los mayores obstáculos para empezar a utilizar el reconocimiento de imágenes en los dispositivos es el tiempo y los costes asociados a la creación de una base de datos de este tipo.
Además, se lanzan nuevos productos o se cambia el empaque del producto, por lo que se realiza un entrenamiento y reentrenamiento constantes de la IA para mantenerla actualizada. A esto hay que añadir el hecho de que la gran cantidad de datos para el lanzamiento de nuevos productos tardaría algún tiempo en acumularse, antes de que la IA pudiera siquiera capacitarse para utilizarlos.
Algunos datos a tener en cuenta antes de optar por el reconocimiento de imágenes en el dispositivo -
Siempre hay un equilibrio entre la precisión y la velocidad de la información y, por lo tanto, una solución ideal encontrará el valor más óptimo para que la solución sea práctica. Por lo tanto, los ejecutivos de CPG deberán evaluar cuál será el impacto de una menor precisión o de una información más lenta antes de optar por el reconocimiento de imágenes integrado en los dispositivos.
Es importante tener en cuenta que aquí nos referimos a pequeñas diferencias en precisión y velocidad, ya que reconocemos que una solución ideal será precisa y muy rápida. Es posible que un fabricante de productos de consumo masivo pueda implementar en el dispositivo un modelo con una precisión del 91% a nivel de SKU, con un tiempo y unos costes de configuración inferiores a los necesarios para implementar un modelo con una precisión del 98%. Sin embargo, si la alta precisión es fundamental para ellos (debido a incentivos para minoristas), pueden optar por el reconocimiento de imágenes en línea, que permite un proceso de control de calidad para garantizar una mayor precisión. Sin embargo, esto significa que los representantes tendrán que esperar a que las imágenes se carguen, procesen y comprueben su calidad y, a continuación, esperar a que se descargue el informe en su dispositivo para poder acceder a los KPI.
Para fines prácticos, una solución al 91% también puede funcionar. Una solución con una precisión del 91% significaría que, de las 50 SKU únicas disponibles en el mercado, la IA podría no seleccionar correctamente unas 4 SKU. Teniendo en cuenta la cantidad de tiempo que los representantes de campo pueden ahorrarse gracias al reconocimiento desde el dispositivo, tal vez sea mejor que dejarlos esperar a que se generen los informes en línea (aunque tengan una precisión del 98%). Simplemente pueden ignorar las predicciones incorrectas hechas por la IA y tomar medidas en función de las correctas.
Usar esta solución es similar a pedirle a Siri que reproduzca una canción: la mayoría de las veces entenderá correctamente la canción que le pedimos que toque, pero en algunas ocasiones, es posible que no entienda nuestra solicitud y reproduzca una canción diferente. En mi propia prueba con Siri, comprobé que tenía una precisión del 80% a la hora de reproducir canciones con mis comandos de voz, ya que de cada diez solicitudes, ella no podía cumplir con mis dos solicitudes. Sin embargo, un compromiso que estoy más que dispuesto a aceptar al abrir una aplicación, navegar o buscar una canción es más engorroso (solución 100% precisa) que pedirle a Siri que la reproduzca.
ODIN de ParallelDots: reconocimiento de imágenes en el dispositivo para auditorías minoristas automatizadas
Una de las mayores limitaciones de las soluciones de auditoría compatibles con la IA es ofrecer resultados precisos al instante. Para ofrecer una alta precisión, la potencia informática requerida es alta. Sin embargo, los dispositivos portátiles que utilizan los representantes tienen recursos informáticos limitados y hay que tener cuidado de evitar un consumo excesivo de batería en el dispositivo de los representantes para no tener que cargarlo cada 2 o 3 visitas. Aquí es donde gana la solución ODIN de ParallelDots. Nuestro equipo de ciencia de datos ha logrado optimizar nuestro algoritmo de tal manera que Reloj Shelf le ofrece lo mejor de ambos mundos: precisión y velocidad.
Con ODIN, nuestra solución puede identificar cada SKU de la foto y su ubicación sin necesidad de subir las fotos a la nube para su procesamiento. Esto significa que los representantes pueden ver al instante las SKU faltantes según la lista de MSL e identifique los SKU mal colocados (por ejemplo, poner las marcas premium en el último estante). ODIN también incorpora una solución de gradación de la calidad de imagen completamente offline, que pide al representante que vuelva a tomar las fotos si las fotos no son de la calidad óptima para poder reconocerlas.
En lo que respecta al reconocimiento de imágenes en el dispositivo, recomendamos a nuestros clientes que lo implementen para un número limitado de SKU y KPI. Además, dado que los controles de calidad no son posibles con el procesamiento en el dispositivo, es importante preparar un modelo muy preciso antes del inicio del proyecto para garantizar que la IA haya visto suficientes muestras de cada SKU en diferentes entornos y con diferentes orientaciones. Por lo tanto, recomendamos a nuestro cliente un período de configuración más largo para recopilar datos de alta calidad y luego entrenar a un modelo con ellos. Una vez implementado, ODIN sigue necesitando comentarios humanos, y pedimos a los representantes que nos envíen comentarios sobre los resultados del modelo para que la IA pueda aprender de esos comentarios y mejorar.
Cómo prepararse para el reconocimiento de imágenes en el dispositivo -
El reconocimiento de imágenes en el dispositivo ofrece un alcance inmenso. ¿Para implementándolo con éxito, se requieren ciertos preparativos. Nuestra recomendación es empezar primero con el modo online y dejar que la IA aprenda a utilizar una variedad de imágenes de SKU antes de pasar al modo integrado en el dispositivo. Las empresas de bienes de consumo pueden implementar primero sus principales indicadores clave de visibilidad en el comercio minorista en el modo integrado en el dispositivo.
Además, los conocimientos estratégicos, como la información competitiva y reconocimiento de visualización de precios se puede rastrear en modo en línea, ya que es posible que no sea necesario tomar medidas correctivas rápidas.
El CPG también debe asegurarse de que sus representantes de campo estén bien capacitados en lo que respecta a las pautas para capturar imágenes ideales. Esto sería útil para generar informes de reconocimiento de SKU de alta precisión antes de pasar al modo integrado en el dispositivo.
El reconocimiento de imágenes en el dispositivo es una de las funciones clave que ayudaría a los fabricantes de productos de consumo envasados a mantener la vista puesta incluso en sus tiendas remotas y a mejorar su rendimiento minorista. El hecho de que los representantes puedan actuar al instante puede repercutir en una mejora de la satisfacción de los clientes, lo que redunda en una mejora del estado de la marca y de las ventas. En la era posterior a la COVID, los clientes no darán una segunda oportunidad a las marcas que tengan una disponibilidad fluctuante en las estanterías, sino que optarán por un producto alternativo o pasarán a los canales de comercio electrónico.
¿Te gustó el blog? Echa un vistazo a nuestro otro blogs para ver cómo la tecnología de reconocimiento de imágenes puede ayudar a las marcas a mejorar sus estrategias de ejecución en el comercio minorista.
¿Quieres ver el rendimiento de tu propia marca en las estanterías? Haga clic aquí para programar una demostración gratuita de ShelfWatch.
