Какие задачи мы решаем?

Мониторинг цен конкурентов в ритейле — важный инструмент для реализации эффективной стратегии компании по регулирования цен на товары. Компьютерное зрение (CV) применяется для распознавания товаров, ценников, скидок и промо, планограмм и контроля заполняемости полки. Использование CV позволяет автоматизировать процесс сбора данных, увеличивая его точность и скорость.

[01]

Минимизация количества ошибочных данных при анализе цен конкурентов. Доля ошибки в данных — не более 0,04%

[02]

Быстрая реакция на изменения цен конкурентов

[03]

Высокая скорость сбора данных для ценообразования с помощью компьютерного зрения (CV)

[04]

Весь цикл процессов ценообразования в одной системе PowerPrice

Эффекты от внедрения

в 4-6 раз

ускорение сбора данных

до 93 %

точность распознавания

0,43 сек

скорость обработки одного фото

Эффекты от внедрения

5-15 %

увеличение прибыли

20-40 %

уменьшение стоимости и времени обработки заказа

15-30 %

сокращение времени выхода на рынок

20-40 %

уменьшение складских запасов

5-15 %

сокращение производственных затрат

Кейсы и Награды

[
все кейсы
]
No items found.
[Наши клиенты]
Лента, Бристоль, Самолет,  Кари, Hoff, Рольф, Пятерочка, Gloria Jeans, Красное & Белое, Перекресток, Татнефть, Рив Гош и многие другие доверяют нашей компании.
[Команда]
Руководитель проекта
Бизнес-аналитик
Системный аналитик
IT-архитектор
[Команда]
Арт-директор
Лид-дизайнер
UX/UI дизайнер
CX-исследователь
Бизнес-аналитик
Системный аналитик
CGI/motion-дизайнер
Иллюстратор
[Специалисты]
Data Scientist
NumPy
Pandas
PyTorch
PostgreSQL
MongoDB
Software Architect
Java
C++
Python
JavaScript
Hibernate
AngularJS
Frontend
JavaScript
React.js
Vue.js
Angular
Backend
Java
.NET
Python
PHP
Node
Golang
Laravel
DevOps
PostgreSQL
MongoDB
Redis
GitLAB
QA
Selenium
JMeter
Postman
SQL
TestCaseLab
iOS/Android
Kotlin
Swift
Objective-C
Java
Flutter/React Native
Dart
Material Design
JavaScript
React
Redux
UX/UI Designer
Figma
Miro
Branding
3D Motion
Project Manager
Team Lead
ML -инженер
Системный‑аналитик
REST
BPMN
Swagger
Jira
SQL

Стек технологий

Frontend
[01]
Фреймворк для разработки:
Vue 2.x & Web Components
Язык разметки:
Markdown
Язык шаблонов:
Handlebars
Язык конфигурации:
YAML
Backend
[02]
Язык аналитического сервера:
Rust
Языки микросервисов:
Без ограничений
Протоколы микросервисов:
НТТР и производные
Frontend
[01]
Фреймворк для разработки:
Vue 2.x & Web Components
Принцип разработки приложений:
Wiki
WYSIWYG
Язык разметки:
Markdown
Язык шаблонов:
Handlebars
Язык конфигурации:
YAML
Язык программирования:
JavaScript
Протоколы взаимодействия с backend:
GraphQL
REST
Web Socket
Backend
[02]
Язык аналитического сервера:
Rust
Языки микросервисов:
Без ограничений
Протоколы микросервисов:
НТТР и производные
Frontend
[01]
Фреймворк для разработки:
Vue 2.x & Web Components
Принцип разработки приложений:
Wiki
WYSIWYG
Язык разметки:
Markdown
Язык шаблонов:
Handlebars
Язык конфигурации:
YAML
Язык программирования:
JavaScript
Протоколы взаимодействия с backend:
GraphQL
REST
Web Socket
Backend
[02]
Язык аналитического сервера:
Rust
Языки микросервисов:
Без ограничений
Протоколы микросервисов:
НТТР и производные
Frontend
[01]
Фреймворки, Инструменты:
React
Vue
Языки разработки:
JavaScript
TypeScript
Технологии:
HTML5
CSS3
Sass
Less
Stylus
Webpack
Vite
Microfronten
Backend
[02]
Базы данных:
PostgreSQL
Redis
MongoDB
Clickhouse
Фреймворки, Языки:
Python
GO
C#
Очереди:
RabbitMQ
Kafka
DevOps
[03]
Cluster Management:
Kubernetes
K3s
helm
helmfile
OS:
Linux (Ubuntu)
Observability:
Prometheus
Grafana
Loki
Automations:
Ansible
Providers:
YandexCloud
AWS
CI/CD:
Gitlab
Container:
Docker
Containerd
Manage Infrastructure:
Terraform
Terragrunt
iOS
[01]
Фреймворки, Инструменты:
FCM
Foundation
Multithreading
MapKit
Auto Layout
Vision
Socket.IO
WebKit
AVFoundation
Unit-Testing
UIKit
SwiftLint
CoreData
Core Animation
StoreKit
Core Location
Языки разработки:
Swift
Objective-C
Android
[02]
Фреймворки, Инструменты:
Junit
Ktor
Coroutines
Jetpack Navigator
Room
Dagger
Jetpack Compose SQLite
Retrofit
RxJava
Kodein
Koin
Языки разработки:
Kotlin
Java

Эффекты от внедрения

1-3 %

рост продаж

5-15 %

сокращение дефицита

5-25 %

сокращение завышенных запасов

50-70 %

рост продуктивности и эффективности пользователей

Эффекты от внедрения

1-3%

рост маржи

2-5%

увеличение продаж

Планирование 
на базе Goal Profit

[01]

Система построена на настроечных таблицах, в которых удобно управлять параметрами

[02]

Применяется бизнес-логика, которая удовлетворяет всем процессам, происходящим в компании

[03]

Применяются статистические методы для обработки факта и прогнозирования

[04]

Возможно применять машинное обучение для прогнозирования или для поиска оптимальных параметров

Применяем компьютерное зрение для автоматизации процесса мониторинга, увеличения точности и скорости сбора данных
Процесс мониторинга
Получение задач в мобильном приложении

Составленные задачи на мониторинг выгружаются через API по расписанию в систему PowerPrice. При входе в мобильное приложение специалисты получают актуальные задачи на мониторинг.

[01]
Выбор задачи и проверка геолокации

Сотрудник выбирает задачу для выполнения мониторинга и переходит на экран геолокации, где он может построить маршрут до торговой точки и начать работу.

Реализован механизм антифрода: для начала мониторинга пользователь должен подтвердить свое местоположение рядом с торговой точкой, которая указана в задании. Данный функционал позволяет минимизировать фрод в данных мониторинга, гарантируя что сотрудник собрал данные в требуемой торговой точке. 

[02]
Сбор данных и распознавание

Пользователь начинает мониторинг в торговой точке, где проводит фотофиксацию всех товаров в торговой точке, которые пересекаются в номенклатурной базе. Затем он отправляет собранные фотографии на распознавание. Система компьютерного зрения обрабатывает одну позицию и ее цену за 0,43 сек. Затем пользователь проверяет полученные данные от системы на корректность распознавания наименования и цены.

После проверки карточек товаров сотрудник отправляет все данные в бэк-офис системы PowerPrice. Затем вносятся правки в карточках, где было плохое качество снимка. Средняя точность распознавания — 93%.

[03]
Получение данных в веб-интерфейсе

Результаты мониторинга с мобильного приложения загружаются в веб-интерфейс системы PowerPrice. Сотрудник бэк-офиса производит анализ полученных мониторингов

  • анализ выбросов в данных и отметки об ошибочных мониторингах
  • публикация отчетов и графиков для анализа рынка
  • выгрузка Excel-отчетов
  • просмотр собранных данных для валидации.

В разделе график мониторинга сотрудник проверяет и редактирует график проведения мониторингов. 

[04]
формирование задач

Получение задач в мобильном приложении

Составленные задачи на мониторинг выгружаются через API по расписанию в систему PowerPrice. При входе в мобильное приложение специалисты получают актуальные задачи на мониторинг.

посещение торговой точки

Выбор задачи и проверка геолокации

Сотрудник выбирает задачу для выполнения мониторинга и переходит на экран геолокации, где он может построить маршрут до торговой точки и начать работу.

Реализован механизм антифрода: для начала мониторинга пользователь должен подтвердить свое местоположение рядом с торговой точкой, которая указана в задании. Данный функционал позволяет минимизировать фрод в данных мониторинга, гарантируя что сотрудник собрал данные в требуемой торговой точке.

фотомониторинг

Сбор данных и распознавание

Пользователь начинает мониторинг в торговой точке, где проводит фотофиксацию всех товаров в торговой точке, которые пересекаются в номенклатурной базе. Затем он отправляет собранные фотографии на распознавание. Система компьютерного зрения обрабатывает одну позицию и ее цену за 0,43 сек. Затем пользователь проверяет полученные данные от системы на корректность распознавания наименования и цены.

После проверки карточек товаров сотрудник отправляет все данные в бэк-офис системы PowerPrice. Затем вносятся правки в карточках, где было плохое качество снимка. Средняя точность распознавания — 93%.

отображение данных и валидация

Получение данных в веб-интерфейсе

Результаты мониторинга с мобильного приложения загружаются в веб-интерфейс системы PowerPrice. Сотрудник бэк-офиса производит анализ полученных мониторингов.

  • анализ выбросов в данных и отметки об ошибочных мониторингах
  • публикация отчетов и графиков для анализа рынка
  • выгрузка Excel-отчетов
  • просмотр собранных данных для валидации.

В разделе график мониторинга сотрудник проверяет и редактирует график проведения мониторингов.

[
]

Этапы внедрения

[01]

Развертывание системы для пилотного проекта

Сбор и согласование требований проекта, развертывание инфраструктуры и адаптация системы;

[02]

Запуск системы распознавания

Дообучение модели компьютерного зрения, сбор датасетов и разметка данных

[03]

Обучение

Обучение сотрудников бэк-офиса и специалистов по мониторингу, составление ПМИ (программы и методики испытаний) и проведение пилота.

[04]

Запуск в промышленную эксплуатацию

Масштабирование и перенос данных из пилотной системы в промышленную, полная интеграция с шиной данных заказчика и начало эксплуатации.

[О компании]
В Napoleon IT есть все специалисты для реализации проектов любой сложности. Мы — AI‑компания, специализирующаяся на разработке и внедрении систем оптимизации и автоматизации бизнес-процессов.
Компания создана
в 2012 году в г. Челябинск
13
лет на рынке
230
сотрудников
Москва
Санкт-Петербург
Челябинск
3
офиса в России
10K
бесплатно обученных студентов

Почему обращаются 

к нам?

[01]

Автоматизация процесса мониторинга и ценообразования в одном окне

Система PowerPrice включает в себя вне необходимы модули для реализации и контроля процесса мониторинга и ценообразования в одной системе без переключения между множеством программ.

[02]

Автоматическое сопоставление номенклатурной базы с распознанным товаром

Реализованная система позволяет сопоставлять товары в двух режимах: «1 к 1» (товару-оригиналу соответствует один товар конкурента) или «1 ко многим» (товару-оригиналу может соответствовать множество товаров конкурентов) с гарантированной точностью до 93%. Доля ошибки в данных — не более 0,04%.

[03]

Возможность работы с новыми товарами

Модели компьютерного зрения находят ценник и считывают сырой текст распознавания, а по полученным данным система может определять категорию товара для последующего принятия решения о включении данного SKU в ценообразование.

[04]

Быстрое внедрение

Средний срок запуска системы распознавания составляет 1-3 месяца. Возможность интеграции через API.

[05]

Мобильное приложение для офлайн-мониторинга

Мобильное приложение с компьютерным зрением, которое в кратчайшие сроки можно адаптировать под задачи и бизнес-процессы клиента. Выстроенные процесс в системе сокращает время сбора данных более чем в 3 раза.

[06]

Одними из первых в РФ начали внедрять распознавание при помощи компьютерного зрения

Компетентная команда, которая реализовала продукт с высокими метриками распознавания и стабильной работой сервиса. Поддержка решения в режиме 24х7 по всей территории России.

Мы используем cookies. Продолжая просматривать сайт, вы соглашаетесь с этим. Узнать больше
OK
обсудить проект