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

Юлия 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.



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
  

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