Las agencias de promoción en el punto de venta en España se están volviendo cada vez más populares a medida que las empresas locales e internacionales de bienes de consumo de rápido movimiento (FMCG) compiten por los consumidores. Para ello, intentan mejorar la experiencia de compra, optimizar los procesos internos y trabajo con contratistas y subcontratar algunas funciones a profesionales, por ejemplo, la auditoría de los puntos de venta y el merchandising. La agencia se enfrenta a la tarea de prestar servicios de forma rápida y eficaz, porque incluso un pequeño error puede originar grandes costes para el cliente.
La introducción de tecnologías innovadoras es una de las formas de resolver el problema planteado. Cada vez se utilizan con más frecuencia soluciones basadas en reconocimiento de imágenes. Los expertos predicen que el mercado del reconocimiento de imágenes alcanzará los 360 millones de dólares estadounidenses a finales de 2023, con un crecimiento anual de casi el 14 %, y en 2030 el tamaño del mercado será de casi mil millones de dólares, concretamente 893 millones de dólares.
En este artículo, los expertos de la empresa de TI, IBA Group, que están desarrollando la solución SAAS para el comercio minorista Goods Checker, explican cómo las agencias de merchandising pueden implementar rápidamente el reconocimiento de imágenes para automatizar procesos.
Por qué las agencias de merchandising están implementando el reconocimiento de imágenes
En la industria de FMCG, el reconocimiento de imágenes se utiliza para resolver muchos problemas, como: autopagos, creación de mapas de calor de tiendas, reconocimiento de emociones y prevención de salidas de clientes, gestión de colas, cálculo de la conversión de visitante a comprador, control de falta de stock, análisis de visualización. Esta es solo una pequeña parte de los ejemplos.
Veamos cómo la visión por computadora puede ser útil para una agencia de promoción en el punto de venta usando el ejemplo del análisis de la exhibición y la auditoría de los puntos de venta.
Los fabricantes y distribuidores de bienes de consumo de rápido movimiento se enfrentan a varias dificultades en los puntos de venta: los productos no están en los anaqueles, la presentación no se corresponde con el planograma, no hay materiales para el punto de venta (POS) y las etiquetas de precios están mezcladas. Deben controlar todos estos momentos.
Pero hay muchos puntos de venta minorista y ellos recurren a agencias de merchandising para auditar los puntos de venta.
La agencia asume la responsabilidad de visitar el punto de venta, auditarlo y enviar informes al cliente. Si el proceso de auditoría de una agencia no está automatizado y no utiliza soluciones sectoriales, la mayoría de las veces la auditoría se ve así.
El promotor verifica manualmente la visualización con el planograma, corrige la ubicación de las unidades de referencia de almacén (SKU), los materiales de POS y las etiquetas de precios. Toma una foto y la envía al supervisor. Luego verifica los saldos en los almacenes, completa un informe del punto de venta y pasa al siguiente. Hay varios puntos de este tipo por día.
Como resultado, surgen varios problemas: errores de «factor humano» y cientos de fotografías de los merchandiseres (promotores) sin editar, ya que los supervisores físicamente no tienen tiempo para verlas todas. En consecuencia, los clientes reciben datos analíticos incompletos y desactualizados, sobre cuya base toman decisiones de gestión. Esto puede provocar una disminución de las ventas y una pérdida de beneficios, lo que significa que la agencia de merchandising puede perder clientes y reputación.
Para evitar problemas, mejorar los procesos y ofrecer a los clientes más servicios y “trucos”, las agencias de promoción en el punto de venta están implementando el reconocimiento de imágenes y automatizando los procesos comerciales.
Cómo se implementa el reconocimiento de imágenes
Las soluciones basadas en visión por computadora se implementan en varias etapas:
1.Preparación de datos
2.Selección de arquitectura y entrenamiento del modelo.
3.Evaluación y entrenamiento adicional del modelo
4.Introducción a la operación comercial
En la primera etapa, creamos conjuntos de datos para la red neuronal artificial. A la hora de prepararlas es importante añadir distorsiones a las imágenes: fotografías poco claras, con brillos, etc. Esto aumentará la variedad de datos y, posteriormente, la precisión del reconocimiento.
A continuación, es necesario seleccionar la arquitectura del modelo que se utilizará para el entrenamiento. Luego lanzamos la red neuronal artificial en base a los datos de entrenamiento. El modelo se entrena en varias iteraciones. Durante cada iteración, el modelo encuentra patrones y características que le ayudan a reconocer objetos, como SKU, etiquetas de precio, materiales de POS, y también a clasificar productos, por ejemplo, agua de una marca, volumen y sabor específicos. Al final de cada iteración, la red neuronal artificial se prueba en un conjunto de datos de validación. Así, el modelo mejora gradualmente sus parámetros.
Después de entrenar un modelo, es necesario evaluarlo en un conjunto de pruebas para determinar si se desempeña bien con datos nuevos que no “ha visto” previamente. Si el modelo muestra resultados insatisfactorios, el proceso de entrenamiento se ajusta y se repite.
Cuando el modelo etiqueta con éxito las fotografías de manera consistente con una precisión del 95 % o superior, está listo para su implementación industrial. En esta etapa, la aplicación con el modelo se integra a los procesos de negocio de una empresa de FMCG.
Cómo una agencia de merchandising de Europa del Este implementó el reconocimiento de imágenes en 2 semanas
La etapa de preparación de datos es la que ocupa la mayor parte del tiempo de todo el proyecto de implementación: desde un par de meses hasta un año. Esto se debe al hecho de que el etiquetado de datos suele realizarse manualmente. Se adoptó un enfoque diferente. Para crear un conjunto de datos para la red neuronal artificial, se utilizaron representaciones de las unidades de producto requeridas y creamos un conjunto de datos artificial. El proceso demora de 2 a 3 semanas, dependiendo de los tipos y cantidad de SKU.
Por ejemplo, para una agencia de merchandising de Europa del Este, se completó un proyecto piloto sobre Goods Checker en tan solo dos semanas.
Goods Checker es una solución del reconocimiento de imágenes que ayuda a automatizar los procesos de merchandising. Goods Checker consta de tres módulos: formación de planogramas, reconocimiento de mercancías en anaqueles y análisis, así como control de exhibición en el punto de venta. Goods Checker puede ejecutarse como una aplicación independiente o integrarse en aplicaciones de TI existentes mediante una API.
Para el piloto se eligieron 6 ciudades, 45 cadenas minoristas y 694 puntos de venta. Goods Checker fue utilizado por 4 supervisores y 8 merchandiseres. Después de solo dos semanas, la precisión del reconocimiento ascendió al 95 % y más.
Goods Checker ayudó a acelerar la compilación de los informes en un 70 %. Los merchandiseres ahora dedican solo unos 20 minutos a los informes en vez de una hora. Aún más, las auditorías en los puntos de venta se han acelerado entre un 10 % y un 50 %, dependiendo del tamaño de la tienda.
Usar el reconocimiento de imágenes en FMCG es una inversión que dará sus frutos
El reconocimiento de imágenes en el comercio minorista ya no es una exageración, sino una inversión real que vale la pena y trae beneficios: reduce el tiempo de auditoría de los puntos de venta, aumenta el porcentaje de cumplimiento de los planogramas y muestra la situación real en los anaqueles de las tiendas.
El mundo se está desarrollando rápidamente, las necesidades de los clientes cambian constantemente y los requisitos de nivel de servicio aumentan. Para seguir siendo competitivo, no hace falta tener miedo de algo nuevo, al contrario, es necesario probar y buscar constantemente algo que resuelva exactamente los problemas.
Hoy en día, no es difícil implementar nuevas tecnologías. Las empresas de TI a menudo venden sus soluciones como modelo SaaS u ofrecen proyectos piloto. Gracias a esto, se puede probar el producto y comprender si se adapta a cada empresa y a sus tareas.
La innovación ayuda a las empresas a mantenerse por delante de sus competidores, generar beneficios adicionales, reducir costes y aumentar la productividad.
