Автоматизация оценки качества работы персонала на базе нейронных сетей

1. Отказаться от дорогостоящих внешних исследований, включая ритейл-аудит, анализ представленности в категории и проверку качества работы персонала.
2. Выстроить эффективные бизнес-процессы мерчандайзинга на базе качественных полевых данных.
3. Сформировать правильное понимание потребительской упаковки с точки зрения возможности определения товара на полке.
4. Стандартизировать и улучшить работу с данными.
5. Создать DWH с возможностью привязки фотоматериалов к конкретным KPI.
6. Объективно оценивать качество выполнения любой полевой активности.
7. И, в итоге, принимать более качественные бизнес-решения, повышая продажи брендов Ferrero.

Нейронная сеть для мерчандайзинга SmartMerch, экосистема «ST Чикаго», бизнес-приложение «ST Мобильная Торговля», мобильные устройства Samsung.

1. Неготовность бизнеса к получению огромного набора информации от IR.
2. Сложная структура SKU, отсутствие на рынке кейсов распознавания мелких товаров, аналогичных Kinder.
3. Отсутствие методологий распознавания диагональной выкладки и прикассовой зоны.
4. Необходимость сбора фотоматериала по большому числу категорий (мультикатегорийность).

Мы принципиально пересмотрели понятие данных и подходы к работе с ними. Для этого был проведен бизнес-аудит, проработаны все системы, составлены карты процессов. При этом основные сложности проекта лежали не в технологической, а в управленческой плоскости.

За доступность продукции Ferrero в супермаркетах отвечают мерчандайзинговые агентства. Их сотрудники вывозят товар со склада магазина и выставляют на полки в соответствии с планограммой. Контролируют работу мерчандайзеров супервайзеры Ferrero и аудиторы стороннего агентства. Бюджет на выборочные проверки современного канала продаж составляет десятки миллионов рублей в год.

«Системные Технологии» и SmartMerch внедрили в Ferrero технологию для объективной оценки работы сотрудников силами самих сотрудников. После выставления товара супервайзер фотографирует полку и отправляет снимки на сервер нейросети. Нейросеть распознает фотографии и возвращает результат с рекомендациями: все хорошо или есть проблемы, которые необходимо решить. Данные по всем визитам автоматически агрегируются в отчеты. Снимки невозможно подделать или заменить, точность распознавания товаров превышает 95%.

Этапы проекта

Август 2020 — октябрь 2020. Технологический пилот.

Исследовали возможности применения IR для качественного распознавания товаров Ferrero.

Ноябрь 2020 — декабрь 2020. Выход на промышленные показатели и защита пилота.

Точность распознавания SKU на этом этапе составила 95-98%%.

Январь 2021 — июль 2021. Масштабирование бизнес-процессов и ИТ-систем.

С системой работают все супервайзеры Ferrero (160 человек). Отключены дублирующие системы, остановлено сотрудничество с аудиторскими агентствами, контролирующими работу мерчандайзеров Ferrero в ретейле. Это уже позволяет говорить об окупаемости проекта. Принято решение о включении в проект всей сейлз-структуры Ferrero (1600 человек — сотрудники дистрибьюторов и мерчандайзинговых агентств).

Август 2021 — по настоящее время. Идет подготовка к масштабированию: проработка интеграции, системы отчетности, механики KPI и взаимодействия этих KPI.

Февраль 2022 — плановый старт масштабирования.