IR в Beluga Group: 19 вопросов о нейросетях для торгового аудита

IR в Beluga Group: 19 вопросов о нейросетях для торгового аудита

Эффективность применения Image Recognition сильно зависит от человеческого фактора. Мерчандайзер не поправит выкладку — точность распознавания снизится — компания не получит достоверные сведения о доле полке, представленности, аутофстокам и пр. Так что Image Recognition — это просто еще один, хотя и инновационный, инструмент в руках сотрудника. Наверное, поэтому представители FMCG-компаний задали Петру Кузину много вопросов про мотивацию команды. Предлагаем вашему вниманию самые интересные моменты Q&A-сессии.

— С какого года Beluga использует решение?

— Систему «ST Чикаго» для оцифровки полки мы используем более 7 лет, модуль IR запустили в октябре 2020 года.

— Сколько пользователей работают с IR? Какие данные собирают?

— Мы подключили более 500 мерчандайзеров и теперь оцифровываем 100% визитов, распознаем 9 сейлз-категорий, мониторим 300 SKU конкурентов. Благодаря IR мы точно знаем свою долю полки в водке, вине, игристом вине, коньяках, роме, настойках и др.

— Изменился ли показатель OSA?

— Влияние цифромерча на OSA мы оцениваем как 1,5% в крепком алкоголе и 1,5% в вине. В общем показатель вырос на 3%.

— Насколько увеличился бюджет с момента перехода от распознавания фотографий людьми к автоматическому распознаванию?

— Бюджет не увеличился, напротив, мы сэкономили. В остальном это закрытая информация.

Распознавание: возможности

— Какова точность распознавания?

— Точность определения категории у нас выше 95%. Сложные ситуации встречаются: так, только в категории «вино» бывает очень много объектов для распознавания — 15-20 тыс. SKU. Но и в таких случаях система хорошо справляется.

— Как отрабатываются ситуации, когда что-то стоит посередине паллета? Приходится стеллаж разбивать на несколько сцен?

— Если полка разделена, то, конечно, сцена прерывается, и новая начинается после препятствия. При склейке фотографий могут возникать ошибки нахлеста. Все зависит от того, что и как сфотографировано. Если один стеллаж 2 раза сфотографировали с некорректным нахлестом, то мы не получим корректную склейку. Это может привести к ухудшению точности, но критично на нее не повлияет.

— Рассматривали ли вы изменение дизайна этикеток для повышения качества распознавания?

— Дизайны разрабатываются для потребителя, а не для систем. Это наша задача — распознать товары правильно.

— Какова скорость распознавания?

— Если у сотрудника есть интернет, мы получаем обратную связь со сцены в течение 3-5 минут. По гипермаркету типа «Метро» отчет по OSA будет сформирован уже через 5 минут после отправки последней фотографии.

— Формируются ли автоматически задачи для мерчандайзера после распознавания полки, чтобы сразу исправить ситуацию в магазине?

— Система сопоставляет позиции из матрицы и фактическое наличие товаров. Список нераспознанных SKU приходит на устройство мерчандайзера в течение 5 минут. Он может вручную указать причину OOS, например: позиция в блоке, отсутствует в ТТ, ошибка распознавания. Когда система часто не распознает какое-то SKU, которое есть в наличии, мы передаем информацию нашему IR-провайдеру, компании SmartMerch.

Распознавание: ограничения

— Вы фотографируете все категории каждое посещение?

— Первое время мы снимали все полочное пространство каждый визит, а потом считали усредненные значения по полке за месяц. Но практика показала: полка меняется не так часто, достаточно фиксировать ее раз в квартал.

— Как вы технически распознаете ДМП на фото?

— В приложение загружены сцены с ДМП разных видов, и мерчандайзер заранее отмечает, что он фотографирует. А нейросеть определяет, какая именно продукция должна там стоять. Насколько я знаю, аналогичные проекты работают по такому же принципу: распознавать дополнительные места продаж нейросети пока не умеют.

— Работает ли распознавание в офлайн-режиме?

— Само распознавание не работает без интернета, но фотографировать можно. Мерчандайзер делает снимки через приложение «ST Мобильная Торговля» (мобильная часть комплекса «ST Чикаго»), поэтому быть онлайн в момент визита не обязательно. Данные отправятся на распознавание, когда сотрудник доберется до зоны покрытия сети.

Распознавание: ценники

— Какой уровень точности распознавания цен?

— Свыше 90%. Ценники в каждой торговой сети выглядят по-разному. Плюс набирает силу тренд на электронные ценники — там вообще иначе оформляются акции, нейросеть нужно дообучать таким вещам. И нужно понимать, что точность распознавания цен сильно зависит от качества работы мерчандайзера. Чтобы все ценники правильно распознались, они должны быть корректными и находиться под своими позициями, а товары — развернуты фэйсами.

— Как система отрабатывает случаи, когда товар на полке отсутствует, а ценник для него есть?

— Мы не верифицируем ценник по наименованию позиции, а распознаем только цену до копеек и смотрим наличие акционности. Поэтому в нашем случае система будет считать, что товар в принципе есть в матрице этой торговой точки, и сравнивать фактическое наличие с матрицей.

Распознавание: проверка

— Как измеряется процент точности распознавания, входит ли в процент качество склейки цен и качество распознавания ценников?

— Мы ежемесячно замеряем точность распознавания по нашему алгоритму. Как именно считается точность съемки — не могу рассказать из-за NDA.

— Как вы боретесь с тем, что фотографируется не вся категория, из-за чего доля полки считается некорректно?

— Мы проводим выборочный аудит, придерживаясь специального алгоритма по обнаружению нарушений. Нас можно обмануть на какое-то небольшое количество фейсов. Но если фейсы занижаются глобально — значительные выбросы мы обязательно выявим.

Команда: мотивация

— Получилось ли привязать результаты IR к бонус-матрице вашей полевой команды? Как это было воспринято, ведь IR никогда не бывает на 100% точным?

— Когда точность распознавания достигла 93%, мы привязали бонусы к исполнению ассортимента. Мы понимаем, что могут быть исключения: сотрудник пришел в магазин, а там света нет — пришлось фотографировать в темноте, и в итоге что-то не засчиталось. Поэтому мы планируем цели и задачи с учетом процента погрешности. Но в целом мы можем быть уверены, что получаем качественные данные: уровень распознавания в июне — 95%.

— Если система не распознала 10%, сотрудник получит бонус за представленность в размере 100% или 90%? Не будет ли это демотивировать?

— У нас не может быть 10% ошибок: при точности 93% процент ошибок не превышает 7%. При этом бренд распознается в 98-99% случаев. Даже если неправильно определится литраж, погрешность KPI по доле полки будет настолько ничтожна, что сотрудник не пострадает.

— Если нужно сделать много фото сверху вниз, слева направо, под прямым углом — это может вызвать недовольство агента из-за дополнительной физической нагрузки. Есть ли жалобы?

— Работа мерчандайзера предполагает физические нагрузки: где-то нужно присесть, наклониться, что-то принести, выставить. Так что в плане задач нет ничего нового. Но — сколько людей, столько и мнений, негатив может быть в любом случае. У нас четко определены правила, которые делают работу мерчандайзера понятной и прозрачной.

Источник:
vc.ru

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

• IR в Beluga Group: 19 вопросов о нейросетях для торгового аудита
• Как онлайн-продажа алкоголя повлияет на индустрию FMCG?
• Beluga: дорожная карта и результаты внедрения IR
• Как сделать IR зеркалом полки?
• Что мешает распространению цифромерча
• Как обойти систему контроля? 7 уловок полевых сотрудников
• Ferrero: краудаудит торговых точек
• ITOS: торговый аудит любым персоналом

Вам также могут быть интересны статьи:

• 
  «Алвиса»: чем больше у вас данных, тем вы сильнее
• 
  Бочкари: мониторинг холодильных витрин
• 
  Beluga: дорожная карта и результаты внедрения IR
• 
  Управление полями: как «Руст» работает с sales force
• 
  Сценарий работы с сервисом «ST Супервайзер»