Existe considerable literatura disponible sobre cómo mejorar la ejecución minorista en canales comerciales modernos y organizados. Sin embargo, no tenemos suficiente información disponible sobre herramientas, soluciones y mejores prácticas, cuando se trata de optimizar la ejecución minorista utilizando el reconocimiento de imágenes en el comercio tradicional (o general).

Esta asimetría de información crea mucha confusión y desinformación en torno a tecnologías emergentes como Reconocimiento de imágenes y sus usos y aplicaciones en el comercio tradicional.. En este artículo, discutiremos los desafíos únicos y las posibles soluciones para implementar con éxito el Reconocimiento de imágenes en las tiendas tradicionales. 

Antes de comenzar la discusión, echemos un vistazo a algunos de los hechos que nos califican para escribir este artículo. En ParallelDots, construimos nuestro primer Solución de reconocimiento de imagen para que una gran empresa tabacalera india los ayude a seguir su ejecución minorista. La escala y la complejidad técnica del proyecto lo convirtieron en uno de los proyectos de IA más desafiantes para nosotros a pesar de nuestros cinco años de experiencia en la resolución de diferentes casos de uso de IA en múltiples verticales de la industria.

Sin acceso a datos etiquetados y frecuentes cambios de diseño en materiales de punto de venta (POSM), nuestro equipo de ciencia de datos creó un algoritmo de reconocimiento de imagen sin ningún dato de entrenamiento. Además, se aseguraron de que el algoritmo esté listo para reconocer un nuevo POSM tan pronto como se lance al mercado. 

A pesar de los desafíos antes mencionados, nuestro equipo creó y entregó una solución de reconocimiento de imagen al cliente que es actualmente opera con una precisión del 99.3%, procesando 50,000 imágenes por día para identificar 300 tipos diferentes de POSM. Todas las fotos pertenecen a las pequeñas tiendas tradicionales de la India, conocidas popularmente como tiendas paan-beedi. A continuación se muestra una de esas fotos de una tienda paan-beedi:

Después de nuestro primer proyecto en el comercio tradicional, pasamos a entregar más proyectos que abarcaban todos los diferentes tipos de POSM y resolvían KPI como:

1. Presencia POSM
2. Cooler Purity ("detectar la presencia de competidores en refrigeradores")
3. Distribución y desabastecimientos
4. Ejecución de merchandising

Hubo muchos desafíos que superamos al resolver los KPI anteriores, por lo que pensamos que las empresas de CPG que buscan implementar el reconocimiento de imágenes pueden beneficiarse de nuestros aprendizajes. A continuación, enumeramos los 5 principales desafíos que tenemos que superar:

Falta de uniformidad en los oficios tradicionales

A diferencia del comercio moderno, las tiendas tradicionales tienen diseños muy diferentes y espacio limitado. Por lo tanto, los comerciantes deben ser creativos para reparar los activos de marca en los espacios asignados al minorista. Analicemos este desafío en detalle con respecto a nuestro reciente despliegue para un gran marca de cuidado personal aquí.

Sin embargo, esto plantea un desafío para los algoritmos de reconocimiento de imagen. Un algoritmo de reconocimiento de imágenes entrenado para identificar tales secciones en su conjunto puede confundirse si la orientación del activo se cambia para adaptarse al espacio limitado presente en la tienda. A continuación se muestra un ejemplo:

En Modern Trades, los productos siempre se colocan cuidadosamente en el estante. A diferencia del primero, aquí necesitamos un algoritmo robusto para dar cuenta de dichos cambios y no penalizar al comerciante de manera incorrecta. 

Condiciones de poca luz en tiendas tradicionales

Una de las preguntas más comunes que hacen nuestros clientes es si su algoritmo puede detectar productos en condiciones de poca luz.

Nuestra respuesta a esta pregunta es, si un ojo humano puede discernir los productos claramente en una foto, la IA también puede detectarlo. Sin embargo, a veces las imágenes son realmente malas incluso para un ojo humano, por lo que es importante detectar tales condiciones y asegurarse de encender el flash para obtener una imagen de mejor calidad.

Esta capacidad de mejorar la calidad de la foto durante la captura es muy importante para el despliegue exitoso de IR en el comercio tradicional. En una de nuestras publicaciones anteriores, hemos cubierto en detalle las características únicas de ShelfWatch que ayudan a mejorar la calidad de la foto en el punto de captura.

Alta prevalencia de fotos irrelevantes / spam

Casi todos los proyectos que hicimos el año pasado tenían cerca del 40% de las imágenes que eran irrelevantes. Las razones más comunes para un porcentaje tan alto de imágenes irrelevantes se enumeran a continuación:

• Imágenes borrosas
• Demasiada reflexión debido al embalaje del producto y / o al vidrio más frío.
• Imágenes que contienen algo más que la foto del activo
• Las imágenes se tomaron demasiado cerca o demasiado lejos del activo

El análisis manual de imágenes no es confiable y costoso debido al gran volumen de imágenes que provienen de diferentes fuentes. 

Debido a la falta de soluciones tecnológicas, las marcas no cubren todas las tiendas o simplemente abandonan el proyecto después de hacer un piloto con pocos proveedores y
d/o soluciones. 

Creemos que antes del procesamiento real de la imagen, las marcas deben buscar posibles soluciones que puedan ayudarlas a reducir la cantidad de imágenes irrelevantes o de baja calidad. 

ShelfWatch, por ejemplo, detecta automáticamente imágenes borrosas e irrelevantes utilizando heurísticas específicas del proyecto. También hay un tablero para que los supervisores de ventas supervisen el rendimiento de sus representantes en función de la calidad de las fotos capturadas por ellos.

Alto costo de implementación

Debido a la naturaleza no uniforme y a veces caótica de las tiendas GT, hay muy pocas soluciones estándar (quizás cero) disponibles en el mercado para el Reconocimiento de imágenes. Por lo tanto, incluso el proveedor de tecnología más sofisticado que no haya trabajado antes en imágenes comerciales tradicionales necesitaría una gran personalización en sus algoritmos, lo que puede llevar a tiempos más largos y costos más altos para ellos.. 

La métrica más importante que debe considerar una empresa de CPG es la capacidad de un proveedor de escalar su solución piloto sin aumentar significativamente los costos de configuración o procesamiento de imágenes. 

Apilamiento de productos densos

Otro factor importante a considerar es el denso apilamiento de productos que ocupan mucho espacio, exponiendo así una parte muy pequeña del embalaje. 

Algunas categorías de productos como pañales, papas fritas, cereales para el desayuno, pasta de dientes, etc. tienden a ocupar demasiado espacio si se apilan con su embalaje frontal visible. Muchos propietarios de tiendas comerciales tradicionales los apilarán de tal manera que solo se vean los revestimientos laterales. Esto hace que sea muy difícil para los algoritmos de reconocimiento de imágenes identificar el producto. A continuación se muestra un ejemplo.

Tales revestimientos de productos requieren personalizaciones únicas para el algoritmo y solo un proveedor ya experimentado en estas categorías puede desarrollar dicha capacidad.

Los oficios tradicionales forman un importante canal de ventas en muchas economías emergentes. A pesar de los desafíos iniciales, las recompensas son enormes para las marcas que invierten recursos para hacer de cada tienda tradicional una "Tienda Perfecta".

Fuente: https://blog.paralleldots.com/image-recognition/image-recognition-in-traditional-trade/