האסטרטגיה מבוססת המדף שלך יעילה רק כמו השלמות שבה פתרונות Computer Vision אוספים נתונים בחנות.
דנו בחשיבות הדיוק בנתוני המדף וכיצד אכיפת איכות נתונים קפדנית מסייעת ל-Trax לספק דיוק גבוה של זיהוי תמונות במדף הקמעונאי. אבל בנוף קמעונאי משתנה ללא הרף ומוצף במוצרים חדשים ובעיצובים מחדש של חבילות, דיוק הוא רק חלק מהסיפור. אם אתה משתמש בפתרונות המונעים מ-Computer Vision (CV) עבור ביצוע קמעונאי או מדידת מדף, שלמות הנתונים שלך חשובה לא פחות כדי להישאר מעודכן ולהתעדכן בתחרות שלך.
למה השלמות חשובה
קוקה-קולה ניהלה קמפיין במהלך גביע העולם של פיפ"א שהסתיים לאחרונה, והוציאה קופסאות שימורים במהדורה מוגבלת עם מספרים 0 עד 9 מודפסים עליהן, כדי שהמעריצים יוכלו לשתף את תחזיות הניקוד במדיה החברתית. אירוע עולמי כמו זה הוא חלומו של כל מנהל מותג, אבל הוא גם יכול להתברר כסיוט הגרוע ביותר שלו. ללא מערכת לעקוב אחר האם המוצרים החדשים הגיעו למדפים בחנויות החשובות ביותר, קשה למותגים להניב החזר ROI אופטימלי בקמפיינים היקרים הללו.
אפילו עם איסוף נתוני חנות מופעל באמצעות Computer Vision, האתגר של זיהוי פריטים חדשים על המדפים הוא אתגר קשה. מלבד מוצרים חדשים, נתונים לא שלמים יכולים לנבוע גם ממגוון חריגות אחרות, כמו איכות תמונה ירודה, הזנת נתוני ביקור בחנות הונאה, תמונות כפולות וכן הלאה. נתונים לא מלאים עלולים להוביל לתוצאות לא מדויקות במהלך תהליך הזיהוי והדיגיטציה, ובתורם להשפיע על הדיווח של מדדי מדף.
הבטחת שלמות במדף משתנה ללא הרף
- זיהוי אוטומטי של מוצרים חדשים או מעוצבים מחדש
השקות מוצרים חדשים הן נשמת אפם של צוותים רבים בחברת CPG והן דרך חשובה למותג להישאר רלוונטי. במקביל, מוצגים עיצובים חדשים של מוצרים קיימים. עבור ספקי פתרונות, מסד נתונים מיושן של SKU הוא הגורם העיקרי לניוון בביצועי מנוע הזיהוי, מה שמוביל לנתונים לא עקביים ולתובנה לא מלאה.
כדי למנוע זאת, Trax פיתחה שירות ניטור שוטף המבוסס על אלגוריתם מתוכנן היטב ופועל על מנוע למידה פעיל. לכן, בכל פעם שמוצר או עיצוב חדש מזוהים על ידי המערכת, זהות המוצר הזה מתקבלת באמצעות נתוני התייחסות, מאומתים ולאחר מכן מתעדכנים במסד הנתונים.
התוצאה? המשתמשים יכולים לעקוב אחר עיצובי אריזות חדשים ומוצרים חדשים ולהתעדכן בהשקות חדשות של מתחרים בשוק.
- זיהוי אנומליות אוטומטי
זיהוי תמונות פשט את איסוף הנתונים בחנות, אך כדי להיות יעיל באמת, פתרונות ביצוע קמעונאי חייבים להיות חסינים מפני חריגות הקשורות ללכידת תמונה. משתמשי שטח עשויים לצלם את אותו קטע של המדף מספר פעמים, או לפעמים להעלות במרמה את התמונות השגויות כהוכחה חזותית להפעלה. כדי למנוע חריגות כאלה ולהבטיח שהנתונים שנאספו מלאים, Trax פיתחה מנוע למידה ללא פיקוח שמנטר כל הפעלה, מזהה פגמים ספציפיים, מזהה לכידות לא שלמות ושכפולות ואף צולבת את ה-GPS של התמונה עם מיקום החנות הידוע.
- מציאות מוגברת עבור לכידת מדף מקיפה
כשקונים עוברים לידם, עגלות קניות נדחפות והסחות דעת אחרות, זה עדיין יכול להיות מאתגר לתפוס כל מעבר מקצה לקצה. ביקורת ידנית בחנות חשופה גם לטעויות אנוש כמו ספירה כפולה. כדי לטפל בבעיות הללו, Trax ממנפת את הכוח הסוחף של תכונת מציאות מוגברת המסמנת אזורים על המדף שייתכן שהמשתמשים פספסו ללכוד ומנחה אותם לחדש את הביקורת מהנקודה המדויקת בה הופרעו.
תמונה מלאה של החנות
כדי לקבל החלטות עסקיות בטוחות, הנתונים הנלכדים ונאספים באמצעות זיהוי תמונה צריכים להיות נקיים, מלאים וללא חריגות. אכיפת בדיקות אכיפת איכות נתונים קפדניות עם שלמות כנדבך מרכזי בלכידת התמונה היא בסיסית לחישוב ודיווח נכונים של מדדי מדף כגון זמינות על המדף, שיתוף מדף ועוד.
צפה בסרטון זה כדי לראות כיצד Trax אוכפת איכות נתונים בפלטפורמת Computer Vision שלנו.
