Распознать товар на полке: что пойдет не так при внедрении Image Recognition

Когда используешь инновации в бизнесе — будь готов к неожиданностям. Андрей Климов, начальник отдела развития бизнеса АСГ, руководил проектом автоматизации торгового аудита на базе компьютерного зрения. Он рассказал, как разбивались романтические представления команды о нейронных сетях, и что в реальности может дать технология.

Прежде чем перейти к истории Андрея, расскажем о сути технологии. Российские производители FMCG внедряют технологии компьютерного зрения (Image Recognition, IR) для автоматизации торговых аудитов. Цель — получать достоверные «полевые» данные, качественно управлять персоналом и заменить часть сотрудников нейронными сетями.

Как выглядит стандартный фотоаудит торговой точки

«Полевой» сотрудник делает фотографии в местах продаж — фотоотчеты консолидируются в офисе — аудиторы вручную проверяют снимки и формируют отчётность. «Алкогольная Сибирская Группа» (АСГ) собирает такие данные с помощью SFA-системы «ST Чикаго» (SFA — Sales Force Automation — класс систем, предназначенных для автоматизации продаж).

Как происходит фотоаудит торговой точки после внедрения IR

«Полевой» сотрудник делает фотографии в местах продаж — нейросеть распознает фото и сообщает сотруднику о проблемах и ошибках (например, на полке не хватает товара или он стоит не по планограмме) — результат распознавания поступает в офис — система сообщает о проблемах и автоматически формирует отчетность.

В 2020 году АСГ включила модуль IR в контур SFA-проекта «ST Чикаго». По словам Андрея Климова, итогами проекта в компании довольны. Улучшились текущие процессы:

• длительность визитов «полевых» сотрудников сократилась на 10-17%;
• качество работы в торговых точках повысилось;
• качество «полевых» данных улучшилось;
• влияние человеческого фактора на получаемые данные уменьшилось.
  

Появилась возможность собирать больше значимых для бизнеса данных. Раньше, когда информация собиралась вручную, компания не могла мониторить такой объем — это было бы слишком дорого и трудозатратно. После внедрения IR:

• удалось запустить цифровой мониторинг по 2500 SKU и 5 макрокатегориям;

• удалось запустить мониторинг новых метрик (наличие ценников на всех SKU, наличие промоценников на акционный товар, номер полки, на которой стоит продукция, и другие).

Все эти бизнес-эффекты — это та полезная польза, ради которой внедрялась технология. Но в любом проекте есть парадная и внутренняя сторона. А когда речь идет о применении в бизнесе новой технологии, тем более не может все пройти гладко. Что же происходило за кулисами? Передаем слово Андрею:

На старте проекта казалось: достаточно один раз обучить нейросеть и можно пожинать плоды. Ничего подобного. Появляются новинки, меняется упаковка — и точность распознавания снижается.

Например, на пилоте точность распознавания была 82%, а на старте проекта (31 неделя) — упала до 71%. А все потому, что у нас изменился дизайн бутылок и добавились новинки. К 32-й неделе нейросеть дообучили узнавать новые позиции, и точность выросла до 81%, к 34 неделе — до 94%.

Опросный лист в приложении «ST Мобильная Торговля» — это документ с данными о фейсингах, доле полке и других базовых параметрах выкладки. Раньше мерчандайзер вносил эту информацию вручную, после подключения IR опросный лист заполняется автоматически. Но в нашем опросном листе содержится не весь ассортимент, который есть в категории, а только ключевые SKU и ключевые метрики по ним.

В какой-то момент мы поняли, что хотим собирать максимум информации по всем SKU, которые распознает система. В итоге в контур проекта была подключена BI-система. Теперь мы получаем полный пакет данных и строим специфическую отчетность по всей номенклатуре с аналитикой по ценам, конкурентам и др.

Замеры показывают, что даже опытный добросовестный сотрудник при аудите полки допускает до 20% ошибок. Неопытный и недобросовестный — еще больше. При этом мерчандайзеры должны проводить self-assessment — указанные ими данные влияют на их же KPI. Неудивительно, что у людей возникает соблазн приукрасить ситуацию или выгодно «ошибиться».

Благодаря проекту нам удалось сократить влияние self-assessment по некоторым показателям, но не полностью. В остальных случаях требуется кабинетный контроль.

На самом деле нет. Так как распознавание происходит онлайн, могут возникнуть нюансы. Благо, есть решение: система отправит фотографии, когда появится интернет. То есть снимки, сделанные во время визита, в любом случае будут обработаны. Единственный минус: сотрудник не сможет увидеть результат распознавания во время посещения магазина и оперативно исправить ситуацию, если что-то не так.

Я был удивлен, что таких случаев довольно много, думал, что их не будет вообще. А скорость интернет-соединения ощутимо влияет на комфорт использования технологии.

Точность распознавания критично зависит от соблюдения правил фотографирования. Поэтому очень важно регулярно обучать сотрудников, давать обратную связь и вовлекать руководство службы продаж.

К сожалению, и эти меры не позволят раз и на всегда решить проблему. Нужно быть морально готовым, что часть данных потеряется, даже если сотрудники постараются соблюдать правила. Например, если над прозрачными бутылками висит лампа, то этикетки бликуют и плохо распознаются. А ценники иногда засвечиваются или вообще перекрываются другими ценниками или промоматериалами.

Спасибо Андрею Климову, что поделился опытом. Мы знаем: алкогольные компании уже вовсю используют цифровой мерчандайзинг, а пример АСГ иллюстрирует — почему.

Так что, несмотря на все свои особенности, цифровой мерчандайзинг — это уже не хайп, а вполне себе рабочий бизнес-инструмент. И чем больше практики по использованию нейросетей наработает рынок, тем меньше сюрпризов будет ждать последователей технологии в аналогичных проектах.

Команда «Системных Технологий».