• 331

    Опубликовано проектов

  • 171

    Оставлено комментариев

Рейтинг рассчитывает взвешенные оценки. Система динамически пересчитывает показатели при каждом новом голосе, учитывая весовые коэффициенты и мультикритериальную оценку. В ближайшие две недели еще будут публиковаться новые проекты, которые сейчас заканчивают верификацию. Текущее значение рейтинга может демонстрировать нелинейную динамику.

← Вернуться к списку

Image Recognition: прорыв в распознавании меню

  • Руководитель проекта со стороны заказчика

    Вероника Снитко

    АО АБ ИнБев Эфес

    Руководитель направления по цифровой трансформации продаж

  • Категория

  • Номинация

  • Цели

    Создать объективный и масштабируемый способ проверки присутствия напитков в меню баров, ресторанов и других точек on-trade. Научить систему Image Recognition (IR) распознавать SKU, цену и категорию даже при нестандартных написаниях названий, сокращениях и опечатках. Передавать результаты в действующие аналитические процессы и KPI полевой команды, чтобы своевременно выявлять несоблюдение стандартов представленности, повышать результативность визитов и сокращать ручную проверку. Распространить единый подход к оценке торговых точек на on-trade канал, где до проекта IR не использовалась для расчета KPI.

  • Сроки выполнения

    сентябрь, 2025 — октябрь, 2026
  • Год завершения проекта

    2026

  • Масштаб проекта

    620 человеко-часов
  • Результаты

    Точность распознавания меню увеличилась с 60% в январе до 96% к концу октября (+36 п. п.). Выявление точек с нарушениями стандартов позволило увеличить представленность ассортимента в канале on-trade на один SKU (база расчета показателя уточняется).

    Оценочная экономия за январь–октябрь — около 21 млн рублей благодаря более эффективной работе сотрудников, посещающих торговые точки (финансовая методика требует согласования). Результаты IR впервые включены в KPI on-trade. 90% покрытия канала on-trade. Показатели ROI >300%, OOS −2 п. п. и +2 позиции средней линии относятся к IR-платформе в целом; они не включены в результаты данного этапа.

  • Уникальность проекта

    В on-trade товар представлен не полкой, а свободным текстом меню: один SKU встречается под десятками названий, на разных языках, с ошибками и сокращениями. Команда SmartMerch предложила не ограничиваться OCR. Сначала алгоритм извлекает текст с фотографии, затем лингвистическая нормализация и семантическое сопоставление связывают его с эталонным SKU; отдельный слой определяет относящуюся к позиции цену и категорию подачи. Система распознает несколько товаров в одной строке, не приписывает неизвестные позиции товарам из справочника, а новые варианты написания может учитывать без повторного обучения модели и ручной разметки. Решение встроено в ранее развернутую IR-платформу через существующий API. Это позволяет собирать сопоставимые данные о представленности в on-trade и off-trade и использовать распознавание меню в KPI продаж. Заявление о первенстве на рынке требует независимого подтверждения.

  • Использованное ПО

    Компьютерное зрение и нейросетевое распознавание изображений; OCR для извлечения текста из фотографии; лингвистическая нормализация написаний; семантическое сопоставление с эталонным реестром SKU; контекстно-зависимая привязка цены; категоризация по разделам меню; API-интеграция с действующей платформой IR. Входные справочники — реестр SKU и перечень конкурентов.

  • Решение из каталога Global CIO

    В проекте не используются решения из каталога Global CIO

  • Сложность реализации

    Главная сложность — отсутствие единых правил написания товаров в меню: вариативные шрифты, транслитерация, опечатки, сокращения, смешение языков, несколько SKU в строке. OCR считывал символы, но не устанавливал, какой именно товар указан. Требовалось одновременно обеспечить правильную идентификацию позиции, привязку цены и категории подачи, исключить ложные совпадения с неизвестными SKU и быстро учитывать новые варианты названий без повторного обучения модели. При этом новая функциональность должна была работать в существующем API-контуре IR и не усложнять процесс посещения торговой точки.

    Дополнительный вызов — обеспечить качество данных, достаточное для включения показателей в регулярные KPI on-trade.

  • Описание

    Исходная ситуация. Image Recognition (IR) применялась в компании «Напитки Вместе» для анализа фотографий торговых точек: в 2021 году технология была запущена в канале key accounts (КА), в 2023-м — в off-trade. В 2025 году началось расширение на on-trade; в презентации заявлено 90% покрытия этого канала. Но в барах и ресторанах продукт представлен главным образом в меню, а не на полке. В разных заведениях одно название может быть написано латиницей или кириллицей, сокращено или содержать ошибку. Обычное распознавание текста не позволяет надежно определить товар, его цену и форму подачи. Из-за этого было сложно регулярно оценивать выполнение стандартов ассортимента, а KPI on-trade ранее не рассчитывались через IR.

    Реализованное решение. Команда SmartMerch построила многоступенчатую обработку фотографии меню. На первом уровне OCR извлекает символы и строки. На втором лингвистический модуль нормализует разные написания и связывает их с эталонным реестром SKU; при наличии нескольких товаров в строке выделяет каждый отдельно. На третьем уровне смысловое сопоставление связывает позицию с ценой и распознает категорию по заголовкам меню («разливное», «бутылочное» и др.). На вход также подается перечень конкурентов; позиции вне известного реестра не должны ошибочно классифицироваться. Результат в формате «SKU — цена — категория» передается через API в существующие бизнес-процессы без изменения привычного сценария работы полевого сотрудника.

    Изменения после внедрения. Распознавание меню стало источником регулярной аналитики on-trade и вошло в систему KPI канала. Команды получили возможность обнаруживать торговые точки, где фактический ассортимент не соответствует стандартам, и точнее направлять визиты. Точность распознавания выросла с 60% в январе до 96% к концу октября, а экономия за январь–октябрь оценивается примерно в 21 млн рублей.

    Дальнейшее развитие предполагает сопоставление товара с ценником, повышение точности и расширение интеграции с коммерческими метриками.

  • География проекта

    По всей стране, где есть точки HoReCa, охват более 50 тысяч торговых точек on-trade, 995 пользователей.

Комментировать

Комментировать могут только авторизованные пользователи.
Предлагаем Вам в систему или зарегистрироваться.

  • Заказчик

    АО АБ ИнБев Эфес

  • ИТ-поставщик

    SmartMerch

Мы используем файлы cookie в аналитических целях и для того, чтобы обеспечить вам наилучшие впечатления от работы с нашим сайтом. Заходя на сайт, вы соглашаетесь с Политикой использования файлов cookie.