Как найти товар на полке

В Пятерочке есть очень простой и полезный лайфхак, с которым почему-то знакомо не так много людей. Идешь в магазин за нужным товаром, точно знаешь где его место на полке, подходить к стеллажу, а там неприятная пустота.

В этом случае возможны два варианта:

• Все уже купили и ближайшие пару дней нужного товара не будет
• Он есть, но завалялся где-то в подсобке (или только привезли и лежит в запечатанном паллете)

Можно найти сотрудника и начать настойчиво приставать со своим вопросом. Велика вероятность, чтоб вы отвязались, скажут, мол, шеф, все закончилось, приходите в другой раз.

По этому, прежде чем обращаться к работникам магазина, лучше самому проверить наличие товара. Как это сделать?

В поисках наполнителя

Прямо на живом примере. На днях ходил в магазин за наполнителем. На полке стоял дорогой за 304-99 руб, но мы с хвостатым питомцем столько не зарабатываем. Нужен был именно за 172-39.

Забираю ценник и иду к ближайшему прайс чекеру. В Пятерочке на каждом ценнике есть куча полезной информации, но нас интересует только штрих-код.

Прикладываем к сканеру и видим количество нужного нам товара на остатках магазина.

В торговой точке еще где-то скрывают 2 пачки наполнителя. Иногда бывает, что товар в программе много, а фактические нет. Украли, порвалась пачка или истек срок. Могли выкинуть и не списать.

В этом плане, наполнитель – идеальный образец. У воров он не пользуется популярностью, а срок годности у него не ограничен. Значит, можно смело попросить поискать на складе.

Собственно, через пару минут 5 кг кошачьего счастья принесли из закромов. Возможно, кому-то эта информация будет полезной. Сам регулярно пользуюсь таким приемом.

Ставьте лайк, делитесь, подписывайтесь

Computer Vision позволил создать принципиально новые продукты и механники в многих областях жизни: умный город, беспилотный транспорт, аналитика производств.То же самое произошло и с супермаркетами: “оценка длины очереди”, “оценка загруженности зала”, “оценка загруженности полок товарами”, “проверка выкладки”, “проверка качества уборки”, “проверка ценников” и многое-многое другое это теперь автоматизированные задачи.В этой статье я хочу рассказать про общие принципы распознавания товаров. Эти алгоритмы необходимы для проверки выкладки, заполненности полок, контроля остатков, умных касс и других задач.Так получилось что за последние 7 лет мы были вовлечены в решение и консультирование по большинству таких задач, так что накопилось много интересного опыта.

Общие подходы, проблема

Задача распознавания товаров на полках содержит в себе несколько существенных математических проблем:

Можно ли решать эти задачи одной нейронной сетью? В теории да. Помните, была такая Yolo9000? Сейчас так можно сделать через трансформеры. Но я ни разу не видел чтобы кто-то так делал. Слишком сложно балансировать датасет. Обычно задачу разбивают на две основных части:

Плюс, почти в любом проекте появляются ещё два дополнительных класса задач:

Но окончательный выбор сетей и логики должен осуществляться исходя из задачи. О чем поговорим чуть позже

Детекция

Впервые с задачей распознавания товаров на полках мы столкнулись в 2016 году. На тот момент только появились анкерные детекторы по типу SSD и Yolo-v1. Но анкерные детекторы работали достаточно плохо когда в одной области может быть много мелких объектов.

До 2016 года мы отказывались от этой задачи, так как не были уверены что сможем получить продуктовую точность.

Но внезапно, я натолкнулся на статью которая пыталась явно бороться с плотной упаковкой объектов: “End-to-end people detection in crowded scenes”. В статье вместо каждого анкера была отдельная рекуррентная сеть, которая могла выдать большой объем детекций.

Статья была красивой и хорошо работала. Пришлось правда переписать все с нуля, так как она была основана на своем фреймворке. Но на тот момент результат детекции мы получили значительно лучше чем все остальное что пробовали.

Как решать эту задачу сейчас?

В целом, большая часть современных state-of-art детекторов работает. Я видел примеры как у людей Yolov5x работала и давала удовлетворительное качество детекции. Но он обычно не отрабатывал пакеты и плотно уложенные объекты. При этом если цель – распознать какую-то простую выкладку (бутылки, бытовую химию, косметику) – то его может хватить

Если вы хотите работать с сложными случаями и получить дополнительную точность когда объекты могут пересекаться, то имеет смысл обратить внимание на модели работающие с толпой и плотными объектами:

Если в двух словах современные алгоритмы используют:

Классификация

Есть несколько способов классифицировать товары. Если у вас есть несколько стабильных классов которые не меняются (например сигареты или небольшой сет на десятки классов) – проще всего обучить классификатор. Берете вашу любимую timm-model и обучаете.

Но на практике все оказывается несколько иначе:

Для таких случаев лучше всего работают не классификационные сети, а сети которые могут сгенерировать embedding. Например ReID сети:

Если объяснять что такое эмбеддинг в двух словах – это аналог хэша. Чем больше похоже два товара – тем ближе дистанция между их хэшами. Аналогичные подходы используются для того чтобы распознать человека по лицу.

Плюсы подхода:

Минусы

Обычно эти минусы можно компенсировать с продуктовой стороны или со стороны дополнительных алгоритмов, о чем будем говорить ниже.

Дополнительные нейронные сети и алгоритмы

Иногда, кроме сетей которые реализуют классификацию имеет смысл сделать один из следующих алгоритмов:

Анализ качества снимка. Если кадр плохого качества – лучше не работать с ним. Иначе качество распознавание упадет. Для этого проще всего обучить отдельную сетку для анализа качества: нерезкость, пересвет, недосвет, неправильный ракурс. Я предпочитаю решать эти проблемы отдельной сеткой, обученной на проблемных кадрах.

Анализ перекрытости. Если вы фотографируете в автоматическом режиме, или если ваши камеры стоят далеко от полки – в поле зрения могут попасть люди, тележки, паллеты. Лучше иметь отдельную сетку для их детекции. Проще всего обучить сегментационную сеть на целевые классы.

Сшивка. Очень часто в магазинах маленькое расстояние между полками. А для решения продуктовой задачи вам нужно оценивать сразу все что есть на полке. Для этого можно использовать различные алгоритмы сшивки. В реальности, из-за сдвига ракурсов это очень нетривиальная задача. Взять SuperGlue и использовать его – зачастую недостаточное решение.

Анализ размера. Как я говорил выше – одинаковые объекты будут похожи друг на друга. В том числе если это один и тот же товар разного размера. Но размер иногда можно оценить. Например если вы знаете размеры ваших шкафов, или размеры соседних товаров. Это не имеет смысл делать отдельной сеткой, а проще реализовать какой-то логикой.

Задачи

Давайте немного поговорим о том как алгоритмы превращаются в продукт. Что есть продукт? Мне известно несколько задач:

Контроль выкладки. В магазин приходит мерчандайзер. Он должен убедиться что на полке стоит 20 товаров X и 10 товаров Y. Мерчандайзер может перепутать количество товаров которые должен поставить. Или перепутать товар. Чтобы убедиться что все правильно:

Такой подход позволяет сделать систему полностью автоматической. Качество распознавания 1-2 классов детерминированных товаров обычно очень высокая. Но конкретная логика обычно опирается на конкретные граничные условия: какие данные есть, и как устроена процедура выкладки.

Контроль товаров. Используется для парсинга конкурентов и проверка качества выкладки своих товаров. При таком подходе нет априорной информации. Это не позволяет корректно распознавать 99.9% товаров на полках. Есть товары которые лежат боком, есть похожие товары, и.т.д. Если нужна более высокая точность – необходимо добавить human-in-the-loop.

Площадь на полке. Часто не требуется распознавать товары, а достаточно распознавать площадь занятую товаром/классом товаров/брендом. По сути это тот же “контроль товаров”, но обычно можно объединять классы (кока-кола разных размеров и ароматов, и.т.д.). При этом не требуется высокая точность, и ошибка в несколько процентов обычно не критична.

Автоматическая система контроля ассортимента. Иногда сети устанавливают камеры напротив полки с ассортиментом с высокой циркуляцией. Такая камера позволяет просто контролировать исчезновение товара в области и дать сигнал менеджменту выложить новый товар. Часто при таких задачах не требуется распознавать товар (отсутствие товара – достаточный сигнал).

Проверка планограммы. Проверка планограмм возможна только если в системе есть доступ к этим планограммам. Как ни странно, в многих системах практически невозможно получить доступ у этим данным. Планограмма очень сильно упрощает распознавание. Распознавать нужно не 1:N, где N полный объём товаров магазина, а 1:1, либо 1:M, где M – это локальная окрестность на полке.При этом при распознавании по планограмме надо сделать несколько хитростей:

Парсинг отдельного товара. Используется для распознавания отдельных товаров по базам. Например автоматические кассы, умные тележки, и.т.д. По сути детектор может быть ощутимо проще, но необходим трекинг товаров в поле зрения камеры.Алгоритм распознавания товаров практически идентичный с алгоритмом выше.

Распознавание цены. Часто распознавание цены делается в том же модуле который распознает товары. И часто для детекции используется та же нейронная сеть что распознает товары. Но алгоритм работы по ценнику принципиально другой. Если интересно, почитайте мою статью про распознавание номеров, там похожая логика.

Магазины без кассиров. В таких системах распознавание товаров обычно лишь один маленький кусок всей системы. Зачастую распознавание товаров должно быть совмещено с подсчетом их числа. Поэтому камеры устанавливаются в таких местах где это хорошо видно. Например внутри полки. Если это интересно – я делал подробное видео про эту задачу

Роботы. Я не буду фокусироваться на этих задачах, но можно отметить что будущее за роботами которые расставляют товары на полках. Там есть много специфики с картами магазина, SLAM алгоритмами и трекинга. Надеюсь, что наш старатап с управлением роботов рано или поздно дорастет до этих задач. Пока что я видел несколько попыток, но одного универсального решения пока не видел.

Постпроцессинг и поиск по базе

Имея поток детекций и поток классификаций товара надо на их базе сделать продукт. И для этого обычно нужно прокинуть какой-то мостик, который будет учитывать:

В Computer Vision мы всегда имеем дело с неполнотой данных (товар не различим), с ошибками алгоритмов (товар задетектирован на лампочке). И решение должно всегда быть одним из следующих:

Все эти логические элементы могут очень сильно изменять постпроцессинг. Но в общем случае это поиск хешей по базе. Какие трюки тут помогают:

Аппаратная реализация

Не хочу погружаться глубоко в эту часть, но не могу не затронуть. Где делать распознавание? На сервере, на мобильном телефоне, на отдельной плате подключенной к локальной камере?

Моя логика обычно следующая. Распознавание на телефоне не позволяет использовать тяжелые детекционные сети. Но качества современных YOLO может хватить если товары имеют хорошую выкладку, а люди аккуратно их фотографируют. Минус распознавания на телефоне – вам необходимо выгружать базу данных туда. Либо итоговые хэши отсылать на сервер (что нивилирует смысл телефона). Плюс, на телефоне невозможно добавить Hooman in the loop.

Серверное распознавание – базовый подход. 90% систем делается именно так. Это позволяет интегрировать в систему дообучение, повысить качество распознавания, отслеживать качество на продакшне.

Распознавание на камерах, на отдельных устройствах – нишевый подход, зависящий от задачи. Например умные тележки или умные кассы. Я почти уверен что за ним будущее автоматизации торговли. Но он проигрывает если мы хотим собирать данные с продакшна.

Выводы

Надеюсь вам было интересно. Есть идеи какую тему описать подробнее?

Больше моих статей и видео есть не только на Хабре но и в канале в телеге.

Всем известно, что если товара нет на полке, он не продается. Отслеживать, контролировать и выкладывать продукцию – постоянная задача розничного персонала и мерчандайзеров. Вот только в пандемию персонала стало меньше, мерчандайзеров хочется отправлять в магазины пореже. В этой ситуации серьезно повышается спрос на альтернативные, в том числе автоматические, роботизированные решения для управления полкой. О таких разработках, которые позволяют собирать данные о товарах на полке, анализировать их, давать актуальные рекомендации, а еще повышать эффективность бизнеса, рассказали эксперты компании Trax.

Робот Trax проверяет наличие товара на полках и ценники в магазине Auchan в Португалии. Фото: Trax

Помощник в выкладке: контроль полки по фото и crowd-мерчандайзинг

Традиционно полки в магазинах проверяют мерчандайзеры или торговые представители производителей. Обычно они делают визуальный осмотр и выкладку недостающих товаров. В помощь мерчандайзерам компания Trax разработала удобное приложение Trax Shelf Fix, позволяющее по фотографиям распознать, каких товарных единиц не хватает и что нужно изменить на полке. Об этом решении уже рассказывалось в статье.

В пандемию возросла актуальность сервисов краудсорсинга. Как пояснил Павел Попков, директор по продажам Trax в России и СНГ, рабочая сила на краудсорсинге – тренд времени. В США и странах Латинской Америки эта технология переживает настоящий бум. С одной стороны, в кризис высвобождается рабочая сила, с другой – компании не готовы держать сотрудников в штате, предпочитая нанимать персонал под отдельный проект, чтобы более гибко управлять затратами. Поэтому увеличивается спрос на работников по требованию (on demand workforce), позволяющих сэкономить на фонде оплаты труда.

«В пандемию растет запрос производителей FMCG на такие сервисы, как crowd-мерчандайзинг, crowd-salesforce, – говорит Павел Попков. – В США есть сервис on demand field force, используемый в том числе ритейлерами в период пиковых нагрузок. Например, сеть Walmart привлекала дополнительных сборщиков заказа для Click and Collect в период ажиотажного спроса, вызванного карантином. Crowd-технологии позволяют удаленно обеспечить не только набор, но и обучение и контроль сотрудников».

У Trax тоже есть подобное решение crowd workforce: с его помощью можно привлекать к выполнению работ по выкладке товара или сборке заказов в конкретной точке сотрудника, находящегося рядом. Пока решение доступно только в США, но будет распространяться на другие страны.

Как контролировать полку без участия людей?

Итак, краудсорсинг – это фактически ваши дополнительные руки, которыми вы можете «дотянуться» до всех точек в нужное вам время и в нужном вам порядке. Однако что делать, когда и эти руки недоступны? Например, в этом году мы своими глазами наблюдали ситуацию, когда во время пандемии сбор информации в офлайн-магазине был значительно ограничен: для обеспечения безопасности компании стараются посылать мерчандайзеров на точку как можно реже, а меры в виде масочно-перчаточного режима создают дополнительные барьеры для работы в магазине. Можно ли собирать данные с полок вообще без людей или с их минимальным вовлечением? Оказывается, да – и тут нам на помощь приходят роботы.

Как рассказал Павел Попков, компания Trax разработала три способа для удаленного получения и распознавания данных на полке.

Три способа удаленного контроля

Первый способ – фиксированная камера очень маленького размера, устанавливаемая напротив товарных полок. Частота фотографирования фиксированной камерой определяется отдельно для каждой категории в зависимости от оборачиваемости. «Некоторые категории достаточно фотографировать раз в день, но если товар уходит с полки быстро, его нужно фотографировать чаще, – поясняет Павел Попков. – Фиксированные камеры позволяют делать фото каждую секунду».

Второй способ – дом-камера. Это купольная камера, которая крепится сверху над оборудованием. Дом-камеру удобно использовать там, где сложно установить фиксированную, например, для фотографирования торцов стеллажей или холодильников. Камера может менять направление, фокусировку, масштаб, имеет большее покрытие площади, чем фиксированная. Частота фотографирования настраивается в зависимости от категории. Дом-камера обеспечивает высокое качество распознавания деталей и способна определить не только бренд товара, но и конкретное SKU, упаковку и даже партию. Такая информация представляет особую ценность для более точного анализа товародвижения.

Фото: aodaodaodaod/shutterstock

Третий способ – робот. Это платформа с вертикальной камерой, передвигающаяся между стеллажами и холодильниками и делающая огромное количество фотографий. Камера робота обладает гораздо более высоким разрешением, чем дом-камера. С точки зрения экономики решение показало себя наиболее эффективным, потому что на магазин достаточно одного робота. Робот тестируется в нескольких сетях и полгода назад запущен в Auchan в Португалии.

«В португальской сети робот уже работает в боевом режиме, – рассказывает Павел Попков. – Сначала с его помощью фотографировалась всего лишь часть магазина, теперь зона наблюдения расширена на весь торговый зал и все категории, включая такие сложные для распознавания, как замороженные продукты, нарезка, овощи, фрукты и так далее. Подгрузка данных об SKU происходит практически постоянно. На основании данных, собираемых роботом, строятся бизнес-процессы товародвижения. Мы планируем развернуть это решение в 34 гипермаркетах Auchan в Португалии».

Посмотрите видео о том, какие задачи решает робот Trax в магазине Auchan в Португалии.

Анализ полки для управления запасами, контроля планограмм, сборки заказов

Анализ данных, полученных с помощью камер, помогает оптимизировать процессы и повысить эффективность работы с полкой. «Традиционный офлайн-ритейл находится под давлением стремительно развивающегося
e-grocery
и ищет пути удержания покупателя, – говорит Павел Попков. – Просто низкая цена уже не работает, ведь крупные онлайн-игроки помимо выгодной цены способны обеспечить широкий ассортимент, удобную навигацию и быструю доставку. Удержать трафик в офлайн-магазине можно за счет сервиса, а это значит – минимальный out-of-stock, удобное расположение товара, безопасность покупки». Вот основные сферы применения данных.

Управление запасами

Инструменты предиктивной аналитики Trax помогают ритейлерам заранее предсказывать, когда и какие товары попадут в out-of-stock.

«Потери от out-of-stock и out-of-shelf обычно составляют 1–2% оборота в денежном выражении, – говорит Павел Попков. – Особенно сильно бьет по продажам отсутствие товаров с низким переключением потребителя, например, в сегменте детского питания: если бренд подходит ребенку, покупатель с него практически не переключается. Анализ полки позволяет построить превентивную модель таким образом, чтобы предсказывать out-of-stock и out-of-shelf до его наступления».

Ответственный сотрудник сети получает оперативную информацию о том, какие товары заканчиваются на полке, и может выставлять их до открытия магазина.

Контроль выполнения планограмм

Появляется возможность регулярно проверять позицию каждого товара на полке, управлять планограммой – отслеживать правильность выкладки поставщиков, делать наиболее удобную выкладку, изменять планограмму в зависимости от спроса. Например, если спрос на какие-то позиции сильно увеличился, можно расширить для них место в планограмме и тем самым повысить товарооборот. «Зачастую планограммы ритейлеров не отображают реальность, – рассказывает Павел Попков. -Например, на планограмме указаны три стеллажа, а по факту их оказывается два или полтора, да еще и стоящих в разных местах или углом, и для товара, нарисованного на планограмме, места просто не остается. Приходится сильно перестраивать схему выкладки. Возникает много специфичных ситуаций, о которых ритейлер не всегда имеет представление. Такое неведение связано с тем, что инструментов контроля полки до появления технологии computer vision у ритейла не было. Конечно, можно делать инвентаризацию раз в полгода, но это очень затратный процесс, и такие данные быстро теряют актуальность. Сканировать ридером тоже долго и дорого. В итоге сети сами не обладают информацией, какой товар, в какое время и на какой полке находится».

Аналитика позволяет оптимизировать выкладку товара и повысить продажи с 1 кв. м. Например, известно, что товары, расположенные на уровне глаз, лучше продаются, чем стоящие внизу. Поэтому внизу можно разместить товары, потеря оборота которых менее значительна для бизнеса, чем потеря оборота высокомаржинальных товаров.

Сборка заказов в магазине

Многие сети в пандемию запустили услугу сlick and collect. Чтобы сборка заказа была эффективной, необходимо точно знать, какие товары есть в магазине и где их можно быстро найти. Ведь если заказ оформлен, а товара не окажется на полке, его придется заменить, покупатель этого не любит, более того, частые замены негативно скажутся на репутации магазина. Решения Trax позволяют сделать сборку товаров из зала максимально быстрой за счет четких данных о расположении каждой позиции (стеллаж, полка, место) и построения оптимальной навигации.

Связь с покупателем

Во всем мире высоким спросом пользуются технологии, обеспечивающие прямое взаимодействие с покупателями. С помощью специального приложения покупатели могут высказать ритейлеру или производителю свое мнение о новинке, акции. Уже не надо собирать дорогостоящие фокус-группы, можно быстро и дистанционно опросить сразу несколько миллионов покупателей. В портфеле Trax есть решения, обеспечивающие ритейлеру быстрое получение обратной связи от покупателей.

Экономика цифры: кому выгодно computer vision?

Самую очевидную выгоду от внедрений технологии computer vision получают сети гипермаркетов. Чем больше магазин, тем больше ассортимент и выше трудозатраты на управление товародвижением.

Пока computer vision тестируют, главным образом, крупные сети, но решение Тгах подходит и начинающим, и нишевым игрокам.

«Затраты на управление цепочкой поставок будут возрастать с каждым месяцем, поэтому маленьким компаниям цифровизация тоже необходима, – считает Павел Попков. – Игрок, который не будет постоянно снижать издержки, быстро выйдет из бизнеса. Небольшая сеть может внедрять цифровые решения в коллаборации с производителями, заинтересованными в получении данных о продажах, создавать аналитические платформы для своих поставщиков.

Самое сложное при внедрении решения в крупных сетях – масштабирование. Чтобы полностью оснастить таких федеральных игроков, как «Пятерочка», «Магнит», «Лента», необходимо иметь технические возможности поддержания большого количества точек и стабильности работы системы. Кроме того, крупные сети имеют широкий и постоянно меняющийся ассортимент, и при таком масштабе камера должна уметь распознавать огромное количество товарных позиций.

Инфраструктура компании Trax позволяет развернуть технологическое решение на несколько тысяч магазинов, обеспечить сбор информации с камер разных видов и быструю обработку данных о товарах. Одна из уникальных фишек интегратора – умение обучить нейронные сети распознавать более тысячи SKU, что открывает большие возможности для разворачивания решения в глобальных розничных сетях.

«
Кризис
подстегивает ритейлеров инвестировать в цифровые технологии, и основной лозунг цифровизации – быстро, качественно, дешево и с минимальным вовлечением людей, – говорит Павел Попков. – Во времена турбулентности количество запросов, поступающих от крупных ритейлеров мира на тестирование и внедрение решений computer vision, резко возросло. Среди стран, наиболее агрессивно занимающихся цифровой трансформацией, – США и Китай. Растет востребованность технологий и в России».

Решения для грамотного управления полкой помогают производителям повышать продажи, а ритейлерам – своевременно предлагать товар в точке продаж и повышать удовлетворенность покупателей, а в результате – повышать качество и эффективность торговли.

Retail.ru

Планограмма и наличие товара в магазине. Что общего?

Будьте уверенны, самое главное для покупателя – это найти нужный товар в нужное время в магазине. Поэтому лучшее, что может предложить ритейлер свои клиентам это – доступность товара на полках.

Если покупатели не могут найти то, что они ищут, они выберут товар-заменитель или уйдут к конкуренту ничего не купив. В последнем случае проигрывают и ритейлер, и поставщик, и сам покупатель.

Что делать и как обеспечить наличие товара на полках?

Планограмма магазина – главный помощник ритейлера. Это визуальный план размещения товара на полках с четкими параметрами и количеством фейсов.

Без планограмм для визуального мерчeндайзинга розничные продавцы не могут точно измерить эффективность выкладки и понять реальный спрос каждого продукта.

С помощью планограмм вы в любой момент можете проверить и оценить правильность выкладки и наличие нужного товара на полке.

Главная цель составления планограммы выкладки – это, конечно же,  увеличение продаж в магазине. Но, что бы добиться этого, необходимо:

1. Логично разместить товары на полках согласно категорий товаров, совместимости разных товаров, а также относительно исторических продаж и оборачиваемости и т.д.

2. Обеспечить доступность, наличие каждой единицы товара для покупателя и предоставление всего ассортимента товара.

3. Максимальное использование всей торговой площади магазина.

4. Грамотно составленная планограмма это схема выкладки, в которой учтены главные правила мерчендайзинга и правила выкладки.

Для создания планограмм чаще всего используют специальные программы и веб сервисы, где с легкостью можно прорисовать планы магазинов и торгового оборудования, сформировать планограммы на этих планах, виртуально разместить товары на полках и увидеть полноценную картину выкладки в 3D модели.

Используя инструменты планограммы, мерчендайзер может детально настроить  выкладку товаров, так как это необходимо для конкретного магазина. Это возможность настроить, управлять и в дальнейшем контролировать выполнение планограммы.

Сформированная планограмма выкладки товаров является руководством для менеджеров в магазине, которые отвечают за выкладку товаров в торговом зале.

Для контроля выполнения планограмм, менеджеры в магазине выполняют выкладку и отправляют фотоотчет в отдел мерчендайзинга. Таким образом, можно проанализировать, оценить эффективность выкладки и вовремя принять решение для корректировки планограмм.

А теперь давайте разберемся, какими могут быть причины, которые негативно влияют на наличие товаров на полках.

Несвоевременное пополнение магазина и полок нужными товарами. Это могут быть проблемы с поставками, не выполнение условий поставщиками или плохая организация поставок с стороны самого ритейлера.

Кроме того, возможна ситуация, когда товар в наличии на складе, а прилавки магазина пустые, потому что ответственные менеджеры не заметили отсутствие товара.  Также покупатели могут не найти товар на полке из-за неправильного размещения или неточной маркировки товаров.

Резкий высокий спрос или падение спроса. Неточное прогнозирование создает проблемы с количеством товарных запасов и может привести к недостаточным или избыточным поставкам. 

Да, каждый ритейлер заранее делает заказы, исходя из своих ожидаемых продаж, но эти заказы  основаны лишь на догадках. Фактически, неточное прогнозирование спроса является одной из основных причин, по которым супермаркеты ежедневно выбрасывают огромное количество испорченных продуктов.

С другой стороны, недооценка спроса приводит к  большому разочарованию покупателей – пустым полкам, когда SKU заканчиваются на полке до пополнения запасов. Проблема усугубляется во время рекламных акций, когда спрос на товар превышает его предложение.

Неправильное планирование и управление. Плохое планирование и отсутствие коммуникации между производителями и ритейлерами. В этом случае на полке могут появиться товары, снятые с производства, или наоборот возникнут товарные дыры, а запасы не будут соответствовать спросу. 

Недостаточный контроль выкладки. Без контроля полок и четкого понимания выкладки товаров ритейлеры не могут анализировать и оценивать эффективность размещения. 

Способы улучшения доступности товара в магазине:

• Сокращение out-of-stock (отсутствие запаса) за счет простого выявления потенциальных проблем, таких как фиктивные запасы, пробелы в распределении, и их быстрое решение.

• Проанализируйте ваши текущие процессы и определите те, которые могут негативно повлиять на доступность товарных позиций в магазине.

• Начните измерять показатели присутствия товара на полке и принимайте решения в соответствии с результатами.

• Включите показатели наличия товаров на полках в KPI.

• Следите за состоянием ваших запасов и поставок.

•  Управляйте и контролируйте полочное пространство с помощью сервиса автоматизации планограмм. 

Правильное размещение товаров на полках решает сразу несколько задач: привлекает внимание покупателя, повышает лояльность, способствует увеличению продаж и позволяет минимизировать out-of-stock. К тому же каждый артикул должен быть в наличии и на своем месте. 

Соглашение о конфиденциальности

и обработке персональных данных

1.Общие положения

1.1.Настоящее соглашение о конфиденциальности и обработке персональных данных (далее – Соглашение) принято свободно и своей волей, действует в отношении всей информации, которую ООО «Инсейлс Рус» и/или его аффилированные лица, включая все лица, входящие в одну группу с ООО «Инсейлс Рус» (в том числе ООО «ЕКАМ сервис»), могут получить о Пользователе во время использования им любого из сайтов, сервисов, служб, программ для ЭВМ, продуктов или услуг ООО «Инсейлс Рус» (далее – Сервисы) и в ходе исполнения ООО «Инсейлс Рус» любых соглашений и договоров с Пользователем. Согласие Пользователя с Соглашением, выраженное им в рамках отношений с одним из перечисленных лиц, распространяется на все остальные перечисленные лица.

1.2.Использование Сервисов означает согласие Пользователя с настоящим Соглашением и указанными в нем условиями; в случае несогласия с этими условиями Пользователь должен воздержаться от использования Сервисов.

1.3.Сторонами (далее – «Стороны) настоящего Соглашения являются:

«Инсейлс» – Общество с ограниченной ответственностью «Инсейлс Рус», ОГРН 1117746506514, ИНН 7714843760, КПП  771401001, зарегистрированное по адресу: 125319, г.Москва, ул.Академика Ильюшина, д.4, корп.1, офис 11 (далее – «Инсейлс»), с одной стороны, и

«Пользователь» –

либо физическое лицо, обладающее дееспособностью и признаваемое участником гражданских правоотношений в соответствии с законодательством Российской Федерации;

либо юридическое лицо, зарегистрированное в соответствии с законодательством государства, резидентом которого является такое лицо;

либо индивидуальный предприниматель, зарегистрированный в соответствии с законодательством государства, резидентом которого является такое лицо;

которое приняло условия настоящего Соглашения.

1.4.Для целей настоящего Соглашения Стороны определили, что конфиденциальная информация – это сведения любого характера (производственные, технические, экономические, организационные и другие), в том числе о результатах интеллектуальной деятельности, а также сведения о способах осуществления профессиональной деятельности (включая, но не ограничиваясь: информацию о продукции, работах и услугах; сведения о технологиях и научно-исследовательских работах; данные о технических системах и оборудовании, включая элементы программного обеспечения; деловые прогнозы и сведения о предполагаемых покупках; требования и спецификации конкретных партнеров и потенциальных партнеров; информацию, относящуюся к интеллектуальной собственности, а также планы и технологии, относящиеся ко всему перечисленному выше), сообщаемые одной стороной другой стороне в письменной и/или электронной форме, явно обозначенные Стороной как ее конфиденциальная информация.

1.5.Целью настоящего Соглашения является защита конфиденциальной информации, которой Стороны будут обмениваться в ходе переговоров, заключения договоров и исполнения обязательств, а равно любого иного взаимодействия (включая, но не ограничиваясь, консультирование, запрос и предоставление информации, и выполнение иных поручений).

2.Обязанности Сторон

2.1.Стороны соглашаются сохранять в тайне всю конфиденциальную информацию, полученную одной Стороной от другой Стороны при взаимодействии Сторон, не раскрывать, не разглашать, не обнародовать или иным способом не предоставлять такую информацию какой-либо третьей стороне без предварительного письменного разрешения другой Стороны, за исключением случаев, указанных в действующем законодательстве, когда предоставление такой информации является обязанностью Сторон.

2.2.Каждая из Сторон предпримет все необходимые меры для защиты конфиденциальной информации как минимум с применением тех же мер, которые Сторона применяет для защиты собственной конфиденциальной информации. Доступ к конфиденциальной информации предоставляется только тем сотрудникам каждой из Сторон, которым он обоснованно необходим для выполнения служебных обязанностей по исполнению настоящего Соглашения.

2.3.Обязательство по сохранению в тайне конфиденциальной информации действительно в пределах срока действия настоящего Соглашения, лицензионного договора на программы для ЭВМ от 01.12.2016г., договора присоединения к лицензионному договору на программы для ЭВМ, агентских и иных договоров и в течение пяти лет после прекращения их действия, если Сторонами отдельно не будет оговорено иное.

2.4.Не будут считаться нарушением настоящего Соглашения следующие случаи:

(а)если предоставленная информация стала общедоступной без нарушения обязательств одной из Сторон; 

(б)если предоставленная информация стала известна Стороне в результате ее собственных исследований, систематических наблюдений или иной деятельности, осуществленной без использования конфиденциальной информации, полученной от другой Стороны;

(в)если предоставленная информация правомерно получена от третьей стороны без обязательства о сохранении ее в тайне до ее предоставления одной из Сторон; 

(г)если информация предоставлена по письменному запросу органа государственной власти, иного государственного органа,  или органа местного самоуправления в целях выполнения их функций и ее раскрытие этим органам обязательно для Стороны. При этом Сторона должна незамедлительно известить другую Сторону о поступившем запросе;

(д)если информация предоставлена третьему лицу с согласия той Стороны, информация о которой передается.

2.5.Инсейлс не проверяет достоверность информации, предоставляемой Пользователем, и не имеет возможности оценивать его дееспособность.

2.6.Информация, которую Пользователь предоставляет Инсейлс при регистрации в Сервисах, не является персональными данными, как они определены в Федеральном законе РФ №152-ФЗ от 27.07.2006г. «О персональных данных».

2.7.Инсейлс имеет право вносить изменения в настоящее Соглашение. При внесении изменений в актуальной редакции указывается дата последнего обновления. Новая редакция Соглашения вступает в силу с момента ее размещения, если иное не предусмотрено новой редакцией Соглашения.

2.8.Принимая данное Соглашение Пользователь осознает и соглашается с тем, что Инсейлс может отправлять Пользователю персонализированные сообщения и информацию (включая, но не ограничиваясь) для повышения качества Сервисов, для разработки новых продуктов, для создания и отправки Пользователю персональных предложений, для информирования Пользователя об изменениях в Тарифных планах и обновлениях, для направления Пользователю маркетинговых материалов по тематике Сервисов, для защиты Сервисов и Пользователей и в других целях.

Пользователь имеет право отказаться от получения вышеуказанной информации, сообщив об этом письменно на адрес электронной почты Инсейлс – contact@ekam.ru.

2.9.Принимая данное Соглашение, Пользователь осознает и соглашается с тем, что Сервисами Инсейлс для обеспечения работоспособности Сервисов в целом или их отдельных функций в частности могут использоваться файлы cookie, счетчики, иные технологии и Пользователь не имеет претензий к Инсейлс в связи с этим.

2.10.Пользователь осознает, что оборудование и программное обеспечение, используемые им для посещения сайтов в сети интернет могут обладать функцией запрещения операций с файлами cookie (для любых сайтов или для определенных сайтов), а также удаления ранее полученных файлов cookie.

Инсейлс вправе установить, что предоставление определенного Сервиса возможно лишь при условии, что прием и получение файлов cookie разрешены Пользователем.

2.11.Пользователь самостоятельно несет ответственность за безопасность выбранных им средств для доступа к учетной записи, а также самостоятельно обеспечивает их конфиденциальность. Пользователь самостоятельно несет ответственность за все действия (а также их последствия) в рамках или с использованием Сервисов под учетной записью Пользователя, включая случаи добровольной передачи Пользователем данных для доступа к учетной записи Пользователя третьим лицам на любых условиях (в том числе по договорам или соглашениям). При этом все действия в рамках или с использованием Сервисов под учетной записью Пользователя считаются произведенными самим Пользователем, за исключением случаев, когда Пользователь уведомил Инсейлс о несанкционированном доступе к Сервисам с использованием учетной записи Пользователя и/или о любом нарушении (подозрениях о нарушении) конфиденциальности своих средств доступа к учетной записи.

2.12.Пользователь обязан немедленно уведомить Инсейлс о любом случае несанкционированного (не разрешенного Пользователем) доступа к Сервисам с использованием учетной записи Пользователя и/или о любом нарушении (подозрениях о нарушении) конфиденциальности своих средств доступа к учетной записи. В целях безопасности, Пользователь обязан самостоятельно осуществлять безопасное завершение работы под своей учетной записью по окончании каждой сессии работы с Сервисами. Инсейлс не отвечает за возможную потерю или порчу данных, а также другие последствия любого характера, которые могут произойти из-за нарушения Пользователем положений этой части Соглашения.

3.Ответственность Сторон

3.1.Сторона, нарушившая предусмотренные Соглашением обязательства в отношении охраны конфиденциальной информации, переданной по Соглашению, обязана возместить по требованию пострадавшей Стороны реальный ущерб, причиненный таким нарушением условий Соглашения в соответствии с действующим законодательством Российской Федерации.

3.2.Возмещение ущерба не прекращают обязанности нарушившей Стороны по надлежащему исполнению обязательств по Соглашению.

4.Иные положения

4.1.Все уведомления, запросы, требования и иная корреспонденция в рамках настоящего Соглашения, в том числе включающие конфиденциальную информацию, должны оформляться в письменной форме и вручаться лично или через курьера, или направляться по электронной почте адресам, указанным в лицензионном договоре на программы для ЭВМ от 01.12.2016г., договоре присоединения к лицензионному договору на программы для ЭВМ и в настоящем Соглашении или другим адресам, которые могут быть в дальнейшем письменно указаны Стороной.

4.2.Если одно или несколько положений (условий) настоящего Соглашения являются либо становятся недействительными, то это не может служить причиной для прекращения действия других положений (условий).

4.3.К настоящему Соглашению и отношениям между Пользователем и Инсейлс, возникающим в связи с применением Соглашения, подлежит применению право Российской Федерации.

4.3.Все предложения или вопросы по поводу настоящего Соглашения Пользователь вправе направлять в Службу поддержки пользователей Инсейлс www.ekam.ru либо по почтовому адресу: 107078, г. Москва, ул. Новорязанская, 18, стр.11-12 БЦ «Stendhal» ООО «Инсейлс Рус».

Дата публикации: 01.12.2016г.

Полное наименование на русском языке:

Общество с ограниченной ответственностью «Инсейлс Рус»

Сокращенное наименование на русском языке:

ООО «Инсейлс Рус»

Наименование на английском языке:

InSales Rus Limited Liability Company (InSales Rus LLC)

Юридический адрес:

125319, г. Москва, ул. Академика Ильюшина, д. 4, корп.1, офис 11

Почтовый адрес:

107078, г. Москва, ул. Новорязанская, 18, стр.11-12, БЦ «Stendhal»

ИНН: 7714843760 КПП: 771401001

Банковские реквизиты:

Р/с 40702810600001004854

В ИНГ БАНК (ЕВРАЗИЯ) АО, г.Москва,
к/с 30101810500000000222, БИК 044525222

Электронная почта: contact@ekam.ru

Контактный телефон: +7(495)133-20-43