Logo
Wydrukuj tę stronę

Technologia rozpoznawania obrazu - jej główne zadanie polega na dążeniu do uzyskania maksymalnej dokładności wyników w maksymalnie krótkim czasie

Technologia rozpoznawania obrazu - oparta na AI, jest wykorzystywana coraz częściej również w branży FMCG. Jej główne zadanie polega na dążeniu do uzyskania maksymalnej dokładności wyników w maksymalnie krótkim czasie. Obecnie wydaje się być potężnym narzędziem w rękach zakupowców, handlowców i logistyków, a model „perfect store” nie jest już tylko hasłem marketingowym. Komentuje Rafal Melanowicz, dyrektor Departamentu AI w eLeader.

Włączenie technologii rozpoznawania obrazu do koncepcji perfect store to szansa na nowe otwarcie w zarządzaniu ekspozycją. Koncepcja „idealnego sklepu” w merchandisingu wizualnym i zarządzaniu kategorią opiera się na dążeniu do osiągniecia wyglądu ekspozycji produktowej, który zapewni nam najlepszą sprzedaż. To bardzo atrakcyjny model oceny punktu handlowego, ale w praktyce miał zasadniczą wadę – opierał się na czasochłonnym i nieprecyzyjnym audycie ekspozycji. Nie dając pewności czy opisuje stan faktyczny, był odstawiany na boczny tor i ustępował miejsca analizie danych sprzedażowych i prostemu badaniu obecności produktów „jest/nie ma”. Dopiero zobiektywizowanie i przyspieszenie audytu ekspozycji przy pomocy analizy obrazu przez sztuczną inteligencję w aplikacji eLeader Shelf Recognition AI dało możliwości wykorzystania konceptu perfect store w całym jego potencjale. Do perfect store włączamy więc system, który ze zdjęcia zrobionego smartfonem wydobędzie całą górę informacji: od rozpoznania produktów po specyficzne wyliczenia standardów, które od razu wykorzystane zostaną do wyliczenia punktacji albo nawet premii. Z jednej strony raporty płynące z przetwarzania rzeczywistego zdjęcia produktów umożliwiają rzetelną analizę tego jak realizacja standardów ekspozycyjnych wpływa na sprzedaż. Z drugiej strony nieobciążające ludzi przeliczanie parametrów ekspozycji w czasie rzeczywistym pozwala na wdrażanie bardziej ambitnych i złożonych standardów - zgodnie z wymaganiami biznesu. Przy tym dostęp do wyników w czasie rzeczywistym umożliwia poprawianie ekspozycji zgodnie z wytycznymi jeszcze podczas wizyty handlowej czy audytowej.

Pokonanie ograniczeń za pomocą technologii związanej z image recognition zachęca category managerów, dyrektorów sprzedaży i analityków do szerszego posługiwania się takim wskaźnikami, jak facing, udział w półce, obecność w „złotej strefie”, zblokowanie, czy inne specyficzne standardy oraz do budowania na ich bazie modeli wyliczania punktacji perfect store. Przykładami firm, wykorzystujących eLeader Shelf Recognition AI na polskim rynku są DANONE, NUTRICIA czy Maspex.

 

© 2000-2023 Sieć Badawcza Łukasiewicz - Poznański Instytut Technologiczny