Produktet er pa lageret. Det er i systemet. Det er ikke i hyllen. Og 30 % av kundene dine gikk nettopp ut doren.
Tomme hyller koster den globale detaljhandelen anslagsvis 634 milliarder dollar i tapt salg arlig, og total lagerforvrenging utgjor 1,1 billioner dollar. Den gjennomsnittlige andelen tomme hyller ved kjopspunktet ligger pa rundt 8 %, og 91 % av kjoperne som moter en tom hylle, venter ikke pa etterfylling - de gar til en konkurrent. Fotobaserte AI-revisjoner oppdager tomme hyller pa sekunder i stedet for timer, og fanger problemer som manuelle hyllrunder og ERP-systemer konsekvent overser.
Hvorfor manuelle hyllrevisjoner ikke holder mal
De fleste detaljhandlere sjekker fortsatt hyller med en enkel prosess: en regionsjef eller butikkmedarbeider gar gjennom hver gang, skanner hyllene visuelt og noterer hva som ser tomt ut. En typisk butikk far 1 til 3 hyllrunder per dag, med 3 timers mellomrom mellom kontrollene. I disse mellomrommene hoper uoppdagede tomme hyller seg opp.
Manuelle revisjoner fanger 60 til 70 % av hendelsene med tomme hyller under ideelle forhold. Resten forblir uoppdaget: produkter skjovet til baksiden av hyllen, enkeltenheter som ser fulle ut pa avstand, eller produkter som er plassert i feil gang. Menneskelige kontrollorer er raske til a oppdage helt tomme facinger, men darlige til a oppdage delvise mangler og planogramavvik.
Sa er det fantomlagre - det stille problemet. Fantomlagre er varer som systemet viser som tilgjengelige, men som faktisk ikke er i hyllen. De kan vare i bakrommet, feilplassert i en annen gang, eller rett og slett feiltelt. Forskning indikerer at fantomlagre kan forarsake opptil 80 % av alle hendelser med tomme hyller, og gjennomsnittlige lagerposter er bare rundt 60 % noyaktige. Ingen mengde manuelle hyllrunder vil fikse et problem som ligger i dataene.
Hvordan fotobaserte hyllrevisjoner fungerer
Arbeidsflyten er enkel: en butikkmedarbeider peker telefonen mot en hylleseksjon og tar et bilde. AI-en behandler bildet, identifiserer enkeltprodukter, flagger tomme facinger og sjekker samsvar med den planlagte hylloppstillingen (planogrammet). Resultater vises pa sekunder.
Et planogramsamsvarssystem utplassert i over 7 000 butikker i Taiwan oppnadde 99,23 % presisjon og 98,93 % recall for hylledeteksjon, med produktnivadeteksjon som nadde 94,61 % presisjon og 93,02 % recall. Det er en betydelig forbedring sammenlignet med deteksjonsraten pa 60 til 70 % ved manuelle revisjoner.
Edge AI-kameraer tar dette videre ved a kjore deteksjon direkte pa enheten pa under 100 millisekunder, noe som eliminerer behovet for a laste opp bilder til en skyserver. Montert over hylleseksjoner gir disse kameraene kontinuerlig overvaking i stedet for periodiske oyeblikksbilder, og flagger tomme hyller i det oyeblikket de oppstar.
Hva AI oppdager som mennesker overser
En enkelt enhet igjen pa en hyllefacing ser bra ut fra 3 meter. AI teller noyaktige mengder og flagger facinger under terskelverdi.
Produkter plassert pa feil sted, som blokkerer etterfylling av riktig vare. AI matcher hver facing mot den planlagte layouten.
Systemet viser 24 enheter pa lager, men hyllen har 3. AI gir sannferdig data fra den faktiske hyllen og avsloerer informasjon som ERP-systemer ikke kan se.
Feil prisetiketter eller manglende merker som undergraver kjoperens tillit. AI flagger avvik under samme hyllskanning.
ROI for raskere deteksjon
Hastighet er det som endrer regnestykket. Tradisjonelle hyllrunder tar timer a dekke en hel butikk, og nar en mangel er dokumentert, rapportert og handtert, har kundene allerede gatt. AI reduserer syklusen fra deteksjon til handling fra timer til sekunder.
Den okonomiske effekten er direkte. Studier viser at en forbedring av hylletilgjengeligheten med bare noen fa prosentpoeng gir malbare inntektsokninger. En mellomstor dagligvarekjede med 200 butikker som gjenoppretter bare 2 % av tapt salg gjennom bedre mangeldeteksjon, legger til millioner i arlige inntekter - uten a selge et eneste nytt produkt.
Atferdsdataene er like talende: 43 % av kjoperne som moter en tom hylle, bytter til et konkurrerende merke, 20 % forlater hele handlekurven, og 9 % bytter permanent detaljhandler etter en eneste manglende vare. Hver time en hylle star tom, forsterkes tapet.
Kom i gang med foto-hyllrevisjoner
- Start med hoyverdikategorier: fokuser AI-revisjoner pa de bestselgende eller hoymarginhyllene forst
- Bruk en konsistent fotovinkel: rett forfrn, godt opplyst, fang hele hylleseksjonen
- Sammenlign med planogrammer: last opp din planlagte layout slik at AI kan flagge avvik, ikke bare tomme facinger
- Folg trender over tid: daglige fotorevisoner bygger et datasett som avsloerer gjentakende problemer og systemiske mangler
- Integrer med etterfylling: koble mangelvarsler til bakromsarbeidsflyten slik at losningen folger flagget
Konklusjonen
Hyllrevisjoner har vaert en utklippsbrettjobb i artier fordi det ikke fantes noe skalerbart alternativ. Fotobasert AI endrer dette regnestykket: 95 til 99 % deteksjonsnoyaktighet, resultater pa sekunder og evnen til a fange fantomlagre som ingen manuell runde eller ERP-rapport noensinne vil avdekke.
Neste gang en regionsjef besoker en butikk og lurer pa hvorfor en bestselger mangler fra hyllen, bor svaret allerede vaere pa telefonen deres.