О компании
«Т2 — российский оператор мобильной связи, регулярно проводит фотоаудиты более 6500 торговых точек альтернативной розничной сети».
Ключевые результаты
х10
снижение затрат на обработку POSM
-30%
расходов на производство и размещение POSM за счет аналитики покрытий
1,5 часа
вместо 1,5 недель на полный цикл фотоаудита
«ИИ помогает нам формировать продуманную матрицу POSM, оптимизировать закупки и снижать издержки. Теперь мы опираемся на данные, а не на гипотезы».
Предпосылки проекта
Компания использует 50+ видов POSM: плакаты, тейблтенты, стойки, карманы, навигация. Фотоаудит является ключевым инструментом контроля оформления розницы и одним из самых трудоёмких процессов трейд-маркетинга. До внедрения решения обработка фотоаудитов выполнялась вручную внешним подрядчиком. Тысячи фотографий проверялись специалистами, сопоставлялись с каталогом POSM и заносились в паспорта торговых точек.
Это приводило к ряду проблем:
- обработка занимала до 1,5 недель;
- процесс был дорогим;
- возникали ошибки из-за человеческого фактора;
- отсутствовал единый стандарт данных по всей сети.
Цели проекта:
- Автоматизировать формирование паспортов торговых точек
- Сократить сроки и стоимость фотоаудита
- Исключить вариативность данных
- Обеспечить единый стандарт POSM по всей федеральной сети
Решения и используемые продукты
Для проекта был разработан AI-контур автоматического распознавания POSM. Система анализирует фотографии торговых точек, определяет размещённые материалы, распознаёт текстовые элементы и автоматически формирует паспорт торговой точки. Решение позволяет полностью автоматизировать процесс фотоаудита и обеспечить единый стандарт данных по всей сети.
Стек технологий
- компьютерное зрение для детекции POSM;
- алгоритмы классификации материалов;
- OCR для распознавания текстовых элементов;
- автоматическое формирование паспорта точки.
Этапы реализации
- Подготовка обучающих данных. Сформирована обучающая выборка по 80+ POSM, собраны 80–100 фотографий каждого материала с учётом различных условий съёмки: освещение, ракурсы, расстояние.
- Разработка логики распознавания.Настроен AI-пайплайн: детекция → классификация → OCR → формирование паспорта точки. Проведён пилот на 200–300 магазинах, проанализированы ошибки и улучшена модель.
- Обучение моделей. Достигнута точность 90–97%, улучшено распознавание похожих POSM, оптимизирован OCR для сложных поверхностей.
- Масштабирование решения. Система развёрнута на 6500 торговых точек, фотоаудит переведён в полностью автоматический режим, паспорта торговых точек стандартизированы по всей сети.
Результаты
- ×10 снижение затрат на обработку POSM;
- −90% трудозатрат команды;
- -30% расходов на производство и размещение POSM за счёт аналитики покрытий;
- единый стандарт паспортов торговых точек по всей сети.
Проект позволил перевести управление POSM в data-driven модель и создать масштабируемый AI-контур для трейд-маркетинга.
