AI शेल्फ ऑडिट: रिटेल स्टॉक फोटोने मोजा, क्लिपबोर्डने नाही

उत्पादन गोदामात आहे. ते सिस्टममध्ये आहे. ते शेल्फवर नाही. आणि तुमच्या 30% ग्राहकांनी दार सोडून बाहेर गेले.

आउट-ऑफ-स्टॉक वस्तू जागतिक रिटेल उद्योगाला वार्षिक अंदाजे 634 अब्ज डॉलर्सच्या गमावलेल्या विक्रीचा खर्च करतात आणि एकूण इन्व्हेंटरी विकृती 1.1 ट्रिलियन डॉलर्सपर्यंत पोहोचते. खरेदीच्या ठिकाणी सरासरी आउट-ऑफ-स्टॉक दर सुमारे 8% आहे आणि रिकाम्या शेल्फला भेटणारे 91% खरेदीदार पुनर्भरणाची वाट पाहत नाहीत - ते प्रतिस्पर्ध्याकडे जातात. AI-संचालित फोटो ऑडिट तासांऐवजी सेकंदांत स्टॉकआउट शोधतात, मॅन्युअल शेल्फ वॉक आणि ERP सिस्टम सातत्याने चुकवतात त्या समस्या पकडतात.

मॅन्युअल शेल्फ ऑडिट का कमी पडतात

बहुतेक रिटेलर अजूनही शेल्फ लो-टेक प्रक्रियेने तपासतात: प्रादेशिक व्यवस्थापक किंवा स्टोअर असोसिएट प्रत्येक गल्लीतून चालतो, शेल्फ दृश्यमानपणे स्कॅन करतो आणि रिकामे दिसते ते नोट करतो. सामान्य स्टोअरला दररोज 1 ते 3 शेल्फ वॉक मिळतात, तपासण्यांमध्ये 3-तासांचे अंतर असते. त्या अंतरांमध्ये, स्टॉकआउट न ओळखले जमा होतात.

मॅन्युअल ऑडिट आदर्श परिस्थितीत 60 ते 70% स्टॉकआउट घटना पकडतात. उर्वरित लक्षात येत नाहीत: शेल्फच्या मागे ढकललेल्या वस्तू, दुरून भरलेले दिसणारे एकच युनिट, किंवा चुकीच्या गल्लीत ठेवलेली उत्पादने. मानवी तपासकर्ते पूर्णपणे रिकाम्या फेसिंग ओळखण्यात वेगवान असतात परंतु अंशतः स्टॉकआउट आणि प्लॅनोग्राम उल्लंघन शोधण्यात कमकुवत असतात.

मग फॅन्टम इन्व्हेंटरी आहे - शांत समस्या. फॅन्टम इन्व्हेंटरी म्हणजे स्टॉक जो सिस्टम उपलब्ध दर्शवतो पण प्रत्यक्षात शेल्फवर नाही. ते बॅकरूममध्ये असू शकते, दुसऱ्या गल्लीत चुकीच्या ठिकाणी ठेवलेले, किंवा चुकीचे मोजलेले. संशोधन दर्शवते की फॅन्टम इन्व्हेंटरीमुळे आउट-ऑफ-स्टॉक घटनांपैकी 80% पर्यंत कारणीभूत होऊ शकते आणि सरासरी इन्व्हेंटरी रेकॉर्ड फक्त सुमारे 60% अचूक असतात. कितीही मॅन्युअल शेल्फ वॉक डेटामध्ये असलेली समस्या सोडवू शकत नाहीत.

फोटो-आधारित शेल्फ ऑडिट कसे कार्य करतात

कार्यप्रवाह सोपा आहे: स्टोअर असोसिएट शेल्फ विभागाकडे फोन दाखवतो आणि फोटो काढतो. AI प्रतिमा प्रक्रिया करतो, वैयक्तिक उत्पादने ओळखतो, रिकाम्या फेसिंग फ्लॅग करतो आणि नियोजित शेल्फ लेआउट (प्लॅनोग्राम) विरुद्ध अनुपालन तपासतो. निकाल सेकंदांत दिसतात.

तैवानमधील 7,000 हून अधिक स्टोअरमध्ये तैनात प्लॅनोग्राम अनुपालन प्रणालीने शेल्फ डिटेक्शनसाठी 99.23% अचूकता आणि 98.93% रिकॉल प्राप्त केली, उत्पादन-स्तरीय डिटेक्शन 94.61% अचूकता आणि 93.02% रिकॉलपर्यंत पोहोचले. मॅन्युअल ऑडिटच्या 60 ते 70% डिटेक्शन दरापेक्षा ही मोठी सुधारणा आहे.

एज AI कॅमेरे 100 मिलिसेकंदांपेक्षा कमी वेळात ऑन-डिव्हाइस डिटेक्शन चालवून हे आणखी पुढे नेतात, प्रतिमा क्लाउड सर्व्हरवर अपलोड करण्याची आवश्यकता दूर करतात. शेल्फ विभागांवर बसवलेले, हे कॅमेरे नियमित स्नॅपशॉट्सऐवजी सतत निरीक्षण प्रदान करतात, स्टॉकआउट दिसल्याच्या क्षणी फ्लॅग करतात.

AI काय पकडतो जे मानवांना चुकते

जलद शोधाचा ROI

वेग हे ठिकाण आहे जिथे गणित बदलते. पारंपरिक शेल्फ वॉकला संपूर्ण स्टोअर कव्हर करायला तास लागतात आणि स्टॉकआउट दस्तऐवजीकृत, अहवाल आणि कृती होईपर्यंत, ग्राहक आधीच निघून गेलेले असतात. AI तो शोध-ते-कृती चक्र तासांवरून सेकंदांवर कमी करतो.

आर्थिक प्रभाव थेट आहे. अभ्यास दर्शवतात की ऑन-शेल्फ उपलब्धता काही टक्के बिंदूंनी सुधारल्यानेही मोजता येण्यासारखा महसूल वाढतो. 200 स्टोअर असलेली मध्यम आकाराची किराणा साखळी चांगल्या स्टॉकआउट शोधातून गमावलेल्या विक्रीच्या फक्त 2% परत मिळवल्यास एकही नवीन उत्पादन विकल्याशिवाय वार्षिक महसुलात लाखो भर पडतात.

वर्तणूक डेटा तितकाच स्पष्ट आहे: स्टॉकआउटला भेटणाऱ्या 43% खरेदीदार स्पर्धक ब्रँडकडे वळतात, 20% त्यांची संपूर्ण कार्ट सोडतात आणि 9% एकाच आउट-ऑफ-स्टॉक घटनेनंतर कायमचे रिटेलर बदलतात. शेल्फ प्रत्येक तास रिकामी राहिल्याने नुकसान वाढत जाते.

फोटो शेल्फ ऑडिटची सुरुवात कशी करावी

सारांश

शेल्फ ऑडिट दशकांपासून क्लिपबोर्ड काम होते कारण कोणताही स्केलेबल पर्याय नव्हता. फोटो-आधारित AI ते समीकरण बदलतो: 95 ते 99% डिटेक्शन अचूकता, सेकंदांत निकाल आणि कोणत्याही मॅन्युअल वॉक किंवा ERP रिपोर्टला कधीही दिसणार नाही अशी फॅन्टम इन्व्हेंटरी पकडण्याची क्षमता.

पुढच्या वेळी प्रादेशिक व्यवस्थापक स्टोअरला भेट देतील आणि सर्वाधिक विक्री होणारे उत्पादन शेल्फवर का नाही याबद्दल आश्चर्य करतील, तेव्हा उत्तर आधीच त्यांच्या फोनवर असायला हवे.