Многие сетевые ритейлеры, а также производители используют технологию компьютерного зрения для сбора данных и аудита торговых точек, чтобы получать таким образом своевременную и точную информацию о ситуации на полке. Однако эта технология часто внедряется в магазинах в «сыром» виде и имеет много недочетов. О них, а также о том, на что обратить внимание при выборе системы, Retail.ru рассказали эксперты компании Trax, занимающейся внедрением цифровых технологий в ритейле.
Компьютерное зрение используется для того, чтобы определить, насколько реальная выкладка товара на полке соответствует планограмме производителя или ритейлера, и вовремя исправить ситуацию в случае несоответствия – например, вовремя отправить запрос на склад о пополнении запаса. При помощи этой системы контролируется состояние полки: наличие товара, правильность выкладки, доля полки среди конкурентов и т.п. Однако, если система, собирая данные, неправильно их распознает и интерпретирует, это закономерно приведет к потерям и недополученной прибыли. Итак, разберем, в каких случаях происходят ошибки при получении данных и какие бывают способы их решения.
Как обучают нейросеть?
Фото: Zapp2Photo/shutterstock
Около 30–50% стоимости внедрения любого решения для распознавания изображений приходится на обучение нейронной сети распознаванию продукта на полке. Процесс обучения начинается с подготовки материалов – размеченных изображений объектов, которые нужно будет распознавать. С их помощью мы учим нейросеть «понимать», что изображено на фото. Задача этого этапа – создать систему, распознающую точную модель объекта (в нашем случае это SKU) по фотографии, сделанной на мобильный телефон или планшет. Второй важнейший этап – это постоянное обучение нейронной сети. Всякий раз, когда у SKU появляются новые характеристики (например, изменился дизайн упаковки, размер, этикетка и т.п.), система сразу же должна узнавать об этом. Давайте посмотрим, как это работает (или не работает), на конкретных примерах.
Размер имеет значение
Как распознать мягкую упаковку?
Нейронная сеть, в отличие от человеческого глаза, не всегда может определить, какой размер у товара – 500 г или 2 кг, сложность может возникнуть при расположении товара на разных полках или если продукт упакован в мягкую упаковку.
Мягкая упаковка для большинства систем компьютерного зрения становится нерешаемой проблемой. Размер, который будет присвоен такой упаковке, зависит от ее расположения на полке. Если она приплюснута с боков, система распознает ее как узкую, если смята сверху – как низкую. Поэтому часто можно услышать мнение, что распознать мягкую упаковку невозможно в принципе. Но это не так. Есть системы компьютерного зрения, например Trax, которые успешно справляются с этой задачей.
Ниже – пример того, как товары в мягкой упаковке распознаются корректно, вне зависимости от их расположения.
Как отличить большой от маленького?
В отличие от глаза, который может отличить упаковку со средней полки от упаковки с нижней полки, нейронная сеть (и компьютерное зрение в частности) не всегда в состоянии корректно распознать разницу. Обычные решения просто определят, что на полке стоит корм конкретного бренда, например для мелких собак. Такие показатели, как размер пачки и специфика собаки (для взрослых, активных и т.д.), большинство решений распознать не смогут.
Определение литража бутылок
Еще один типичный случай ошибки в распознавании размера – это определение литража (как показано на рисунке слева). Многие решения вполне способны отличить емкости 900 мл и 2 л, если они стоят рядом на одной полке. А вот те же самые емкости, расположенные на разных полках, различить уже не так легко: многие решения не в состоянии справиться с этой задачей без ошибок.
Считать не SKU, а бренд
Другой пример ошибки – засчитывать за корректное распознавание не конкретное SKU, а категорию или бренд в целом. Например, продукт может быть распознан как Coca-Cola, вместо «Coca-Cola в пластиковой бутылке 500 мл».
Место на полке и ошибки в ассортименте
Категория или SKU?
Компьютерное зрение должно уметь определять, какая часть полки должна быть отдана для размещения того или иного SKU. Для правильного определения доли полки решение должно распознавать все SKU производителя в пределах целой категории. Чаще всего распознавание происходит на уровне бренда, категории или формата упаковки. Например, шампуни и гели для душа часто бывают в похожих упаковках. Но ведь производителю важно понять, какую долю занимают его продукты в ряду аналогов, а не просто среди других бутылок? Особенно важен этот показатель для тех производителей, которые работают в нескольких категориях: например, женские и мужские шампуни, гели для душа, мыло, экомыло и т.п.
В чем измерять долю полки?
Некоторые проблемы возникают, когда система начинает измерять долю полки не в фейсингах, а в сантиметрах, что тоже является стандартным показателем. Например, зубная паста может лежать на полке горизонтально или стоять вертикально. Здесь без распознавания конкретного SKU долю полки посчитать просто невозможно. Получается, если паста стоит, то это один тюбик, а если лежит, то уже шесть тюбиков.
Новая упаковка может сбить с толку
Когда производитель вводит новый дизайн упаковки, нужно незамедлительно сообщать об этом нейронной сети.
Доля в ассортименте – еще один важный фактор. Часто здесь встречается сложность при распознавании, когда один SKU распознается как два разных SKU, если у них отличается дизайн упаковки. Например, если производитель изменил цвет или форму упаковки у своего товара, нейронная сеть должна знать об этом. Если эта информация не будет передана в нейронную сеть, в 50% случаев объект будет распознан как известный ей SKU, а в других 50% – как other (другой), что приведет к путанице и ошибочным данным для отдела продаж.
Принципы и технологии замера полки
On Shelf Availability (OSA) – показатель наличия продукции на полке магазина. Для розничной торговли показатель OSA является одним из важнейших. Он позволяет оценить эффективность работы сети и является ценным источником информации о динамике товаров на полке для производителя.
Выборка «самых важных» SKU ведет к потере данных
Наиболее часто встречающийся пример ошибок при определении показателя наличия продукции на полке магазина – взять в обучение не все существующие SKU, а выбрать 100 «самых важных». В таком случае полученная выборка не будет включать в себя, например, редко встречающиеся SKU (longtail) или новинки, которые только появились на рынке. Это приводит к некорректной аналитике и потере данных по части категории. Например, у longtail может быть своя аудитория потребителей, которые покупают именно этот продукт, но при этом новинка тоже может быть важной частью продуктового портфеля и с ней могут быть связаны конкретные коммерческие планы и ожидания. В итоге производитель получает данные, которые не отражают реального положения вещей.
Как увидеть полку целиком, не «потеряв» товар
Еще одна проблема – распознавание полки целиком. Это особенно важно, когда мы говорим о показателе «доли полки» (SOS). Как правило, полка целиком не умещается в объектив обычной камеры, поэтому для того, чтобы зафиксировать информацию обо всех представленных товарах, нужно сделать несколько фото. В этом процессе «куски» полки теряются или, наоборот, задваиваются, что выливается в ошибки в отчетах и финальных цифрах. Чтобы этого не происходило, используется «технология склейки» (stitching), которая позволяет исключить эту проблему. При использовании «склейки» решение объединяет несколько фотографий в одну, которая представляет всю полку целиком без ошибок и задвоений.
Делаем выводы и оптимизируем выкладку
Систему компьютерного зрения используют не только для своевременного пополнения запасов на полках и контроля планограммы выкладки товара, но и для контроля продаж. Логично, что товар, который продается хорошо, должен занимать больше места. Если доля полки у него ниже оптимальной, его будет недостаточно, что может привести к потерям. Обратная ситуация: непопулярный товар занимает слишком много места, будет портиться и уходить на утилизацию. Компьютерное зрение позволяет вовремя отследить и исправить ситуацию.
При правильном подходе технология распознавания изображений может стать действительно надежным помощником в аудите торговых точек, а подтвердившие свою эффективность решения компьютерного зрения могут помочь производителям избежать перечисленных ошибок.
