Die Bilderkennungstechnologie ist dabei, die Einzelhandelsbranche zu verändern. Aber wie kann man eine Lösung von einer anderen unterscheiden? Und was sind die wesentlichen Merkmale der besten Bilderkennungslösung auf dem Markt?
Hier erklären wir Ihnen alles, was Sie vor dem Kauf wissen müssen.
Die Konsumgüterindustrie wird von mobilen Lösungen überschwemmt, die den transaktionalen Teil des Außendienstes verbessern sollen. Die Auftragserfassung und die Pflege von Kundendaten erfolgt weitgehend elektronisch und in Echtzeit. Dies hat die Betriebskosten gesenkt und den Lieferkettenprozess verbessert, aber Analysten sind sich einig, dass dies nur die Spitze des Eisbergs ist. Als Nächstes steht die Fähigkeit an, die Einzelhandelsabwicklung besser zu verwalten und wirklich aussagekräftige Erkenntnisse auf der Grundlage der Regalwahrheit zu gewinnen. Gartner stellt fest, dass sich mit der Reifung des Marktes für Einzelhandelsabwicklung und -überwachung der Schwerpunkt von transaktionalen Funktionen auf solche verlagert, die den Außendienst dabei unterstützen, mehr und konsistenter zu verkaufen".
Die kommende Revolution wird von Bilderkennungs- und KI-Technologien angeführt, die nicht nur die Datenerfassung in den Geschäften automatisieren oder digitalisieren, sondern Unternehmen auch in die Lage versetzen, Daten in Umsatz umzuwandeln. Eine aktuelle Analyse von Frost & Sullivan zeigt jedoch, dass eine der größten Herausforderungen für Nutzer von Bilderkennungstechnologien darin besteht, die richtige Lösung für ihre spezifischen Anwendungen im Konsumgütereinzelhandel zu finden.
Konsumgüterunternehmen, die diesen Schritt wagen wollen, müssen mehrere Kaufparameter sorgfältig abwägen, bevor sie sich für eine Bilderkennungslösung entscheiden.
Leitfaden für den Käufer: Produktmerkmale, auf die man achten sollte
1. Anpassung an die Bedürfnisse: Ist die Gestaltung und Positionierung des Produkts direkt von Ihren Bedürfnissen beeinflusst und inspiriert?
Es gibt heute viele Anwendungen für Computer Vision auf dem Markt - Personenverfolgung, Gestenerkennung, Fahrerassistenz, medizinische Bildgebung und Gesichtserkennung, um nur einige zu nennen. Um jedoch die Bedingungen in den Geschäften zu beobachten, sollte die zugrunde liegende Deep-Learning-Architektur der Bilderkennungslösung auf großen Mengen von Produktbildern aus dem Einzelhandel trainiert werden. Trax beispielsweise wurde für den Einzelhandel und Konsumgüter entwickelt und verfügt über die weltweit größte SKU-Datenbank für den Einzelhandel, die 40.000 Bilder pro Stunde verarbeitet. Darüber hinaus sollte das ideale Produkt wesentlich effektiver sein als die manuelle Datenerfassung in der Filiale und die Flexibilität besitzen, sich nahtlos in bestehende Prozesse zu integrieren, sei es die Automatisierung des Außendienstes oder die Datenanalyse.
2. Verlässlichkeit: Erfüllt das Produkt Ihre Erwartungen an eine gleichbleibende Leistung während seines gesamten Lebenszyklus?
Sie müssen in der Lage sein, sich auf die von der Bilderkennung generierten Daten zu verlassen, um sichere Geschäftsentscheidungen zu treffen. Zwei wichtige Faktoren sind dabei Genauigkeit und Leistung. Überprüfen Sie die Genauigkeit bei der Bilderfassung, Erkennung, Berechnung und Berichterstattung wichtiger Kennzahlen wie OSA, Regalanteil, Einhaltung von Preisen usw. Die Ergebnisse des Audits müssen dann sehr schnell am Point of Sale umgesetzt werden. Ab dem Zeitpunkt, an dem neue Regalfotos in die Trax-Cloud hochgeladen werden, werden beispielsweise durchschnittlich alle 5 Minuten umsetzbare Ergebnisse in Echtzeit an Vertriebsmitarbeiter, Filialmitarbeiter, Manager und Führungskräfte übermittelt.
3. Die Qualität: Bietet das Produkt die beste Qualität seiner Klasse und verfügt es über alle erforderlichen Merkmale und Funktionalitäten?
Wählen Sie Lösungen, die mehrere Produkte mit nahezu identischem Aussehen erkennen und unterscheiden können. Die richtige Lösung sollte undurchsichtige und spiegelnde Verpackungen überwinden, Leerräume, Produkte unter schlechten Sichtbedingungen und teilweise verdeckte Produkte erkennen. Die übergreifenden Algorithmen sollten auch Änderungen im Produktlebenszyklus wie neue Designversionen oder Anomalien wie unvollständige Regalerfassung erkennen.
4. Positionierung: Erfüllt das Produkt Ihren einzigartigen, unerfüllten Bedarf auf eine Weise, die besser ist als andere Angebote auf dem Markt?
Ein ständiges Problem in der Konsumgüterindustrie ist die Möglichkeit, die Leistung der eigenen Marke und der Konkurrenz am Regal zu verfolgen. Damit Bilderkennung dieses Problem wirklich lösen kann, ist Granularität der Schlüssel. Die ideale Lösung sollte mindestens Dutzende von einzigartigen Produkt-SKUs, deren Größe, Typ, Regalposition und benachbarte Konkurrenzprodukte identifizieren. Die KI hinter der Trax-Computer-Vision-Engine zum Beispiel besteht aus zahlreichen Engines, die Erkennung, Stitching, Geometrie und Qualitätsbewertung umfassen - allesamt darauf ausgelegt, Ihnen Details bis hin zur letzten SKU zu liefern.
5. Gestaltung: Basiert das Produkt auf Designprinzipien, die Benutzerfreundlichkeit und visuelle Attraktivität unterstützen?
Die typische IT-Landschaft eines Konsumgüterunternehmens ist bereits komplex. Achten Sie daher auf eine Lösung, die Einzelhandelsfotos aus jeder digitalen Quelle akzeptiert und außerdem Regal-KPIs in bestehende Business Intelligence (BI)-Tools integriert. Ein weiterer wichtiger Gesichtspunkt bei der Entwicklung ist die Bereitstellung von rollenbasierten Dashboards und Analysen. Regalmetriken können von Teams jenseits des Außendienstes genutzt werden, z. B. als kausale Faktoren zur Erklärung von Promotion-Ergebnissen, was wiederum zu besseren Promotions in zukünftigen Geschäftszyklen führen kann. Gartner ist der Meinung, dass allein dieser Vorteil ausreicht, um die Investition in die Bilderkennung für viele Marken mit hohem Werbeanteil zu rechtfertigen.
