AI ตรวจชั้นวางสินค้า: นับสต็อกค้าปลีกจากรูปถ่าย ไม่ต้องใช้คลิปบอร์ด

สินค้าอยู่ในคลัง อยู่ในระบบ แต่ไม่อยู่บนชั้นวาง และลูกค้า 30% ของคุณเพิ่งเดินออกไปแล้ว

สินค้าหมดสต็อกสร้างความเสียหายให้อุตสาหกรรมค้าปลีกทั่วโลกประมาณ 634 พันล้านดอลลาร์จากยอดขายที่สูญเสียต่อปี และความผิดเพี้ยนของสินค้าคงคลังโดยรวมสูงถึง 1.1 ล้านล้านดอลลาร์ อัตราสินค้าหมดสต็อกเฉลี่ย ณ จุดซื้ออยู่ที่ประมาณ 8% และ 91% ของผู้ซื้อที่พบชั้นวางว่างจะไม่รอการเติมสินค้า - พวกเขาไปหาคู่แข่ง การตรวจสอบด้วยภาพถ่าย AI ตรวจจับสินค้าหมดได้ในไม่กี่วินาทีแทนที่จะเป็นชั่วโมง จับปัญหาที่การเดินตรวจชั้นวางด้วยตนเองและระบบ ERP มองข้ามอย่างต่อเนื่อง

ทำไมการตรวจชั้นวางด้วยตนเองถึงไม่เพียงพอ

ร้านค้าปลีกส่วนใหญ่ยังคงตรวจชั้นวางด้วยกระบวนการง่ายๆ: ผู้จัดการภูมิภาคหรือพนักงานร้านเดินผ่านแต่ละทางเดิน มองดูชั้นวาง และจดบันทึกว่าจุดไหนดูว่างเปล่า ร้านค้าทั่วไปได้รับการตรวจชั้นวาง 1 ถึง 3 ครั้งต่อวัน โดยมีช่วงห่าง 3 ชั่วโมงระหว่างการตรวจ ในช่วงเวลาว่างเหล่านั้น สินค้าหมดสต็อกสะสมโดยไม่ถูกตรวจพบ

การตรวจสอบด้วยตนเองจับได้ 60 ถึง 70% ของเหตุการณ์สินค้าหมดในสภาวะเหมาะสม ส่วนที่เหลือไม่ถูกสังเกต: สินค้าถูกดันไปด้านหลังชั้น หน่วยเดียวที่เหลือดูเหมือนเต็มจากระยะไกล หรือสินค้าถูกวางผิดทางเดิน ผู้ตรวจสอบที่เป็นคนสังเกตเห็นช่องที่ว่างเปล่าทั้งหมดได้เร็ว แต่อ่อนแอในการตรวจจับสินค้าหมดบางส่วนและการละเมิดแผนผังชั้นวาง

แล้วก็มีสต็อกเสมือน - ปัญหาที่เงียบงัน สต็อกเสมือนคือสินค้าที่ระบบบอกว่ามีอยู่แต่จริงๆ ไม่อยู่บนชั้นวาง อาจอยู่ในห้องเก็บของ วางผิดที่ในทางเดินอื่น หรือแค่นับผิด งานวิจัยระบุว่าสต็อกเสมือนสามารถเป็นสาเหตุของเหตุการณ์สินค้าหมดสต็อกได้ถึง 80% และบันทึกสินค้าคงคลังเฉลี่ยมีความแม่นยำเพียงประมาณ 60% ไม่ว่าจะเดินตรวจชั้นวางกี่ครั้งก็ไม่สามารถแก้ปัญหาที่อยู่ในข้อมูลได้

การตรวจชั้นวางด้วยภาพถ่ายทำงานอย่างไร

ขั้นตอนการทำงานเรียบง่าย: พนักงานร้านชี้โทรศัพท์ไปที่ส่วนชั้นวางและถ่ายรูป AI ประมวลผลภาพ ระบุสินค้าแต่ละรายการ ทำเครื่องหมายช่องที่ว่างเปล่า และตรวจสอบความสอดคล้องกับแผนผังชั้นวางที่วางแผนไว้ (แพลนโนแกรม) ผลลัพธ์ปรากฏในไม่กี่วินาที

ระบบตรวจสอบความสอดคล้องของแพลนโนแกรมที่ใช้งานในร้านค้ามากกว่า 7,000 แห่งในไต้หวันมีความแม่นยำ 99.23% และ recall 98.93% สำหรับการตรวจจับชั้นวาง โดยการตรวจจับระดับสินค้ามีความแม่นยำ 94.61% และ recall 93.02% นี่เป็นการปรับปรุงอย่างมากเมื่อเทียบกับอัตราการตรวจจับ 60 ถึง 70% ของการตรวจสอบด้วยตนเอง

กล้อง Edge AI ก้าวไปอีกขั้นโดยประมวลผลการตรวจจับบนอุปกรณ์ในเวลาไม่ถึง 100 มิลลิวินาที ไม่จำเป็นต้องอัปโหลดภาพไปยังเซิร์ฟเวอร์คลาวด์ ติดตั้งไว้เหนือส่วนชั้นวาง กล้องเหล่านี้ให้การตรวจสอบอย่างต่อเนื่องแทนที่จะเป็นภาพถ่ายเป็นระยะ ทำเครื่องหมายสินค้าหมดทันทีที่เกิดขึ้น

สิ่งที่ AI จับได้แต่คนมองข้าม

ROI จากการตรวจจับที่เร็วขึ้น

ความเร็วคือสิ่งที่เปลี่ยนสมการ การเดินตรวจชั้นวางแบบดั้งเดิมใช้เวลาหลายชั่วโมงเพื่อครอบคลุมทั้งร้าน และเมื่อสินค้าหมดถูกบันทึก รายงาน และดำเนินการ ลูกค้าก็ไปแล้ว AI ลดวงจรจากการตรวจจับสู่การดำเนินการจากชั่วโมงเหลือวินาที

ผลกระทบทางการเงินเป็นเรื่องตรงๆ การศึกษาแสดงให้เห็นว่าการปรับปรุงความพร้อมของสินค้าบนชั้นวางแม้เพียงไม่กี่เปอร์เซ็นต์ก็แปลงเป็นรายได้ที่วัดได้ เครือซูเปอร์มาร์เก็ตขนาดกลางที่มี 200 สาขากู้คืนเพียง 2% ของยอดขายที่สูญเสียจากการตรวจจับสินค้าหมดที่ดีขึ้นจะเพิ่มรายได้หลายล้านต่อปี - โดยไม่ต้องขายสินค้าใหม่แม้แต่ชิ้นเดียว

ข้อมูลพฤติกรรมก็ชัดเจนเช่นกัน: 43% ของผู้ซื้อที่พบสินค้าหมดเปลี่ยนไปใช้แบรนด์คู่แข่ง 20% ทิ้งตะกร้าทั้งหมด และ 9% เปลี่ยนร้านค้าปลีกอย่างถาวรหลังจากพบสินค้าหมดเพียงครั้งเดียว ทุกชั่วโมงที่ชั้นวางยังว่างอยู่ ความเสียหายก็ทบต้น

เริ่มต้นกับการตรวจชั้นวางด้วยภาพถ่าย

สรุป

การตรวจชั้นวางเป็นงานคลิปบอร์ดมานานหลายทศวรรษเพราะไม่มีทางเลือกที่ขยายขนาดได้ AI จากภาพถ่ายเปลี่ยนสมการนั้น: ความแม่นยำในการตรวจจับ 95 ถึง 99% ผลลัพธ์ในไม่กี่วินาที และความสามารถในการจับสต็อกเสมือนที่การเดินตรวจด้วยตนเองหรือรายงาน ERP ไม่มีทางพบ

ครั้งหน้าที่ผู้จัดการภูมิภาคเยี่ยมร้านค้าและสงสัยว่าทำไมสินค้าขายดีถึงหายไปจากชั้นวาง คำตอบควรอยู่ในโทรศัพท์ของพวกเขาแล้ว