הערך האמיתי של Computer Vision בביצוע קמעונאי טמון בתרגום תמונות שצולמו לתובנות ניתנות לפעולה.
בעבר דנו בגורמים כמו דיוק ושלמות כבעלי חשיבות עליונה לאיכות הנתונים כאשר מדובר בנתונים בחנות שנוצרו על ידי פתרונות Computer Vision.
אבל איך מחשב ויז'ן למעשה ממירה תמונות בחנות לנתונים כמותיים משמעותיים עבור תעשיית הקמעונאות ומוצרי הצריכה? מהם הכלים והטכניקות במשחק בעת שימוש בתמונות כדי להבין את תנאי החנות האמיתיים?
דיגיטציה של חנות פיזית
היתרון המרכזי בשימוש ב-Computer Vision לביצוע קמעונאי טמון ביכולתו לייצר גרסה של תנאים אמיתיים בחנות בצורה הרבה יותר מדויקת מאשר ביקורת ידנית. מכיוון שגישה זו מכוונת למדף ומציגה, היא מספקת יותר נתונים על מדדים כמו זמינות על המדף ונתח המדף מאשר נתוני הסורק יכולים.
כדי שזה יעבוד, נדרש ייצוג דיגיטלי הוליסטי של החנות כדי להמיר את התמונות שצולמו לתובנות ניתנות לפעולה ולחישובי KPI המסוגלים להניע החלטות. פלטפורמת Computer Vision מתקדמת יכולה למנף תפירת תמונות וטכניקות גיאומטריות מתקדמות כדי לבצע דיגיטציה של קמעונאות פיזית.
- תפירת תמונה פנורמית
אם אי פעם תצטרך לצאת לטיולים וירטואליים, לחקור ציוני דרך או למצוא חנויות, מסעדות ובתי מלון בכל רחוב בעולם, תשתמש בתכונה Google Street View במפות Google. זוהי תכונה המספקת נוף פנורמי ממקומות לאורך רחובות רבים בעולם. רוב הצילום נעשה במכונית, אבל מה שמוצג הוא פנורמה של תמונות תפורות.
הבנת התנאים בחנות באמצעות Computer Vision כרוכה בלכידת תמונות רבות על פני מאות מעברים שכל אחד מהם מכיל מוצרים רבים. אחד האמצעים המשכנעים ביותר להמחשת נתונים מהטופס הזה הוא באמצעות פנורמות מרובות פרספקטיבות.
במילים פשוטות, תהליך זה מסתכם בחילוץ תמונות בודדות שצולמו מנקודות מבט ומכשירים שונים ואז יישורן ליצירת הפנורמה הסופית. תהליך זה של פסיפס - או תפירה - כרוך במורכבות חישובית גדולה יותר בקמעונאות מאשר בתחומים אחרים.
בסביבה שאינה קמעונאית, למשל, מעקב אחר פרצופים בקהל הוא מעט יותר קל מכיוון שאין פרצופים שחוזרים על עצמם. אבל בהקשר של חנות קמעונאית, שבה מוצרים זהים לרוב ממוקמים אחד ליד השני, תהליך השחזור החזותי של המדף תוך הבטחה שאין חפיפות או כפילויות מצריך מנוע תפירה הבנוי על אלגוריתמים מתקדמים.
החידושים האחרונים בלכידת נתונים בחנות ממנפים גם טכנולוגיית מציאות רבודה אשר מודיעה למבקרים בדיוק אילו חלקים מהמדף נלכדו, ובכך מאיץ באופן דרמטי את תהליך התפירה.
- זיהוי מיקום וגודל מוצרים באמצעות גיאומטריה
לעתים קרובות, יצרני מוצרי צריכה מסתמכים על מקבץ של מדדים או מדדי KPI כדי להבין את נראות המותג שלהם, למשל חלק ליניארי של המדף. מדד זה מתייחס לאחוז אורך המדף הפיזי שתופס מותג בקטגוריה מתוך אורך המדף הכולל באינצ'ים או מטרים.
מערכת ה-Trax משתמשת בטכניקות גיאומטריות מתקדמות כדי לקחת בחשבון את הזווית והמרחק מהמדף ממנו צולמה התמונה. זה עוזר לחשוף את המיקום המדויק של כל מוצר על המדף, אפילו בחשבון עבור פריטים מוערמים. לדוגמה, הוא יכול להצביע על קוקה קולה 600 מ"ל במפרץ 4, מדף 2, כפריט הרביעי מימין, בחלק העליון של הערימה.
אבל כדי לחשב מדדים כמו נתח ליניארי של המדף, הכרת גודל מוצר בודד חשובה לא פחות מהמיקום שלו. מסיכות מלבניות הדוקות נוצרות סביב כל מוצר, והכמות המדויקת של שטח המדף התפוסה מחושבת באמצעות אלגוריתמי למידה עמוקה המתאמנים על ממדים ידועים של מדגם קטן של מוצרים.
- קרן לביצוע מדידות מדף מורכבות
תפירת התמונה ומנועי הגיאומטריה יוצרים מחדש באופן דיגיטלי את המדף כולו, אך עדיין צריך לתרגם את הנתונים לתובנות משמעותיות.
מנוע חישוב KPI גמיש וזריז עובד על נקודות נתונים רב-ממדיות מצטברות כדי לספק תובנות ניתנות לפעולה על פרמטרים שונים של חנות כמו נוכחות מוצר, מיקום, פלנוגרמה, מבצעים ותמחור.
המדדים המחושבים מספקים תשובות לשאלות קריטיות שעשויות להיות למותגים ולקמעונאים, כגון: האם אני מקבל את החלק ההוגן שלי במדף? האם מק"ט החשמל שלי בחנות? האם יש לי את החזיתות הנכונות? וכמה יעילים התצוגות והמבצעים שלי? התובנות הללו מועברות לאחר מכן באמצעות לוחות מחוונים המותאמים לתפקידי משתמש, החל מנציגי מכירות בשטח ועד למפקחים ומנהלי משרדים ראשיים.
אלגוריתמים מתקדמים המבצעים תפירה פנורמית וחישובים גיאומטריים חיוניים כדי ללכוד את תנאי החנות במדויק ולתרגם אותם לתובנות ניתנות לפעולה.
צפה בסרטון זה כדי להיכנס מתחת למכסה המנוע של פלטפורמת Trax Computer Vision.
