AI prepoznavanje slika za FMCG retail execution

Češći auditi neće riješiti problem praznih polica. Police nisu nedovoljno izmjerene zato što nitko nije prošao hodnikom ovaj tjedan — nego zato što podaci koje vaši terenski timovi prikupljaju stižu prekasno, prerijetko uzorkovani i previše neujednačeni da bi se na njih moglo reagirati dok su kupci još u trgovini. AI prepoznavanje slika za retail execution u FMCG-u mijenja cijelu perspektivu. Umjesto da papirić zamijeni nešto bržim papirićem, fotografija police postaje rangirani popis dopune vezan uz stvarni promet kupaca na vašem prodajnom prostoru.

Zašto 70% praznih polica nastaje u trgovini, a ne u lancu opskrbe

Većina out-of-stock situacija nastaje — i mora se riješiti — unutar vaše prodavaonice. Prosječna stopa OOS-a na globalnoj razini iznosi 8,3%, što su Gruen, Corsten i Bharadwaj utvrdili još 2002. godine, a FMI je to potvrdio. Dva desetljeća kasnije, istraživanja pokazuju da se gotovo ništa nije promijenilo.

Pogledajte što uzrokuje te praznine. Oko 47% OOS situacija nastaje zbog nedostataka u naručivanju i prognoziranju na razini trgovine. Dodatnih 25% dolazi od lošeg upravljanja policama. To znači da 70–75% problema nastaje na razini maloprodaje — a ne negdje uzvodno, u vašem skladištu ili kod dobavljača. Vaš ERP zna točno što je napustilo utovarnu rampu. Na rubu police — prestaje vidjeti. Taj posljednji korak od skladišta do ruke kupca i dalje se mjeri ručnim provjerama na uzorku, jednom tjedno.

Trošak se izravno odražava na vašu bilancu prihoda i rashoda. Tipični maloprodavač gubi oko 4% prihoda kada kupci ne mogu pronaći što su došli kupiti. Kada nedostaje ključni artikl, 31% kupaca odlazi kod konkurencije, a 26% prelazi na drugu marku. Čak 39% kupaca u prodavaonici napušta cijelu košaricu. Potražnja je stajala u vašem hodniku. To su operativni gubici koje možete povratiti.

Upravo tu prazninu — između sigurnosti u skladištu i stvarnosti na polici — zatvara AI prepoznavanje slika za retail execution u FMCG-u.

Što AI prepoznavanje polica u FMCG-u 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 facingova te usklađenost cijena i promocija. Jedna slika ulazi — izlaze brojevi na kojima vaši timovi mogu djelovati.

To je teže nego što zvuči. Razlikovanje dvaju artikala iste marke koji se razlikuju samo po riječima okusa ili jedva vidljivoj nijansi boje zahtijeva iznimno precizno prepoznavanje — a modelu uz to otežavaju posao odsjaji, zaklanjanje i strmi kutovi kamere. Podaci s POS blagajni sami po sebi nisu dostatni iz drugačijeg razloga — POS ne može razlikovati „nema artikla" od „prodaje se sporo", a no metoda sama za sebe ne otkriva lažne zalihe (phantom inventory), gdje sustav pokazuje stanje robe, ali polica je prazna. Spojite vizijske podatke s POS-om i signal se brzo izoštruje: 24–48 sati nulte prodaje na brzom SKU-u koji u sustavu pokazuje zdravo stanje s oko 90% sigurnosti znači lažne zalihe.

Pet KPI-ja koje kamere na polici pružaju, a ručni auditi ne mogu pouzdano isporučiti

• Dostupnost na polici (OSA) — postotak SKU-ova asortimana koji su fizički prisutni na polici. Stopa OOS-a je njezin komplement.
• Usklađenost s planogramom — nalaze li se pravi SKU-ovi na pravim pozicijama s pravim brojem facingova, ocijenjeno prema specifikaciji.
• Udio na polici — facingovi marke podijeljeni s ukupnim facingovima kategorije.
• Broj facingova — jedinice okrenute prema kupcu po SKU-u, što je temelj udjela na polici i verificira minimalne obveze facingova.
• Usklađenost cijena i promocija — etikete na rubu police koje OCR čita i uspoređuje s vašim cjenikom i planom promocija.

Ručni audit jednog hodnika kategorije — brojanje facingova, provjera planograma, unos podataka — traje 15 do 30 minuta po trgovini. Naporno je, a dva auditora dat će vam dva različita broja facingova za istu policu. Automatizirani sustav vraća iste KPI-je za nekoliko sekundi iz jedne fotografije. Timing je najvažniji za vrijeme kampanja: promotivni SKU-ovi bilježe OOS stopu od otprilike 10–15%, znatno iznad prosjeka od 8,3% — pa se provjere cijena i promocija isplate najviše upravo kada vam nestašica košta najviše.

Kako pipeline pretvara fotografiju u akcijsku ocjenu police

1. Snimanje — fotografija s mobitela, fiksne kamere ili autonomnih kolica za skeniranje.
2. Predprocesiranje — korekcija odsjaja, kuta i distorzije objektiva kako bi model dobio čistu sliku.
3. Detekcija objekata — iscrtavanje okvira oko svakog proizvoda i cjenovne etikete.
4. Klasifikacija SKU-ova — usklađivanje svakog okvira s matičnim podacima pomoću vizualnih vektora i OCR-a teksta na ambalaži.
5. Rekonstrukcija police — brojanje facingova, prepoznavanje praznina i povezivanje cijena s proizvodima uz njih.
6. Izračun KPI-ja — ocjenjivanje police i usmjeravanje upozorenja pravoj osobi.

Izbor načina snimanja operativna je odluka. Mobilno snimanje uklapa se u postojeće rutine terenskih predstavnika uz nizak trošak. Fiksne kamere pružaju kontinuirano praćenje unutar dana. Autonomni roboti postoje i koriste se u nekim velikoformatnim trgovinama, no nekoliko visokoprofilnih programa smanjeno je zbog troška i operativnih razloga — pažljivo odvagnite tu opciju u kontekstu vašeg portfelja prodavaonica.

Postavite realna očekivanja od točnosti. Komercijalno prepoznavanje SKU-ova uobičajeno se prijavljuje na 90–98% u tipičnim uvjetima, a piloti detekcije OOS-a bilježe oko 85–95% u odnosu na referentni ručni audit. Točnost pada u odjelima svježe i rashladne robe — kondenzacija i refleksije stakla su ozbiljan problem — i ponovo se smanjuje nakon svakog redizajna ambalaže dok se model ne pretraini.

Od snimke police do odluke o dopuni: povezivanje vizijskih podataka s prometom kupaca

OOS upozorenje u 9 ujutro i isto upozorenje u vršnom prometu nisu isti problem. Jedno ima sate rezerve. Drugo upravo sad gubi prodaju. Spojite podatke o prometu i toplinskim kartama s vizijskim outputom i ravna ocjena usklađenosti postaje prioritetni red usklađen s potražnjom — djelatnici popravljaju praznine koje će prvi pogoditi najviše kupaca.

Vjerojatno već imate polovicu ovoga. Podaci o prometu i zadržavanju prikupljeni za upravljanje redovima i kadroviranje mogu se izravno priključiti na output vizije police. Ta integracija razlikuje zaista korisnu implementaciju od izoliranog alata koji proizvodi još jednu nadzornu ploču koju nitko ne otvara. Makroslika potkrepljuje slučaj s obje strane: globalni poremećaj zaliha dostigao je otprilike 1,77 bilijuna dolara u 2023. — oko 1,2 bilijuna od OOS-a i 562 milijarde od viška zaliha (IHL Group). Bolja vidljivost police smanjuje oba problema.

Dopuna rangirana po prometu: popravljajte praznine koje vas najviše koštaju

Tijek rada je jednostavan. OSA nadzorna ploča u stvarnom vremenu označava koji SKU-ovi padaju prema nuli facingova. Dodajte podatke o prometu kupaca i rangirajte zadatke dopune prema očekivanom prodajnom učinku. Gotovo prazni osnovni artikl u prometnom hodniku skače u red ispred sporohodnog artikla u mirnom kutu.

Preporučena praksa na terenu: aktivirajte provjere fotografija polica u vršnim satima, ne samo na jutarnjem obilasku. Kombinirajte to s praćenjem potražnje putem POS-a kako biste uhvatili lažne zalihe prije nego što vas koštaju. Budući da 26% kupaca prelazi na drugu marku, a 31% odlazi kod konkurencije čim artikla nema, prozor za akciju kraći je nego što ikakav tjedni ciklus audita dopušta.

Standardizacija izvršenja diljem formata prodavaonica bez povećanja broja zaposlenih

Vaša flagship prodavaonica dobro stoji s usklađenošću. Regionalne i maloformatne prodavaonice odstupaju. Ocjenjivanje temeljeno na viziji to ispravlja jer AI sustav svaku fotografiju tretira identično — isti standard planograma primjenjuje se u svakoj prodavaonici, svaki dan, bez obzira na format ili tko je na smjeni. Terenski menadžeri mogu djelovati na temelju podataka na daljinu umjesto da čekaju sljedeći posjet lokaciji.

Priča o radu često se pogrešno čita. Prijavljeno smanjenje vremena prikupljanja podataka terenskih timova kreće se od 30% do 70% (podaci dobavljača i interni podaci, pa ih tretirajte kao smjernicu). Poanta nije manje ljudi — već da ljudi svoje sate troše na popunjavanje polica umjesto na brojanje facingova.

Točke neuspjeha koje operativni timovi moraju planirati prije implementacije

Implementacije koje propadaju rijetko propadaju zbog točnosti modela. Propadaju zbog integracije — KPI-ji koji nikad ne stignu do sustava za upravljanje zadacima. Propadaju zbog kvalitete podataka — slike snimljene pod pogrešnim kutom ili u lošem osvjetljenju. I propadaju zbog upravljanja promjenama — osoblje koje aplikaciju doživljava kao nadzor, a ne kao pomoć pri dopuni. Planirajte za sve troje prije definiranja opsega uvođenja.

Tehnička ograničenja koja vrijedi istaknuti IT-u i partnerima za implementaciju: zaklanjanje znači da kamera ne vidi zalihu iza prednjeg reda, pa dubina zaliha ostaje slijepa točka. Odsjaj uništava prepoznavanje na metalnoj i staklenoj ambalaži. Redizajni ambalaže i lansiranje novih proizvoda zbunjuju model dok se ne pretraini. Strmi kutovi na gornjim i donjim policama spljoštavaju pročelja proizvoda u slojeve koje model teško čita.

Mješoviti portfelji prodavaonica nose tiši rizik. Podaci za treniranje koji pretjerano zastupaju moderne urbane prodavaonice slabije funkcioniraju u starijim regionalnim formatima — upravo onim prodavaonicama gdje vam usklađenost već ionako odstupa. Predvidite budžet za kontinuirano pretrairanje. Ovo nije jednokratna instalacija; model treba hraniti dok se vaš asortiman i ambalaža mijenjaju.

Upravljanje zatvara popis. Kamere na policama slučajno će snimati kupce i djelatnike, pa usklađenost s GDPR-om znači zamućivanje lica u pipelinu, kratko zadržavanje sirovih slika i jasne obavijesti u prodavaonici. Još jedna zamka: lažno pozitivna OOS upozorenja uključena u ocjene učinka djelatnika stvaraju nepravedne ishode i tiho uništavaju povjerenje u cijeli sustav. Podatke koristite za popravak polica, ne za nadzor ljudi.

Prepoznavanje polica u FMCG-u: kamo ide tržište

Analitičke procjene smještaju tržište AI prepoznavanja polica na 2,3 milijarde dolara u 2026., s rastom na 5,86 milijardi dolara do 2030. uz CAGR od otprilike 26,3% (Research and Markets). Zasebna procjena automatiziranog praćenja polica iznosi 1,91 milijardu dolara u 2025., s rastom na 6,27 milijardi dolara do 2034. (Dataintelo). Metodologije se razlikuju, pa uzimajte točne brojke kao smjernicu — ali smjer je konzistentan u svim izvorima.

Otprilike 40–50% velikih maloprodavača već u produkciji koristi barem jedan sustav temeljen na računalnom vidu za upravljanje zalihama ili merchandisingom (stanje 2025.–2026.), a računalni vid projicira se na oko 43% metoda prikupljanja podataka u platformama za praćenje prodavaonica u stvarnom vremenu do 2026. (Datature). Većina tih implementacija počela je kao pilot. Sada postaje standardna operativna infrastruktura.

Pratite pomak prema rubu mreže (edge). Inferencija na uređaju daje djelatnicima trenutnu povratnu informaciju o snimci u hodniku, smanjuje troškove propusnosti i zadržava slike unutar prodavaonice — prava prednost s gledišta GDPR-a. Procjenjuje se da će više od polovice novih enterprise implementacija računalnog vida raditi na edge hardveru u 2026., u usporedbi s oko 30% u 2023.

Generativni AI stoji uz specijalizirane detektore, ne na njihovom mjestu. Vision-language modeli koriste se za generiranje sintetičkih slika za treniranje rijetkih i novih SKU-ova, što skraćuje problem hladnog starta. Omogućuju i upite nad podacima police na prirodnom jeziku — „koji su top-10 SKU-ova bez zalihe u mojim ključnim kupcima ovaj tjedan?" — bez izvoza sirovog outputa modela posebnom analitičkom timu.

Operativni model se mijenja — od „mjeri jednom tjedno i popravi na sljedećem posjetu" do „mjeri kontinuirano i popravi danas". Za sve koji se mjere prihodom po kvadratnom metru i dostupnošću na polici, tu su i dobici.

Izvori

• FMI / Gruen, Corsten & Bharadwaj (2002) — temeljna globalna stopa OOS-a, uzroci i reakcije kupaca.
• Retail Dive / IHL Group — učestalost OOS-a i procjena globalnog učinka od ~984 milijarde dolara.
• IHL Group — globalni poremećaj zaliha 2023. od ~1,77 bilijuna dolara.
• Field Agent — POS signal za lažne zalihe i statistika napuštanja košarice.
• Research and Markets — veličina tržišta AI prepoznavanja polica i CAGR.
• Dataintelo — procjena tržišta automatiziranog praćenja polica.
• Datature Enterprise Vision AI Adoption Report 2026 — stope usvajanja u maloprodaji i trendovi edge implementacija.
• "Forty Years of Out-of-Stock Research" — dokazi o perzistentnosti OOS stopa kroz desetljeća.