La Visión por Computadora para el comercio minorista ya no es solo una tendencia, sino una inversión real que se amortiza y genera beneficios. Mejora el tiempo para las auditorías de puntos de venta y aumenta el cumplimiento de los planogramas. Sin embargo, al mismo tiempo, dichos proyectos aún no se han convertido en una práctica generalizada.
En este artículo, analizaremos por qué las empresas necesitan visión por computadora, cómo funciona en el merchandising, cómo se introduce y si es posible implementar un proyecto en unas pocas semanas.
Table of Сontents
¿Por qué las empresas están adoptando la Visión por Computadora?
El cliente final de las empresas FMCG es una persona que se detiene a comprar comestibles después del trabajo o pasa tiempo de compras. De una manera u otra, los compradores quieren encontrar rápidamente todos los productos y continuar con sus asuntos. Por lo tanto, el producto siempre debe estar exhibido en el estante de la tienda y debe ser fácil de encontrar.
Aquí surgen los cuellos de botella para la mayoría de las empresas FMCG: o el producto no está en los estantes, o el diseño no coincide con el planograma, o no hay materiales POS, o las etiquetas de los estantes están mezcladas, etc. Todas estas cosas necesitan ser monitoreadas.
La mayoría de las empresas hacen esto manualmente. Un merchandiser viene y audita el punto de venta: verifica el diseño contra el planograma, reorganiza los SKUs, los materiales POS, las etiquetas de los estantes. Luego toma una foto y la envía al supervisor. Después de eso, el merchandiser verifica el balance de stock, elabora un informe sobre el punto de venta y va al siguiente. Hay varios puntos de venta así por día. Este proceso tiene algunos aspectos que afectan su efectividad:
- verificación manual del diseño contra el planograma,
- verificación manual de materiales POS y etiquetas de estantes,
- procesamiento manual de cientos de fotos por un supervisor.
Como resultado, surgen múltiples problemas: errores del «factor humano» y cientos de fotos sin procesar de los merchandisers, ya que los supervisores no tienen tiempo físico para revisarlas todas. En consecuencia, los ejecutivos reciben datos analíticos incompletos y desactualizados que, a su vez, se utilizan para tomar decisiones gerenciales. Esto puede resultar en menores ventas y pérdida de ganancias.
Para evitar todos estos problemas y comprender la situación real en los estantes, las empresas están introduciendo la automatización de los procesos de merchandising. Así, la visión por computadora es una de las soluciones que permite optimizar y minimizar las operaciones manuales en este proceso.
¿Cómo se introduce la Visión por Computadora y si puede ser más rápido?
Sí, se puede. Es bastante factible implementar una solución impulsada por visión por computadora rápidamente. Dependiendo de la complejidad, esto tomará de dos a cuatro semanas. Pero primero, echemos un vistazo a cómo se implementa la visión por computadora.
Cualquier implementación de soluciones impulsadas por visión por computadora se lleva a cabo en varias etapas:
- Preparación de datos
- Selección de arquitectura y entrenamiento del modelo
- Evaluación y entrenamiento adicional del modelo
- Puesta en operación comercial
Etapas del Proyecto de Visión por Computadora
Preparación de datos. Para el entrenamiento, la red neuronal se lanza en un conjunto de datos preparado. Los datos deben aumentarse durante la preparación. Esto significa agregar distorsiones (fotos de baja calidad, reflejos, etc.) para mejorar la diversidad de datos y, posteriormente, la precisión del reconocimiento. Todos los datos se dividen en tres conjuntos: entrenamiento, validación y prueba.
Selección de arquitectura y entrenamiento del modelo. Elija la arquitectura del modelo a utilizar para el entrenamiento. Los modelos pueden ser de diferentes tipos, por ejemplo, Redes Neuronales Convolucionales (CNN), Redes Neuronales Recurrentes (RNN), Transformadores de Visión (ViT), etc.
Además, ejecutamos la red neuronal en los datos de entrenamiento. El modelo se entrena en varias iteraciones. Durante cada iteración, el modelo identifica patrones y características que lo ayudan a reconocer objetos como SKUs, etiquetas de estantes, POSMs y productos clasificados, como agua de una marca específica, volumen y sabor. Al final de cada iteración, la red neuronal se prueba en el conjunto de validación. Así, el modelo mejora gradualmente sus parámetros.
A continuación, lanzamos la red neuronal en fotos sin etiquetar. El proceso de usar un modelo entrenado para hacer predicciones sobre nuevos datos se conoce como inferencia. Esto se puede hacer en tiempo real, donde el modelo genera predicciones basadas en datos de entrada durante un corto período de tiempo. Si la red neuronal etiqueta la foto incorrectamente, la etiqueta se corrige y las fotos se vuelven a cargar a la red neuronal.
Evaluación y entrenamiento adicional del modelo. Después de que el modelo ha sido entrenado, debe ser evaluado en un conjunto de datos de prueba para determinar qué tan bien funciona con datos completamente nuevos. Si el modelo demuestra un rendimiento deficiente, se ajusta y el proceso de entrenamiento se repite.
El análisis de errores ayuda a comprender qué objetos el modelo no logra reconocer bien y qué atributos son más importantes para clasificar correctamente estos objetos. Esto permite mejorar el modelo y hacerlo más eficiente con fotos del mundo real de los merchandisers.
Puesta en operación comercial. Cuando un modelo etiqueta fotos consistentemente con una precisión del 95% o mejor, está listo para la comercialización. En esta etapa, la aplicación con el modelo se integra en los procesos comerciales de la empresa FMCG. Goods Checker se puede usar como una aplicación independiente o se puede integrar en aplicaciones existentes usando la API.
Cómo reducir el tiempo del proyecto
La etapa de preparación de datos es el cuello de botella en la introducción de soluciones de visión por computadora. El etiquetado del conjunto de datos inicial generalmente se hace manualmente, por lo que el proceso consume tiempo y mano de obra.
Para hacer esta etapa más rápida, no hacemos el etiquetado manualmente. Para crear un conjunto de datos, usamos representaciones de cada SKU y creamos un conjunto artificial de fotos. Lo usamos para entrenar la red neuronal para reconocer productos. En 2014, AI experts de Google Cloud sugirieron usar este método para el etiquetado de datos.
Tan pronto como alcanzamos el nivel requerido de precisión de reconocimiento, procedemos a la siguiente etapa. Ejecutamos la red neuronal en fotos reales, adicionalmente entrenamos el modelo si es necesario y evaluamos su eficiencia.
El enfoque de generación de datos artificiales ayuda a reducir significativamente el tiempo de implementación mientras que el enfoque de etiquetado manual de imágenes toma de varios meses a un año. Completamos el proyecto en 2-3 semanas, dependiendo del número de SKUs, su forma y variedad.
Por ejemplo, para una agencia de merchandising, completamos un proyecto piloto en solo dos semanas. Para el piloto, se seleccionaron 6 ciudades, 45 cadenas minoristas y 694 puntos de venta minoristas. Goods Checker fue utilizado por 4 supervisores y 8 merchandisers. Después de dos semanas, la precisión del reconocimiento fue del 95% o superior.
Goods Checker ayudó a acelerar la presentación de informes en un 70%. Ahora los merchandisers gastan menos de 20 minutos en informes en lugar de una hora. Además, la auditoría del punto de venta se volvió más rápida en un 10-50%, dependiendo del tamaño de la tienda.
Usar Visión por Computadora para FMCG es una inversión que se amortiza.
La adopción de la Visión por Computadora es ahora mucho más fácil
Todos están acostumbrados al hecho de que la implementación de tecnologías complejas es larga y costosa. Como necesitas comprar equipos y modificar aplicaciones mucho. Hoy todo es diferente. Cada año el proceso de desarrollo e introducción se optimiza y simplifica, las tecnologías se vuelven más accesibles.
Por ejemplo, las empresas ofrecen sus soluciones bajo el modelo SaaS e implementan proyectos piloto rápidos. Este enfoque permite a los clientes probar el producto en contextos del mundo real y comprender si es adecuado para su empresa y aborda sus tareas.
