{"id":14284,"url":"\/distributions\/14284\/click?bit=1&hash=82a231c769d1e10ea56c30ae286f090fbb4a445600cfa9e05037db7a74b1dda9","title":"\u041f\u043e\u043b\u0443\u0447\u0438\u0442\u044c \u0444\u0438\u043d\u0430\u043d\u0441\u0438\u0440\u043e\u0432\u0430\u043d\u0438\u0435 \u043d\u0430 \u0442\u0430\u043d\u0446\u044b \u0441 \u0441\u043e\u0431\u0430\u043a\u0430\u043c\u0438","buttonText":"","imageUuid":""}

Зачем ретейлеру нужны умные весы

Мы продолжаем тестировать видеораспознавание. Разбираемся, какие задачи ретейлера могут решать умные весы. И могут ли.

Всем привет, меня зовут Виктория Аладина, я работаю менеджером продукта в центре инноваций «Ленты». И сегодня поговорим о технологиях распознавания товара.

Виктория Аладина
Менеджер продукта

Умные весы появились на российском рынке примерно три года назад. Распознавание товаров на весах происходит за счет считывания изображения камерой, последующей обработки и сопоставления изображения с конкретным товаром. Работа может строиться по нескольким моделям. Это могут быть или умные весы от вендоров, или универсальные решения по распознаванию на основе нейронных сетей, которые можно «прикрутить» к весовому оборудованию.

Прозрачный эксперимент

Летом прошлого года мы провели технический пилот в секции овощей и фруктов гипермаркета по улице Савушкина в Санкт-Петербурге, чтобы понять, как технология будет работать в живых процессах в торговом зале. Как процесс выглядит для клиента: он кладёт на весы овощи или фрукты, система анализирует изображение, предлагает подтвердить товар и распечатать этикетку.

Точность распознавания данной модели весов составила примерно 92%. Мы обнаружили множество факторов, которые влияют на этот показатель. Это качество обучения системы (чем чаще взвешивают определённый товар, тем оно выше), внешний вид и прозрачность упаковки. Так, наилучший результат система покажет, если товар находится в прозрачном пакете или лежит на платформе без упаковки. К сожалению, различить даже очень популярный фрукт или овощ в плотном пакете не получится. Сложности также могут возникать если в матрице присутствует несколько визуально идентичных позиций. Например, при наличии пяти сортов огурцов, система не могла точно распознать нужную позицию и предлагала клиенту выбрать из нескольких наименований.

Во время пилота мы убедились, что покупателю важно видеть результат распознавания на экране как можно быстрее.

В первом тесте устройства выдавали его после стабилизации весовой платформы, поэтому многие клиенты просто не дожидались и вводили код товаров по привычной схеме. Неожиданно для себя мы поняли, что для процесса покупки с использованием технологи критично то, насколько быстро результат распознавания появляется на экране.

Во время эксперимента мы приблизились к пониманию, как технология должна выглядеть, поэтому стали использовать новые подходы в последующих пилотах.

Такой механизм мы применяем постоянно: предоставляем разработчику данные на основе пилота, чтобы тот мог доработать решение. Так, кстати, мы тестировали и робота-уборщика в магазине Ростова-на-Дону – производитель понимал все слабые и сильные стороны, например, робот плохо справлялся с уборкой крупы.

Но вернёмся к умным весам.

За и против

Пилот мы проводим опять в Санкт-Петербурге, но теперь уже в магазине по улице Вербной. Принцип работы тот же, однако у этого решения есть свои плюсы. Во-первых, результат появляется на экране за доли секунды. Это очень весомый фактор для удобства покупателей. Во-вторых, сейчас мы сэкономили время на обучении весов за счёт использования предобученной базы товаров вендора. В-третьих, у этой модели российского разработчика высокая точность: распознавание достигает 95-98 процентов, что под силу только опытному работнику, хорошо знающему ассортимент.

40%
взвешиваний уже приходится на умные весы.

Теперь о сложностях внедрения технологии. В «Ленте» представлен широкий парк весового оборудования от разных вендоров, поэтому для нас приоритетно выбрать наиболее универсальное решение. В пилоте мы обращаем внимание на то, как встроить его в инфраструктуру магазина с минимальными инвестициями. В нашем портфеле более пяти решений, работающих на российском рынке.

С помощью тестов и пилотов мы проверяем ряд гипотез. Первая – повышение лояльности за счет улучшения сервиса в торговом зале. Вторая – снижение потерь в магазине, связанных с пересортом. Мы сопоставляем изображения товаров при взвешивании с выбранным на экране. На основе собранных данных мы планируем проанализировать объём и причины возникновения пересорта, что поможет прийти к наиболее удобному процессу продажи весовых товаров.

0
1 комментарий
Chyvakoff

Ага, спасибо. Как я теперь дорогие яблоки буду взвешивать как сезонные?))))

Ответить
Развернуть ветку
-2 комментариев
Раскрывать всегда