Что мешает распространению цифромерча

Что мешает распространению цифромерча

С 2015 года технологии компьютерного зрения пытаются «прижиться» в российском ритейле. В 2016-2017 годах новости о запуске многочисленных пилотов звучали регулярно. 

Прошло пять лет, но в розничных магазинах пока не наблюдается дополнительного контура камер для распознавания товаров, да и мерчандайзеров, снимающих полку на телефон, как это показано в рекламных роликах разработчиков решений, нечасто встретишь — я, например, ни разу не видела.

Почему же такая, казалось бы, передовая технология остается лишь «перспективной»? Почему ИТ-продукты, которые обещают решить массу проблем ритейлеров и производителей — от out-of-stock до оптимизации персонала — пока не получили признания и не используются повсеместно? 

Причина 1. Подготовка датасета

Пока что не существует готового набора данных, на котором можно было бы обучить нейронную сеть, подходящую для любого магазина. Отчасти этим объясняется факт, что производители из FMCG идут в пилоты проектов цифрового мерчандайзинга охотнее, чем ритейл. Разметить товары для сотен номенклатур легче, чем разметить тысячи позиций товарной матрицы ритейлера.

Подготовка датасета — самый сложный и длительный этап проекта и часто обсуждение потенциального внедрения заканчивается из-за осознания заказчиком трудоемкости этого этапа.

Причина 2. Наличие инфраструктуры

Одна из целей цифрового мерчандайзинга — исключить человека из процесса контроля полок и заменить его на систему сбора и распознавания объектов на изображении.

Такая система может выглядеть, например, вот так:

Существующие системы видеонаблюдения в ритейле монтировались для служб безопасности, поэтому камеры направлены на проходы. Для выполнения задач цифрового мерчандайзинга камеры должны смотреть на полки фронтально. Нужен дополнительный видеоконтур, что требует затрат и изменений существующей инфраструктуры. И если на пилотных проектах можно попробовать работоспособность решения на нескольких камерах, то при масштабировании придется модернизировать всю существующую ИТ-инфраструктуру.

Некоторые российские ритейлеры решили попробовать роботов для мониторинга полок. Их не останавливает опыт Walmart, который в конце прошлого года решил разорвать контракт с Bossa Nova Robotics и вернуться к простым и экономичным способам контроля полок — с помощью людей.

На наш взгляд, подобные пилоты — это имиджевые проекты. Безусловно, они вызывают интерес у покупателей, но в дальнейшее масштабирование верится слабо. 

Причина 3. Выкладка и упаковка

Технология компьютерного зрения — это не волшебное решение. То, что не может на изображении различить человеческий глаз, скорее всего, не сможет определить и машина.

Машина будет ошибаться, когда упаковки бликуют или когда этикетки у бутылок одинаковые, а литраж разный. Будут возникать ошибки при распознавании мелких товаров или выкладки россыпью, когда и человек по фото не смог бы понять, что это за товар и сколько его. 

Например, заказчик рассматривал возможность распознавания такой выкладки:

В этом случае, даже если система сможет прочитать названия на коробках, блики света приведут к ошибкам. Кроме того, товары, перекрытые другими упаковками, невозможно посчитать. Поэтому смысл такого распознавания крайне сомнительный.

Причина 4. Наличие интернета

Как правило, ИТ-продукты для мониторинга полок используют облачные технологии, и для устойчивой работы приложения нужен интернет.

С проблемой, в основном, сталкиваются мерчандайзеры FMCG-производителей, использующие мобильные приложения для контроля полок в торговых точках. Из-за отсутствия или слабого сигнала интернета мерчандайзер не может завершить работу или тратит неоправданно много времени на контроль. В результате — получает штрафы и нарекания от руководства.

На рынке существуют мобильные приложения, которые могут работать автономно, но они, как правило, быстро разряжают батарею на устройствах и их возможности распознавания слабее, чем у облачных решений.

Причина 5. Точность

Системы распознавания товаров на полке целесообразно внедрять, когда точность распознавания составляет не менее 95%. Система, которая часто ошибается, которую надо перепроверять, — бессмысленна, к ней отсутствует доверие, зато присутствует раздражение.

Как уже было отмечено, на точность влияет выкладка, упаковка, освещение, используемые устройства и алгоритмы. И даже если точность на пилоте удовлетворительная, масштабирование повлечет затраты, которые заказчик может посчитать необоснованными. Поэтому часто успешно завершенный пилот так и остается только красивым пресс-релизом для истории.

Крайне сомнительно, что в ближайшем будущем появятся приложения, которые легко будут работать не с единичной этикеткой, как, например, популярное приложение Vivino, а с целой полкой, причем любых товаров.

Решения распознавания товаров начинаются с датасета. Пока не создана платформа, на которой накапливаются и обновляются размеченные датасеты производителей товаров для обучения нейросети, вход в проекты будет трудоемким, а масштабирование — иметь крайне туманную перспективу.

Источник: New Retail

Также в этом номере журнала «Мобильная Торговля» №97, 09/2021:

• Спасаем продажи: кейс успешного взаимодействия производителя и сети
• О чём забывают ваши мерчандайзеры?
• Ошибки при оценке стоимости штата мерчандайзеров
• Бочкари: мониторинг холодильных витрин
• Перестройка ландшафта sales-систем Mars Petcare
• Вадим Уланов, Ferrero Russia: «В Agile ошибки — это часть процесса»
• «К черту скромность»: как получать зарплату, которой вы достойны
• Что не так с Big Data в FMCG?