Классический аудит торговой точки устроен так, что результат почти всегда устаревает раньше, чем до него доходят руки. Аудитор заполняет анкету и делает фотографии, супервайзер проверяет качество данных, менеджер анализирует ситуацию по сети или региону, руководство принимает решение — а полка в магазине к этому моменту уже выглядит иначе. Именно эта задержка и стала точкой роста для технологий цифрового мерчандайзинга: сначала — простых алгоритмов распознавания фото, а затем — нейронных сетей.
Цифровой мерчандайзинг: как нейросети SmartMerch подружились с «ST Чикаго»
Почему первая волна автоматизации аудита не взлетела
Бум цифрового мерчандайзинга в России пришелся на 2013 год: тогда на рынок вышло сразу несколько международных решений для автоматизации фотоаудита, и сектор FMCG отреагировал на них с большим энтузиазмом. Крупные компании начали пилотные проекты, в которых системы должны были сами оценивать снимки, сделанные аудиторами в торговых точках.
Проблема была в качестве самого распознавания. Максим Архипенков, руководитель проекта SmartMerch, вспоминает об этом периоде так: тогдашние системы действительно что-то узнавали на фото, но результат все равно приходилось перепроверять человеку — искать объекты, которые машина не смогла определить, и вручную исправлять ошибки. По сути, за автоматизированной частью процесса все равно стоял отдельный сотрудник, который тратил время на проверку результатов, — и экономия, ради которой все затевалось, во многом обнулялась. Такая «полуавтоматизация» не давала бизнесу ощутимого эффекта, и интерес рынка к теме быстро остыл.
Что изменилось с приходом нейросетей
В команде SmartMerch перепробовали разные методологии фотографирования и анализа изображений и в итоге пришли к выводу: закрыть задачу целиком способны только нейронные сети. Система, построенная на нейросети, не зависит от квалификации, состояния или настроения конкретного человека — а значит, оценивает выкладку объективно, без привычных рисков ручного контроля.
Нейросеть точнее человеческого глаза. Она способна замечать детали, которые легко упустить визуально: например, отличить на упаковке детского сока мандарин от апельсина или яблока там, где человек может ошибиться. По словам Архипенкова, в этом и заключается первый бенефит технологии для торговых компаний — заметный рост качества распознавания образов.
Аудит ускоряется в разы. Ручной пересчет товара — трудоемкий процесс: в стандартном супермаркете под пиво обычно отводится 6–7 полок по 20 бутылок, то есть 120 бутылок на одном стеллаже, а таких стеллажей в магазине не один. Аудит даже одной категории у опытного сотрудника занимает не меньше часа. Скорость же нейро-аудита определяется в первую очередь скоростью съемки: системе ST SmartMerch, установленной на мобильное устройство сотрудника, требуется около 20 секунд, чтобы обработать один стеллаж, — против нескольких десятков минут на заполнение бумажной или электронной анкеты.
Аудит становится более гранулярным. Вручную компании, как правило, отслеживают только собственные товары до уровня SKU, а категорию целиком — крайне редко. ST SmartMerch, наоборот, ставит перед сотрудником задачу фотографировать всю категорию полностью, поэтому на выходе получается объективная информация о доле полки до каждого SKU — без приблизительных оценок.
Как SmartMerch сросся с SFA-платформой ST Чикаго
Технология распознавания — только часть решения. Директор по развитию продаж ГК «Системные Технологии» Алексей Боррото обращает внимание на то, чего обычно не хватает стартапам по распознаванию изображений на нейросетях: инфраструктурной части. Нужны модули для создания качественных фотографий, для их гарантированной и оперативной доставки на сервер, для защиты от фальсификации прямо на мобильном устройстве — иначе сотрудники будут раз за разом подсовывать одни и те же снимки. Дополнительно нужен контроль по GPS, чтобы точно знать, в какой торговой точке сделаны фотографии, и быть уверенным в этих данных.
Поэтому в «Системных Технологиях» соединили модуль распознавания SmartMerch с SFA-системой «ST Чикаго» — программным комплексом для автоматизации дистрибуции и мобильной торговли, давно проверенным на рынке и обладающим развитой инфраструктурой. Такой симбиоз закрывает именно то, чего не хватало распознаванию образов самому по себе: надежную доставку данных, защиту от подмены фото и привязку каждой съемки к конкретной точке.
Как запускается проект цифрового мерчандайзинга
Любой проект с нейросетями начинается с преданализа данных и съемки тестовых фотографий товара. На этом этапе важно понять, можно ли вообще обучить нейросеть работать с выбранной товарной категорией: например, ST SmartMerch способен определить, что перед ним помидор, но не всегда сумеет распознать его сорт — а для некоторых категорий это критичная информация.
Дальше наступает этап обучения нейросети: под каждую задачу вырабатывается собственный алгоритм и метод. Затем проводится аудит обучения уже в «полевых» условиях — сотрудники клиента начинают работать с мобильной частью ST Чикаго и модулем цифрового мерчандайзинга, нейросеть распознает снимки из точек продаж, а отдел тестирования SmartMerch оценивает качество идентификации. Если какая-то позиция определяется плохо — например, потому что редко встречалась на обучающих фото, — сеть дообучают. То же самое происходит, если в линейке товаров появляются новые позиции.
Важный нюанс: нейросеть не универсальна, и для каждого проекта ее приходится обучать заново: даже в рамках одной категории у разных производителей отличаются ассортимент, устройства «полевых» сотрудников и сами торговые точки. Системные Технологии говорят об этом прямо на старте работы с заказчиками — по мнению команды, только такая честность способна вернуть индустрии доверие к цифровому мерчандайзингу.
Куда движется технология
Требования к качеству снимков продолжают снижаться, а вместе с этим растет и скорость фотографирования: чтобы получить результат, больше не нужны идеальные по резкости и свету кадры — нейросеть научилась работать и с чуть смазанными изображениями, и со съемкой при плохом освещении. Для полевых сотрудников это снимает лишнее напряжение: переснимать стеллаж по несколько раз в поисках идеального кадра больше не приходится, поэтому аудит одной точки продаж занимает меньше времени и меньше отвлекает продавцов от их основной работы.
Команда SYSTECH описывает происходящее как постоянное совершенствование технологии. То, что доступно сейчас, — лишь один из этапов на долгом пути к полностью автоматизированному контролю полки: индустрии еще предстоит пройти через дальнейшее упрощение съемки, расширение списка распознаваемых категорий и более глубокую интеграцию с мобильными SFA-платформами вроде ST Чикаго. Каждый новый проект добавляет команде данные для обучения сетей, а значит, и точность распознавания, и скорость аудита продолжат расти вместе с самой технологией.
