Связаться
Личный кабинет заказчика Личный кабинет сотрудника

Разметка данных для розничной торговли

Мы сотрудничаем с традиционными офлайн магазинами, маркетплейсами и омниканальными ритейлерами. Подготавливаем датасеты, которые используются для создания рекомендательных систем, интеллектуального поиска, анализа ассортимента, автоматизации обработки заказов, прогнозирования спроса и других задач ритейла
Запросить демо-проект
Забронировать онлайн встречу

Типы разметки

Работаем с изображениями, видео и текстом, применяя экспертизу в компьютерном зрении (CV), обработке естественного языка (NLP) и распознавании текста (OCR) к задачам ритейла.
  • Семантическая сегментация
    Разметка, при которой каждый пиксель изображения относится к определённому классу объекта (товар, полка, покупатель, ценник и т.д.). В ритейле применяется для анализа заполненности полок и распознавания категорий товаров на фото и видео с камер.
  • Инстанс-сегментация
    Более точный вид сегментации: модель не просто определяет класс объекта, а выделяет каждый отдельный экземпляр с его границами. Используется для подсчёта товаров на полке, отслеживания остатков и выявления пропавших позиций.
  • Разметка прямоугольниками
    Базовый и самый быстрый способ локализации объектов — вокруг товара, лица или ценника строится прямоугольная рамка. Подходит для задач распознавания товаров на кассах самообслуживания, мониторинга полок и подсчёта посетителей в торговом зале.
  • Разметка ключевыми точками
    Разметчики расставляют на изображении опорные точки, например, части тела покупателя или контуры товара. В ритейле такой тип разметки используют для анализа поведения покупателей в зале и для примерочных с AR.
  • Распознавание текста (OCR)
    Разметка текстовых областей на ценниках, этикетках, штрихкодах и упаковке товаров. В ритейле применяется для сверки цен на полках, инвентаризации, обработки чеков и накладных, а также распознавания товаров на кассах самообслуживания.
  • Классификация текстов
    Распределение обращений и отзывов по темам и категориям: жалоба, вопрос по доставке, оценка качества товара и т.д. Помогает автоматизировать маршрутизацию обращений в поддержку и структурировать обратную связь от клиентов.
  • Анализ тональности
    Определение эмоциональной окраски текста: положительной, отрицательной или нейтральной. Позволяет быстро оценивать удовлетворённость клиентов по отзывам, соцсетям и обращениям в поддержку.
  • Распознавание сущностей (NER)
    Выделение в тексте конкретных объектов: названий брендов, товаров, размеров, дефектов, номеров заказов. Помогает автоматически связывать обращение клиента с конкретным товаром или заказом, ускоряя обработку в поддержке.

Сценарии применения

  • Мониторинг полок
    Благодаря разметке фото полок модели компьютерного зрения учатся находить пустые места, неправильную выкладку и нарушения по ценникам.
  • Анализ отзывов и обращений
    Разметка отзывов и обращений в поддержку позволяет NLP-моделям определять тональность, упомянутые товары и суть проблемы клиента.
  • Персональные рекомендации
    Разметка поведенческих данных (покупок, кликов, просмотров) даёт алгоритму точность в подборе товаров под конкретного покупателя.
  • Предотвращение краж и потерь
    Размеченные видео с камер обучают модели распознавать подозрительное поведение в торговом зале и на кассах в реальном времени.
  • Кассы самообслуживания
    Разметка изображений товаров под разными углами и в разном освещении позволяет модели распознавать товар на кассе без сканирования штрихкода.
  • Автоматическая категоризация товаров
    Благодаря разметке фото и описаний модель самостоятельно распределяет товары по категориям и атрибутам, таким как цвет, размер, бренд.
  • Управление запасами
    Благодаря разметке исторических данных о продажах алгоритмы точнее прогнозируют спрос и остатки, снижая избыток и дефицит товара на складе.
  • Аналитика покупательского трафика
    С помощью размеченных видео с камер ИИ считает посетителей, строит маршруты движения по залу и определяет самые проходимые зоны.

Кейс: разметка данных для сопоставления товаров по SKU

  • Задача заключалась в сопоставлении изображений товаров с почти идентичной упаковкой, чтобы определить их принадлежность к одному SKU. Подобная сверка товаров обычно применяется для мониторинга полок, дедупликации каталога и контроля ассортимента в ритейле.

    Для проекта была сформирована постоянная команда из 21 специалиста и выстроена система контроля качества. Аннотаторы serakov.ai сопоставляли изображения товаров с почти идентичной упаковкой, определяя, относится ли товар к тому же SKU, что и эталонный образец. Различия между SKU часто были минимальными (вкус, состав, тип или формат упаковки) и иногда сводились к цвету или размеру мелкой надписи на этикетке, что требовало высокой внимательности при анализе. Данные при этом были на двух языках, английском и арабском, включая восточно-арабские числа на маркировке.

    В результате клиент получил стабильный процесс обработки более 20 000 единиц данных ежедневно и свыше 800 000 сопоставлений товаров в месяц. Сотрудничество продолжается уже больше года с постоянным ростом объёмов.

Свяжитесь с нами!

Станьте клиентом ведущей ИИ-команды по развитию продуктов и решений на основе искусственного интеллекта и машинного обучения.