Как нейросеть работает мерчандайзером, помогая продавать на 3–7% больше: кейс поставщика вина
21 января
время чтения: 7 мин.
Ретейлеры в основном пока присматриваются к технологии распознавания товаров с помощью нейронных сетей (Shelf Recognition). На их фоне дистрибьюторы, которые недавно стали внедрять Shelf Recognition, уже кажутся опытными практиками. Александр Немцов, руководитель лаборатории ИИ компании «Первый Бит» рассказывает историю одного такого внедрения в мерчандайзинге.
Ситуация
Российский дистрибьютор поставляет вино в сорок тысяч торговых точек — от федеральных сетей до городских магазинов площадью 100 квадратных метров. У него множество конкурентов, претендующих на магазинные полки со своим каберне, мерло, совиньоном, ширазом и зинфанделем. Надо быть в курсе, как ведут себя конкуренты и как представлено собственное вино на полках, поэтому дистрибьютор содержит мерчандайзеров, торговых представителей, супервайзеров и маркетологов. Полевая нагрузка падает прежде всего на мерчандайзеров — ежедневно три сотни человек отправляются в магазины, чтобы собрать ценную информацию.
Проблема
По плану на каждого мерчандайзера приходится до 20 точек ежедневно, по факту — 12–15 визитов. Во время визита мерчандайзер делает аудит — фактически заполняет анкету, которая помогает рассчитать долю полки, проанализировать цены и акции конкурентов и принять маркетинговые решения.

Проблема в том, что информация собирается и отправляется вразнобой. Обычная практика: мерчандайзер заполняет бумажные анкеты, вечером сканирует/фотографирует их и высылает по почте в офис. Еще прикладывает фотографии из каждой точки, чтобы дать больше информации для анализа. На самом деле до фотографий руки редко доходят, их требуют, чтобы убедиться, что мерчандайзер был в магазине. Порой мерчандайзеры хитрят, они дома заполняют анкеты и высылают неактуальные фотографии, сделанные в прошлые визиты. Кто-то прибегает к читерству от лени, а кто-то потому, что не успевает выполнить план визитов.

Со стороны кажется, что работа идет в авральном режиме. Но никто ничего не успевает: мерчандайзеры — делать полноценный аудит, маркетологи — нормально анализировать. Больше 50% данных из магазинов некорректны, а решения, принятые на их основе, скорее вредят продажам, чем помогают. Ну и что с этим делать? — спрашивает дистрибьютор.
Решение
Есть идея автоматизировать часть работы — переложить её на машины. Это как минимум в разы дешевле, чем нанимать еще двести-триста сотрудников. Действовать будем в два этапа.

1. Наводим порядок в инструментах аудита. Вместо Excel, бумажных анкет, сканера, почты и WhatsApp — одно мобильное решение, состоящее из приложения и офисной части. Мерчандайзер в приложении заполняет электронную анкету, здесь же фотографирует полки с вином и отправляет для анализа при завершении визита.
Электронная анкета в приложении мерчандайзера
2. Интегрируем Grotem/Agent с нейросетью для ретейла. В нашем случае нейросеть — это система с компьютерным зрением, которой несколько месяцев показывали десятки тысяч изображений разных товаров, объясняя, как они называются, кто их произвел и прочее. Благодаря такой тренировке она отличает упаковку чипсов от кукурузных хлопьев, Pepsi от Coca-Cola. Понимает, что красный ценник означает продажу со скидкой, раз кругом белые или желтые ценники. Система умеет склеивать несколько фотографий так, чтобы получился один стеллаж, и определять долю каждого товара на полке (SKU).

Нейросеть нужно дополнительно обучить под задачи поставщика вина. В идеале система должна узнавать белое, красное, розовое, оранжевое, игристое, регион, сорт винограда, содержание сахара, алкоголя, год урожая, объем бутылки, импортера.

Самый важный показатель — точность распознавания изображений. Приемлемой считается точность 95%: если из 20 бутылок система не узнает одну, это нормально.


При распознавании полок нейросеть рисует вокруг бутылок рамки разных цветов. Для каждого SKU — свой цвет, который используется в отчете с диаграммами
В общем виде всё работает так:

  • мерчандайзер фотографирует полки с вином в рабочем приложении;
  • изображения попадают в облако системы;
  • нейросеть распознает и анализирует их;
  • результат анализа — отчет — видят в офисе.

Отчет нейросети в начале обучения — распознать получилось только 50,5% бутылок в магазине
Реализация
Приложение немного доработали под процессы компании и поставили на личные смартфоны мерчандайзеров. К нему привыкли через несколько дней. А вот с нейросетью пришлось поработать немного дольше запланированных трех «пилотных» месяцев. Почему так получилось:

1. Человеческий фактор. Некоторые мерчандайзеры упорно фотографировали себя на фоне стеллажей. Другие фотографировали отдельно ценники и бутылки, а потом — общий вид с разных ракурсов: прямо, слева, справа. Это, скажем мягко, не способствовало точности распознавания и автоматической склейки фотографий. Проблема решается настойчивым разъяснением: «Ребята, просто пришлите нормальные фронтальные фотографии всех полок с вином, без повторов».

2. Особенности магазинов.
Акционное вино на палетах возле входа и узкие проходы между рядами, которые заставляют ребят фотографировать под углом — всё это тоже мешает распознать изображения на 100%. Нейросеть умеет выпрямлять боковые композиции, чтобы лучше их рассмотреть, но иногда этого недостаточно для приемлемой точности. Обычно с такими особенностями приходится смириться.


Так нейросеть выпрямляет изображения, снятые под углом (с перспективой)
3. Особенность товарной категории. Вино оказалось капризным товаром. Бывает, стоят три одинаковых бутылки с одинаковыми этикетками, но разными ценниками. Оказывается — разный год урожая, который указан на контрэтикетке. У некоторых производителей универсальные этикетки на все случаи жизни, и только где-то внизу очень-очень мелким шрифтом написано: «красное сухое» или «красное полусладкое». Еще производитель может до неузнаваемости изменить этикетку в честь Нового года, 23 Февраля или собственного юбилея. Если такое произойдет с упаковкой чипсов, нейросеть распознает как минимум бренд, а с вином всё сложнее. Проблема решается дополнительным обучением нейросети на подобных изображениях. Так она хотя бы сможет определить, «свой» это товар или «чужой» для точной оценки доли полки.
Результаты
За несколько месяцев сократилось время аудита торговых точек (по нашим оценкам, на 40–50%) — мерчандайзеры могут выполнять и перевыполнять план, не прибегая к хитростям. Да и хитрить с системой гораздо труднее, чем раньше.

Корректность данных из торговых точек напрямую зависит от точности распознавания нейросетью. Можно быть уверенным в 95% данных вместо 50%.

Отчеты автоматически формируются за минуты, есть возможность фильтровать данные по регионам, сетям, производителям, супервайзерам и так далее. Так появилось больше времени и цифр для адекватного позиционирования в сетях, своевременной корректировки выкладки (реалограммы).

Пока рано делать выводы о повышении выручки — надо хотя бы год поработать с системой, чтобы учесть сезонность. Судя по опыту других компаний, нейросеть в итоге помогает повысить продажи на 3–7%. Кто-то заявляет о 10%, но вероятно, это исключительный случай.
Кейс впервые опубликован на MarketMedia
Есть похожая задача? Появились вопросы? Напишите эксперту
Нужна консультация по Shelf Recognition?
Расскажите коротко о своей задаче, наш эксперт все объяснит и проведет демонстрацию.
Как вас зовут
Ваш телефон
Какую задачу нужно решить