Češće revizije neće riješiti problem nedostupnosti proizvoda na polici. Polica nije nedovoljno mjerena zato što nitko nije prošao hodnikom ovog tjedna — mjerena je nedovoljno jer podaci koje prikupljaju terenske ekipe stižu prekasno, previše uzorkovani i prenedosljedni za pravovremenu akciju dok su kupci još uvijek u trgovini. AI prepoznavanje slika za izvršenje polica u FMCG-u mijenja cijeli pristup. Umjesto da zamijeni obrazac za nešto malo brže, pretvara fotografiju police u prioritizirani popis dopune zaliha vezan uz stvarni promet kupaca.
Zašto 70% nedostupnosti proizvoda nastaje u trgovini, a ne u lancu opskrbe
Većina slučajeva nedostupnosti proizvoda nastaje — i mora se riješiti — unutar vaših vlastitih četiri zida. Prosječna svjetska stopa nedostupnosti proizvoda (OOS) iznosi 8,3%, podatak koji je prvi utvrdila studija Gruen, Corsten i Bharadwaj iz 2002. godine, a potvrdio FMI. Dva desetljeća kasnije, istraživanja pokazuju da se ta brojka gotovo nije pomakla.
Pogledajte što uzrokuje te praznine. Oko 47% OOS događaja može se pripisati nedovoljnom naručivanju i prognoziranju u trgovini. Dodatnih 25% dolazi od lošeg upravljanja policama. To znači da 70–75% nastaje na razini maloprodaje — ne negdje uzvodno u vašem skladištu ili postrojenju dobavljača. Vaš ERP zna točno što je napustilo utovarnu rampu. Na rubu police ostaje slijep. Posljednjih 50 metara — od skladišnog prostora do ruke kupca — i dalje se mjeri ručnim uzorkovanim provjerama jednom tjedno.
Trošak se izravno osjeća na P&L-u. Tipični maloprodavač gubi oko 4% prihoda od prodaje kada kupci ne mogu pronaći ono što su došli kupiti. Kada nedostaje ključni artikl, 31% kupaca odlazi u drugu trgovinu, a 26% kupuje drugu marku. Čak 39% kupaca u trgovini odustaje od cijele kupovine ako nedostaje ključni artikl. Potražnja je stajala u vašem hodniku. To su operativni gubici koje možete nadoknaditi.
To je jaz koji AI prepoznavanje slika za izvršenje polica u FMCG-u postoji kako bi zatvorio — prostor između sigurnosti skladišta i stvarnog stanja na polici.
Što AI prepoznavanje slika za FMCG police zapravo mjeri
Sustav pretvara jednu fotografiju police u strukturirani skup operativnih KPI-ja: dostupnost na polici (OSA), stopa OOS-a, usklađenost s planogramom, udio na polici, broj frontova i usklađenost cijena i promocija. Jedna fotografija ulazi — izlaze brojke na kojima vaše ekipe mogu odmah djelovati.
To je zahtjevnije nego što zvuči. Razlikovati dva proizvoda iste marke koji se razlikuju samo po jednoj riječi okusa ili jedva vidljivom nijansiranju boje zahtijeva iznimno precizno prepoznavanje, a k tome model mora savladati odsjaj, zaklanjanje i strme kutove kamere. Sam podaci s POS-a nisu dostatni iz drugog razloga — POS ne može razlikovati "nema na zalihi" od "prodaje se sporo", a ni jedna ni druga metoda ne otkriva fantomske zalihe, gdje sustav prikazuje stanje, ali je polica prazna. Ipak, kombinacijom vizijskog sustava i POS-a signal se brzo pojačava: 24–48 sati nulte prodaje na SKU-u s visokom rotacijom koji u sustavu pokazuje zdravo stanje zaliha s oko 90% sigurnosti ukazuje na fantomske zalihe.
Pet KPI-ja koje kamere na policama pružaju, a ručne revizije ne mogu pouzdano isporučiti
- Dostupnost na polici (OSA) — postotak SKU-ova asortimana koji su fizički prisutni na polici. Stopa OOS-a je njegova suprotnost.
- Usklađenost s planogramom — nalaze li se pravi SKU-ovi na pravim pozicijama s pravim brojem frontova, ocijenjeno prema specifikaciji.
- Udio na polici — frontovi marke podijeljeni s ukupnim frontovima kategorije.
- Broj frontova — jedinice okrenute prema kupcu po SKU-u, što je temelj udjela na polici i potvrđuje minimalne obveze frontova.
- Usklađenost cijena i promocija — oznake na rubu police koje OCR čita i uspoređuje s vašim cjenikom i planom promocija.
Ručna revizija jednog hodnika kategorije — brojanje frontova, provjera planograma, unos podataka — traje 15 do 30 minuta po trgovini. Zamorno je, a dva revizora dat će vam dva različita broja frontova za istu policu. Automatizirani sustav vraća iste KPI-je za nekoliko sekundi iz jedne fotografije. Timing je najvažniji tijekom kampanja: promovirani SKU-ovi imaju stopu OOS-a od oko 10–15%, znatno iznad osnovnih 8,3%, pa se provjere cijena i promocija isplate najviše točno kada vas nedostupnost artikla košta najviše.
Kako sustav pretvara fotografiju u operativni rezultat police
- Snimanje — fotografija s mobitela, fiksne kamere ili skenirajuće kolica.
- Predprocesiranje — korekcija odsjaja, kuta i distorzije leće kako bi model dobio čistu sliku.
- Detekcija objekata — označavanje svakog proizvoda i cjenovne oznake okvirima.
- Klasifikacija SKU-ova — podudaranje svakog okvira s vašim matičnim podacima pomoću vizualnih ugradnji i OCR-a teksta ambalaže.
- Rekonstrukcija police — brojanje frontova, uočavanje praznina i povezivanje cijena s odgovarajućim proizvodima.
- Izračun KPI-ja — ocjenjivanje police i preusmjeravanje upozorenja pravoj osobi.
Odabir načina snimanja operativna je odluka. Mobilno snimanje uklapa se u postojeće rutine terenskih predstavnika uz nizak trošak. Fiksne kamere omogućuju kontinuirano praćenje unutar dana. Autonomni roboti postoje i rade u nekim velikoformatnim trgovinama, no nekoliko visokoprofilnih programa smanjeno je zbog troškova i operativnih razloga — pažljivo odvagnite tu opciju u odnosu na vaš portfelj prodajnih mjesta.
Postavite realna očekivanja od točnosti. Komercijalno prepoznavanje SKU-ova uobičajeno se navodi na razini 90–98% u tipičnim uvjetima, a piloti za detekciju OOS-a bilježe oko 85–95% u usporedbi s ručnom revizijom kao referentnom točkom. Točnost pada u odjeljcima svježih i rashlađenih proizvoda — kondenzacija i odsjaj stakla su posebno problematični — i pada opet nakon svake promjene dizajna ambalaže dok se model ne pretreni.
Od snimke police do odluke o dopuni: povezivanje vizijskih podataka s prometom kupaca
Upozorenje o OOS-u u 9 ujutro i isto upozorenje u satima vršne prodaje nisu isti problem. Jedno ima sate rezerve. Drugo odmah gubi prihode. Preklopite podatke o prometu kupaca i toplinskim kartama na vizijski izlaz i ravni rezultat usklađenosti postaje prioritetni red usklađen s potražnjom — suradnici prvo popunjavaju praznine na koje će naići najviše kupaca. Platforme za analitiku u trgovini kao što je Pygmalios djeluju u ovom prostoru, pružajući podatke o prometu na razini zone koji pomažu ekipama pri prioritizaciji dopune zaliha.
Vjerojatno već imate pola toga. Podaci o prometu i zadržavanju kupaca prikupljeni za upravljanje redovima i raspoređivanje osoblja mogu se izravno spojiti s vizijskim izlazom police. Upravo ta integracija razdvaja stvarno korisnu implementaciju od izoliranog alata koji proizvodi još jednu nadzornu ploču koju nitko ne otvara. Globalna slika potkrepljuje slučaj s obje strane: svjetski poremećaj zaliha dostigao je oko 1,77 bilijuna USD u 2023. godini — oko 1,2 bilijuna USD od nedostupnosti proizvoda i 562 milijarde USD od viška zaliha (IHL Group). Bolja vidljivost polica smanjuje obje krajnosti.
Dopuna zaliha ponderirana prometom: popravite praznine koje vas najviše koštaju
Tijek rada je jednostavan. Živa nadzorna ploča OSA-e označava koje se SKU-ove spuštaju prema nultim frontovima. Dodajte podatke o prometu kupaca u trgovini i rangirajte zadatke dopune prema očekivanom utjecaju na prodaju. Gotovo prazni osnovi artikl u hodniku s visokim prometom ide ispred sporog artikla u mirnom kutu.
Preporučena praksa na prodajnom mjestu: pokrenite provjere fotografija polica u satima vršne prodaje, ne samo na jutarnjem obilasku. Kombinirajte to s POS praćenjem potražnje kako biste uhvatili fantomske zalihe prije nego što vas koštaju. S 26% kupaca koji zamjenjuju marku i 31% koji odlaze kod konkurencije čim nedostaje artikl, prozor za akciju kraći je od bilo kakvog tjednog ciklusa revizije.
Standardizacija izvršenja u svim formatima prodajnih mjesta bez povećanja broja zaposlenika
Vaša vodeća trgovina dobro prolazi na usklađenosti. Regionalne i malosortimentne trgovine zaostaju. Vizijsko ocjenjivanje to ispravlja jer AI sustav svaku fotografiju tretira identično — isti standard planograma primjenjuje se u svakoj trgovini, svaki dan, bez obzira na format ili tko je na smjeni. Voditelji na terenu mogu djelovati na temelju podataka na daljinu, umjesto da čekaju sljedeći posjet lokaciji.
Priča o radnoj snazi često se pogrešno čita. Prijavljeno smanjenje vremena prikupljanja podataka terenskih ekipa kreće se od 30% do 70% (tvrdnje dobavljača i internih izvora, pa ih tretirati kao orijentacijske). Poanta nije manje ljudi — nego da ti isti ljudi svoje radno vrijeme troše na popunjavanje polica umjesto na brojanje frontova.
Načini na koje implementacije propadaju — i kako ih planirati unaprijed
Implementacije koje propadaju rijetko propadaju zbog točnosti modela. Propadaju zbog integracije — KPI-ji koji nikad ne dosežu sustav za upravljanje zadacima. Propadaju zbog kvalitete podataka — fotografija snimljenih pod pogrešnim kutom ili pri lošem osvjetljenju. I propadaju zbog upravljanja promjenama — osoblja koje aplikaciju doživljava kao nadzor, a ne kao pomoć pri dopuni zaliha. Planirajte za sva tri prije nego što definirateopseg uvođenja.
Tehnička ograničenja koja vrijedi istaknuti IT-u i partnerima za implementaciju: zaklanjanje znači da kamera ne vidi zalihe iza prednjeg reda, pa dubina zaliha ostaje slijepa točka. Odsjaj uništava prepoznavanje na metalnoj i staklenoj ambalaži. Redizajni ambalaže i novi proizvodi zbunjuju model dok se ne pretreni. Strmi kutovi na gornjim i donjim policama stisnuju prednje strane proizvoda u trake koje model teško čita.
Mješoviti portfelji prodajnih mjesta nose tiši rizik. Podaci za treniranje koji su pretjerano zastupljeni modernim urbanim trgovinama slabije će funkcionirati u starijim regionalnim formatima — upravo u onima gdje vaša usklađenost već zaostaje. Predvidite proračun za kontinuirani ponovni trening. Ovo nije jednokratna instalacija; model treba hranjenje kako se vaš asortiman i ambalaža mijenjaju.
Upravljanje zatvara popis. Kamere na policama usputno će snimati kupce i osoblje, pa usklađenost s GDPR-om znači zamućivanje lica u sustavu, kratko čuvanje sirovih slika i jasne obavijesti u trgovini. Još jedna zamka: lažno pozitivna OOS upozorenja koja se ugrađuju u ocjene radnog učinka osoblja stvaraju nepravedne ishode i tiho uništavaju povjerenje u cijeli sustav. Zadržite podatke za popravak polica, a ne za nadzor nad ljudima.
AI prepoznavanje slika za FMCG police: kamo ide tržište
Analitičke procjene smještaju tržište AI prepoznavanja slika polica na 2,3 milijarde USD u 2026. godini, s rastom na 5,86 milijardi USD do 2030. uz CAGR od oko 26,3% (Research and Markets). Zasebna procjena automatiziranog praćenja polica iznosi 1,91 milijardu USD u 2025. godini s rastom na 6,27 milijardi USD do 2034. (Dataintelo). Metodologije se razlikuju, pa točne brojke treba uzeti kao orijentacijske — no smjer je dosljedan u svim izvorima.
Otprilike 40–50% velikih maloprodavača već u produkciji koristi barem jedan sustav za upravljanje zalihama ili merchandising temeljen na računalnom vidu, zaključno s 2025.–2026. godinom (Datature), a računalni vid prema projekcijama čini oko 43% metoda prikupljanja podataka na platformama za praćenje trgovina u stvarnom vremenu do 2026. (Future Market Insights). Većina tih implementacija počela je kao pilot projekt. Sada postaju standardna operativna infrastruktura.
Pratite pomak prema rubnom računarstvu. Zaključivanje na uređaju daje suradnicima trenutnu povratnu informaciju pri snimanju u hodniku, smanjuje troškove propusnosti i zadržava slike unutar trgovine — prava prednost u kontekstu GDPR-a. Procjenjuje se da će više od polovice novih implementacija računalnog vida u poduzećima u 2026. godini raditi na rubnom hardveru, u odnosu na oko 30% u 2023. godini.
Generativna AI stoji uz specijalizirane detektore, a ne umjesto njih. Vizijsko-jezični modeli koriste se za generiranje sintetičkih trening slika za rijetke i nove SKU-ove, čime se skraćuje problem hladnog starta. Također vam omogućuju da postavljate upite o podacima polica na prirodnom jeziku — "koji su SKU-ovi od prvih 10 nedostupni u mojim ključnim kupcima ovog tjedna?" — bez izvoza sirovog izlaza modela zasebnom analitičkom timu.
Operativni model pomiče se od "mjeri jednom tjedno i popravi pri sljedećem posjetu" prema "mjeri kontinuirano i popravi danas". Podaci o prometu na razini zone s platformi za analitiku u trgovini kao što je Pygmalios pokazuju koliko kupaca prolazi odjeljkom u danom vremenskom prozoru — kontekst koji komercijalni trošak odgođene dopune čini konkretnim. Za svakoga tko se mjeri prema prodaji po kvadratnom metru i dostupnosti na polici, tu su pravi dobici.
Izvori
- FMI / Gruen, Corsten & Bharadwaj (2002) — temeljna svjetska stopa nedostupnosti proizvoda, raščlamba uzroka i podaci o reakcijama kupaca.
- Retail Dive / IHL Group — učestalost nedostupnosti proizvoda i procjena globalnog utjecaja od oko 984 milijarde USD.
- IHL Group — svjetska vrijednost poremećaja zaliha u 2023. godini od oko 1,77 bilijuna USD.
- Field Agent — POS signal za fantomske zalihe i statistike napuštanja košarice.
- Research and Markets — veličina tržišta i CAGR za AI prepoznavanje slika polica.
- Dataintelo — procjena tržišta automatiziranog praćenja polica.
- Datature Enterprise Vision AI Adoption Report 2026 — stope usvajanja u maloprodaji i trendovi rubnih implementacija.
- Future Market Insights — udio računalnog vida u metodama prikupljanja podataka na platformama za praćenje u stvarnom vremenu.
- "Forty Years of Out-of-Stock Research" — dokaz da stope OOS-a ostaju perzistentne desetljećima.