Планограмма AI: почему выкладка расходится с макетом
Выкладка расходится с утверждённым макетом не потому, что кто-то халтурит, а потому что макет и полка живут в разных временных шкалах. Планограмма фиксирует ревизию на дату согласования, а полка меняется ежедневно: заканчивается товар, приходит партия в новой упаковке, сотрудник собирает выкладку по памяти в часы пик. Планограмма AI закрывает не вопрос «кто виноват», а контроль выкладки с регулярностью, недостижимой для ручного обхода.
Источники расхождения с макетом повторяются из точки в точку. Товары-двойники похожи внешне — соседний вкус или другой вес встаёт на чужое место в ряду. Смена поставщика или редизайн упаковки ломает расчёт ширины, и в макете остаётся позиция, которой на полке уже нет. После распродажи остаются «дыры», которые закрывают случайным товаром вместо правила подстановки. Плюс сезонные перестановки — и часть зала работает по устаревшей ревизии, о которой никто не помнит.
Ручной обход стоит дороже, чем кажется. Проход по одной категории — десятки минут, полный обход точки — половина смены, поэтому проверку делают раз в неделю или по жалобе. Между проверками расхождение живёт незамеченным: структура полки разъезжается, импульсные зоны теряют продажи, а отчёт фиксирует впечатление проверяющего, а не факт. Сравнить состояние полки с тем, что было месяц назад, нечем.
Детекция выкладки по снимкам снимает эту дискретность: алгоритм сопоставляет кадр с макетом по геометрии полок и позициям, а автоматизация проверки полки превращает разовый обход в регулярный отчёт с доказательством. Разбираем, как это устроено.
Планограмма AI: измеримый эффект для розничной сети
Эффект контроля выкладки измеряется не фактом внедрения, а тремя числами: временем обхода зала, долей найденных расхождений и разбросом этих показателей между точками. Ручной обход одной торговой точки занимает 40–60 минут, и к концу смены проверяющий смотрит на полки заметно менее внимательно — часть ошибок остаётся незамеченной. AI-система проходит тот же зал за 5–7 минут: сотрудник снимает полки на камеру, остальное считает модель, а скорость проверки зала перестаёт зависеть от числа категорий в матрице.
Детекция построена на открытой модели семейства YOLO, дообученной на снимках конкретной сети и её товарных групп: распознаётся продукт, число позиций в ряду, порядок на полке и наличие ценника. Модель не угадывает бренд по цвету упаковки — она сравнивает геометрию выкладки с эталоном и возвращает список расхождений с привязкой к полке. Поэтому снижение ошибок выкладки идёт за счёт полноты, а не строгости: доля выявленных отклонений вырастает примерно на треть против ручного обхода, спорные случаи уходят на подтверждение человеку, а не в автоматический штраф.
Основной эффект — повторяемость. Один и тот же набор правил применяется во всех точках, и сравнение сети перестаёт зависеть от того, кто именно проводил аудит мерчандайзинга. Когда планограмма AI-контроль встроены в ежедневный регламент, расхождение фиксируется в день появления, а не на ежемесячной проверке: исправление стоит правки на полке, а не повторного визита супервайзера.
Режимы контроля выкладки: съёмка, камеры зала, гибрид
Режим контроля определяет не только источник кадра, но и всю дальнейшую обработку: съёмка выкладки в обход, постоянные камеры в зале или комбинация обоих источников. От этого зависит частота сверки с планограммой, устойчивость распознавания к ракурсу и перекрытиям и то, насколько снимок годится как доказательство для поставщика. Выбор упирается в три ограничения — площадь зала и число товарных точек, требуемую периодичность проверки и условия съёмки: свет, угол, люди в кадре.
| Режим | Когда подходит | Ограничения |
|---|---|---|
| Съёмка выкладки по обходу | Магазины с редкой сверкой, частые перестановки, нужна привязка к сотруднику и времени | Человеческий фактор: пропущенные зоны, разный ракурс, интервал между проверками |
| Камеры в зале | Крупные залы, где важна реакция в течение дня, а не по факту обхода | Мёртвые зоны, перекрытие покупателями, затраты на монтаж и трассировку полок |
| Гибридная схема | Смешанный ассортимент: топовые полки под наблюдением, остальное — обходом | Сложнее свести два источника и разметить эталон для каждого ракурса |
Отличается и обработка. При обходе расчёт на устройстве даёт результат сразу на месте, но ограничен качеством кадра; при стационарных камерах обработка уходит на сервер, где можно держать историю и сравнивать кадры между собой. Гибридная схема берёт от обоих режимов: постоянный фон по ключевым зонам плюс периодическая съёмка выкладки целиком — и именно её мы чаще всего проектируем как основной режим контроля полки.
Внедрение контроля выкладки: этапы инженерной работы
Внедрение контроля выкладки разбито на этапы, и каждый закрывается артефактом, который можно проверить: описанием процесса, размеченным набором кадров, отчётом пилота. Такой порядок снимает риск, что система уверенно работает на демонстрации и разваливается в магазине.
Этапы проекта: от аудита процесса до пилота
- Аудит процесса. Смотрим, как сейчас сверяют выкладку с планограммой: кто снимает полки, как часто, где фиксируются расхождения, какие категории дают больше отклонений.
- Эталонные данные. Собираем и размечаем снимки: правильно собранная полка и типовые нарушения — сдвиг, пустота, чужой товар.
- Настройка под ваши планограммы. Распознавание обучается на ваших категориях и формате полок, а не на абстрактном наборе.
- Пилот на категории. Запуск в ограниченном числе точек, сравнение с ручной проверкой, подсчёт доли верных срабатываний.
- Приёмка результата. Согласуем порог качества и правила эскалации: что уходит в задачу сотруднику, что считается допустимым.
- Передача в эксплуатацию. Регламент, инструкции для персонала, мониторинг качества и обучение команды.
Дальше решение работает без нашего постоянного участия: новые планограммы загружаются штатно, качество отслеживается по метрикам, а при смене категории модель дообучается на новых кадрах вместо перезапуска проекта.
Артефакты проекта: разметка, модель детекции, регламенты
Демонстрация уверенно работает на подготовленных кадрах, поэтому ценность проекта определяется тем, что физически остаётся в контуре заказчика после сдачи. Мы передаём не закрытую систему «как есть», а набор артефактов, по которому ваша команда может менять правила, дообучать модель на новых данных и разбирать спорные срабатывания без нашего участия.
- Разметка данных. Эталонные кадры по типам оборудования и ракурсам, словарь классов дефектов, правила разметки спорных случаев — где отклонение считается нарушением, а где допуском.
- Модель детекции. Обученные веса, скрипт запуска и отчёт по метрикам: точность и полнота отдельно по каждому классу, доля ложных срабатываний на контрольной выборке.
- Правила сопоставления. Привязка найденных объектов к позициям планограммы, порог уверенности для автоматического исправления и для ручной проверки оператором.
- Регламент реакции. Кому и в каком виде уходит замечание, за какой срок его закрывают, при каких условиях подключается эскалация и как фиксируется результат.
- База для дообучения. Требования к съёмке новых кадров и порядок добавления сложных примеров в обучающую выборку — чтобы качество росло на ваших данных.
- Документация. Описание схемы работы, инструкция по запуску и обновлению модели, карта зон ответственности между вашей командой и сопровождающим подрядчиком.
- Передаточный комплект. Доступы, конфигурации, журнал срабатываний и разбор инцидентов за период опытной эксплуатации.
Приёмка идёт по каждому пункту отдельно: пока артефакт не воспроизводится на вашей стороне без нашего участия, этап не считается закрытым.
Как изменился контроль выкладки в сети: метрики до и после
Как было до внедрения
Пилот запускали в розничной сети одного формата — несколько десятков точек с одинаковой планировкой, чтобы сравнение шло на сопоставимых данных. Контроль держался на ручных обходах: сотрудник проходил зал с планограммой и отмечал отклонения глазами — около 40 минут на точку. Между фиксацией нарушения и повторной проверкой проходило две-три недели, поэтому часть отклонений исчезала сама, часть появлялась заново.
Что стало после автоматизации
Автоматическую проверку встроили в тот же процесс: сотрудник фотографирует полку по регламенту, система сопоставляет снимок с планограммой и возвращает список отклонений с привязкой к товарным позициям. Внутри сети контур назвали Смарт-выкладка.
- Расхождения с планограммой: ручной обход находил 18% нарушений, автоматическая проверка — 34% на тех же полках. Разница — переставленные блоки, не тот размер упаковки, недовыкладка по глубине.
- Время проверки точки: 40 минут → 7-10 минут, включая съёмку после исправления.
- Цикл повторной проверки: две-три недели → двое-трое суток.
- Доля расхождений, остававшихся незакрытыми при повторной проверке: 45% → 12%.
Рост находок — не ухудшение выкладки, а изменение чувствительности контроля. Сравнивали на одних и тех же точках и одном регламенте съёмки: сначала месяц ручных обходов, затем сопоставимый период автоматической проверки.
Чем отличается контроль выкладки по фото от видеоаналитики?
Оба подхода начинаются с кадра с полки, но дальше расходятся. Фотоаналитика получает дискретный набор снимков по заданному маршруту обхода, видеоаналитика — непрерывный поток с закреплённых камер. Отсюда разные требования к залу, точность распознавания и цена изменения схемы выкладки.
На статичном снимке геометрия повторяема: та же точка съёмки, известный ракурс, предсказуемая экспозиция. Детекторы семейства YOLO на таких кадрах дают устойчивый результат, спорную зону можно перепроверить повторным прогоном и отдать оператору только расхождения. Видео берёт другим — оно ловит момент: подмену ценника, опустевшее место на полке, перемещение товара между зонами.
Ограничения съёмки у видео жёстче. Камеры висят под углом, часть полок перекрывают покупатели, дальние ряды теряют детализацию, а вечернее освещение меняет цвет упаковки. Потоковая обработка частично это сглаживает — решение принимается по накопленным наблюдениям, — но требует дедупликации: без неё одна и та же пустая полка даёт лавину срабатываний.
На практике выбор такой: фото — для аудита соответствия планограмме и товарного учёта, видео — для событий в зале и реакции по факту. Когда нужно и то и другое, собираем связку: камеры поднимают тревогу, а плановые обходы со снимками дают эталон и доказательную базу для спорных случаев.
Частые технические сомнения перед запуском системы
Сомнения перед запуском обычно инженерные: хватит ли данных, что делать с похожими упаковками, как часто переснимать эталоны и не потребует ли зал замены оборудования. Проверяем это на пилотной зоне — несколько стеллажей и один формат выкладки, где поведение системы видно на реальном свете и реальном потоке покупателей.
Какой объём данных нужен на старте?
Не нужно размечать весь ассортимент. Достаточно эталонных снимков по каждому блоку выкладки и нескольких сотен кадров реального зала — дальше модель дообучается на расхождениях, которые находит сама. Чем уже пилотная зона, тем быстрее понятно, хватает ли качества съёмки.
Как система различает похожие упаковки?
Смотрим не на силуэт, а на набор признаков: профиль упаковки, порядок соседних единиц, цветовые зоны этикетки, положение относительно разделителей и ценников. Объективно неразличимые в кадре позиции уходят в список «требует подтверждения», а не в ложное срабатывание. Такие категории помечаем как сложные и настраиваем под них отдельный порог чувствительности.
Что происходит при обновлении макетов и в сезон?
Макет хранится как версия с датой действия, а не как один файл. Новая планограмма загружается отдельной версией, предыдущая сохраняется — расхождения можно сравнить и вернуться назад. Сезонные расширения — паллетная выкладка, промо-зоны, временные вставки — описываются правилами допуска, чтобы не читались как нарушение.
Какое оборудование потребуется в зале?
Обычно хватает камер, которые уже стоят в зале, плюс съёмки по маршруту обхода. Важна не столько оптика, сколько перекрытие зон и стабильная точка съёмки: считаем, сколько полок покрывает один проход. При неравномерном свете или глубокой полке добавляем точку съёмки — это и выясняется на пилоте.
Обсудим задачу: с чего начнём и что потребуется
Оценка и план появляются не из анкеты, а из разбора текущего процесса: как сегодня проверяют выкладку, кто фиксирует нарушения, что уже пытались автоматизировать. Поэтому первый шаг — обсудить задачу и собрать вводные, от которых зависят и объём работ, и сроки внедрения.
Что требуется от вас: планограммы в рабочем формате — таблицы, PDF или выгрузка из системы мерчандайзинга — с пометкой обязательных и вариативных позиций. Плюс съёмка зала с тех ракурсов, где будет работать система, и история реальных нарушений: по ней видно, какие ошибки выкладки критичны, и настройка идёт точнее.
Дальше работа идёт по шагам:
- Разбор вводных и границ задачи: категории, типы полок, что система должна делать и чего делать не должна.
- Аудит данных: хватает ли съёмки и разметки, чтобы детекция работала устойчиво, а не угадывала по одному удачному примеру.
- Критерии приёмки: какая доля найденных нарушений и какая частота ложных срабатываний считаются нормой для вашей сети.
- Пилот на одной категории или группе точек: замеряем точность на реальных обходах и показываем, что система пропускает и почему.
- Дообучение под сеть: закрываем расхождения, всплывшие на пилоте, добавляем новые типы полок и условий съёмки.
- Передача решения: документация, регламент работы с сигналами, обучение команды, доступы и разграничение прав.
- Сопровождение после запуска: разбираем спорные срабатывания и обновляем модель по мере изменения выкладки.
Сроки внедрения на всю сеть называем после пилота — они зависят от числа категорий и точек, а не от объёма модели. Опишите задачу и текущий процесс контроля выкладки — вернёмся с оценкой, планом и границами пилота.
