0/5
От ручного труда к автоматизации: как нейронные сети помогают контролировать наличие товаров на полках

От ручного труда к автоматизации: как нейронные сети помогают контролировать наличие товаров на полках

От ручного труда к автоматизации: как нейронные сети помогают контролировать наличие товаров на полках
До сих пор контроль наличия товаров на полках магазинов осуществляется вручную. Это постоянный процесс, который всё равно не может обеспечить полное отсутствие недостатка того или иного SKU. Специалисты по работе с нейронными сетями создали автоматизированную систему, которая минимизирует использование ручного труда и позволяет избежать ошибок в подсчетах SKU. Разберем этапы ее внедрения.
От ручного труда к автоматизации: как нейронные сети помогают контролировать наличие товаров на полкахЮлия Порохненко, аналитик данных Beltel Datanomics.

Эксперты российского ритейла отмечают, что контроль наличия товаров на полке – насущная проблема индустрии, в частности из-за того, что этот процесс до сих пор осуществляется вручную. Сотрудники магазинов вынуждены тратить большое количество времени на мониторинг стеллажей и отчёты. 

Это дорого, а человеческий фактор может привести к ошибкам. Зачастую возникает необходимость проверять работу мерчандайзеров, так как поставщикам особенно важно знать, есть ли их товар на полках и верно ли он размещен. 

Однако технологии не стоят на месте. Специалисты по работе с нейронными сетями создали автоматизированную систему распознавания товаров на полке, которая решает такие задачи, как: 

  • проверка наличия товара на полке
  • проверка на соответствие планограмме
  • расчёт доли товара на полке

Расскажем подробнее о том, что нужно для разработки решения, возможных форматах исполнения и преимуществах его использования в розничной торговле. 




Читайте также: Как искусственный интеллект приносит деньги производителям FMCG и офлайн-ритейлерам




Этапы реализации проекта

Этап 1: Подготовка данных

В первую очередь, необходимо подготовить данные, которые будут использованы при обучении моделей. Для этого необходимо собрать датасет, состоящий из большого количества фотографий полок в магазине в разные моменты времени. 

Этот шаг самый сложный и длительный из всех, что обусловлено следующими факторами:

● Формирование датасета. 

На сегодняшний день не существует готового набора данных, на котором было бы возможно обучить  нейронную сеть, подходящую для любого магазина. В каждом магазине своё количество уникальных SKU, которые могут меняться независимо от других магазинов торговой сети. Из-за этого каждой торговой сети необходимо формировать свой датасет, основанный на тех SKU, которые есть в их ассортименте. 

Чем больше фотографий приходится на одну полку, тем выше будет точность распознавания. Большое количество фотографий позволит получить изображения товаров при разном освещении и со всех возможных ракурсов, а также исключить вероятность отсутствия товара на полке или перекрытия одного товара другим.

 Разметка датасета. 

После  сбора фотографий полок необходимо разметить товары, которые на них присутствуют. Это можно сделать как на стороне заказчика, так и на стороне исполнителя решения. Для наибольшей эффективности разметку целесообразно делать на стороне клиента, поскольку мерчандайзеры торговой сети лучше знакомы с ассортиментом, представленным в магазинах. Разметка фотографий занимает много времени, однако, это самый важный этап в работе.

Этап 2: Детектирование объектов

После того, как данные были подготовлены, можно приступать к следующему шагу – обучению модели для детектирования объектов.

На этом этапе на фотографии выделяются границы товаров, представленных на полке. В результате получается список объектов и их координат, который передаётся модели, идентифицирующей распознанные объекты.

От ручного труда к автоматизации: как нейронные сети помогают контролировать наличие товаров на полках

Этап 3: Идентификация SKU

На этом этапе каждому распознанному объекту ставится в соответствие класс, к которому он принадлежит – в нашем случае это SKU. 

Модель обучается на размеченном наборе данных, полученном на первом шаге. Чем больше изображений приходится на один класс, тем выше будет точность распознавания. Если по какой-то причине нет возможности получить достаточное количество изображений, можно дополнить данные искусственно с помощью преобразований фотографий: поворота, наложения шумов, изменения угла наклона.

Этап 4: Формирование отчёта

В зависимости от пожеланий и задач заказчика, отчёт может быть выполнен в различных форматах. 

Сервис можно реализовать:

  • в качестве средства оповещения: если полка пустая, ответственный сотрудник получает сообщение на почту или в мессенджер

  • для постоянного мониторинга в виде веб-приложения: пользователь может отслеживать состояние полки в режиме реального времени

  • для работы по запросу: сотрудник фотографирует полку и отправляет изображение в мессенджер, в ответ приходит сообщение о количестве товара на указанном стеллаже


От ручного труда к автоматизации: как нейронные сети помогают контролировать наличие товаров на полках

Кроме того, вся информация о состоянии полок может быть записана в базу данных клиента для последующего анализа и контроля работы.


Преимущества использования

  • Увеличение объема продаж благодаря повышению представленности товаров на полке
  • Сокращение времени, затраченного на контроль выкладки товара в сравнении с ручной проверкой
  • Уменьшение процента ошибок в подсчёте SKU
  • Удобный и адаптивный интерфейс для отчётов
  • Возможность получать актуальную информацию о состоянии полок
  • Сокращение расходов на персонал


  Такое решение позволит магазинам перейти от ручного труда к автоматизированному процессу, который позволит сократить расходы на контроль полок и при этом повысить эффективность.

Материал подготовлен специалистами Beltel Datanomics для New Retail





время публикации: 09:30  25 августа 2020 года
0
Теги: информационные технологии, Автоматизация, ритейлеры


Реклама на New Retail. Медиакит
Подпишитесь на новости ритейла

Согласен с политикой конфиденциальности

Реклама на New Retail. Медиакит