Route Master
primjena "AI" - umjetne inteligencije

Tehnologija prepoznavanja predmeta na fotografiji koristi se za identificiranje vlastitih i konkurentskih artikala na polici korištenjem naprednih tehnologija s primjenom umjetne inteligencije za obradu i klasificiranje slika.

Značajke "AI Shelf image recognition" funkcionalnosti

  • prepoznavanje sadržaja police u samo nekoliko sekundi nakon fotografiranja police, uz samo nekoliko klikova u RM aplikaciji

  • Indeks zauzeća:
    • prepoznati artikli se automatski klasificiraju i izračunava se indeks zauzeća police unutar jedne kategoriju, za vlastite proizvode i konkurenciju
    • postotak zauzeća ukupno za kategoriju i pojedinačno za svaki SKU
    • podaci se arhiviraju i prate povijesno – podloga za daljnje izvještaje i analize.

  • Usklađenost planograma:
    • fotografija trenutnog stanja police uspoređuje se s fotografijom govorenog ili ciljanog planograma za kategoriju
    • artikli na planogramu se uspoređuju po prisutnosti i položaju na polici - aplikacija vidljivo označi sve neusklađenosti, za svaki pojedini SKU.

Početak procesa - fotografiranje:

  • korisnička opcija prepoznavanja sadržaja police dostupna je kao opcionalni ili obvezni zadatak unutar jedne radne posjete prodajnom objektu
  • fotografira se dio police koji sadržava odabranu kategoriju
  • ukoliko je ukupni obuhvat kategorije širi od fotografiranog dijela police (regal), uzimaju se dodatne fotografije slijeva nadesno
  • aplikacija automatski spaja svaku dodatnu fotografiju u jednu zajedničku dok se ne formira zajednička slika cijele kategorije na polici ("stitching").

Dodatna obrada slike prije analize:

  • po potrebi korisnik aplikacije može dodatno preciznije suziti ukupne dimenzije obuhvata kategorije unutar slike police i odbaciti nepotrebne dijelove police koji se ne odnose na kategoriju ili su prazni
  • moguće je izrezivanje nepotrebnih dijelova ne samo na rubovima fotografije, nego i unutar fotografije.

Završetak analize - izračun postotka zauzeća:

  • kad je korisnik zadovoljan konačnom slikom kategorije na polici, jednim klikom pokreće analizu slike
  • analiza slike se obavlja u pozadini korištenjem umjetne inteligencije na serverima RM sustava
  • analiza je gotova u nekoliko sekundi. Korisnik dobiva gotov izračun postotka zauzeća vlastitih proizvoda za cijelu kategoriju, kao i na razini svakog SKU-a
  • svaki prepoznati SKU je obilježen okvirom zasebne boje na slici radi bolje vizualizacije rezultata.

Usavršavanje sustava prepoznavanja:

  • preciznost aplikacije i najbolji rezultati postižu se dodavanjem velikog broja pojedinačnih referentnih fotografija za svaki SKU.
  • kod uvođenja novog artikla, preciznost nije dovoljno velika na početku primjene te zbog toga aplikacija ima sustav stalnog poboljšavanja preciznosti - krajnji korisnici dodaju kontinuirano nove fotografije u sustav, što podiže preciznost.
  • korisnik primijeti netočno prepoznavanje, klikne na sliku artikla, odabere ispravan SKU za sliku i pošalje u sustav na "učenje".

Praćenje konkurencije:

  • uvođenjem konkurentskih artikala u sustav prepoznavanja, postiže se veća preciznost sustava
  • konkurentski artikli se klasificiraju na jednak način kao i vlastiti
  • uz dobru pripremu i klasifikaciju, korisnik ima bolje informacije o prisutnosti konkurentskog brenda nego sam vlasnik brenda

Analiza police u Web Office-u