Weitere Betrugsmethoden
In diesem Teil des Artikels stellen wir theoretische Erkenntnisse vor: Wir beschreiben die wichtigsten Szenarien, die uns, unseren Kunden und Partnern begegnet sind. Interessanterweise nutzen Merchandiser aus verschiedenen Ländern typische Betrugsmethoden, sodass sich diese Szenarien in mehrere Kategorien einteilen lassen.

„Ich war’s nicht, er war’s!“
Da die Arbeit von Außendienstmitarbeitenden von Geräten, Software, Internetabdeckung und anderen Fällen höherer Gewalt abhängt, ist die Versuchung groß, die Verantwortung für die Arbeitsunfähigkeit auf äußere Ursachen zu schieben. Die häufigsten Erklärungen lauten:

„Die App ließ sich nicht starten/funktionierte nicht, daher konnte ich meine Arbeit nicht erledigen“
„Die Software hat den Akku meines Telefons geleert, und es ging aus“
„Ihre App hat mein Telefon zum Einfrieren gebracht“
„Im Geschäft gab es kein Internet, ich konnte nichts senden.“
Was kann getan werden:
Verfolgen Sie den Gerätestatus der Mitarbeitenden mit spezieller Software (beispielsweise, mit welchem Akkustand sie ihre Schicht begonnen haben). Überwachen Sie ihre Aktionen in der App und das Verhalten der App (ob sie tatsächlich eingefroren ist).

Standortmanipulation
Diese Methode ist recht alt und wurde von Merchandisern bereits eingesetzt, bevor Händler Bilderkennungstechnologie einführten. Die Idee war, dass Fachkräfte angaben, Fotos in einer Filiale aufgenommen zu haben, obwohl sie sich tatsächlich in einer anderen befanden. Es ist wichtig zu beachten, dass eine solche Täuschung möglich war, bis Anbieter die Geolokalisierung von Mitarbeitenden einführten.

In der modernen Welt wurde dieses Szenario technisch weiterentwickelt: Außendienstmitarbeitende manipulieren oder setzen ihren Standort nun mithilfe von Apps wie „fake GPS“ zurück (wodurch die tatsächlichen GPS-Koordinaten verschwinden), die Tracking-Systeme täuschen. Die Motivation für die Nutzung einer gefälschten Geolokalisierung können höhere Bewertungen für den Besuch bestimmter Filialen (beispielsweise neu eröffneter) oder günstigere Filialstandorte für die Mitarbeitenden sein.

Was kann getan werden:
Unseren Statistiken zufolge versuchen etwa 5% der Merchandiser, ihre Arbeitgeber mithilfe solcher Programme zu täuschen. Die derzeit optimale Lösung ist die kontinuierliche Überwachung der Geolokalisierung von Mitarbeitenden. Vorgesetzte können die Bewegungsroute des Merchandisers zwischen Filialen mit Zeitstempeln sehen und so die Bewegungen und die in jeder Filiale verbrachte Zeit nachvollziehen. Außerdem gibt es ein Warnsystem: Verlässt ein Mitarbeitender eine Filiale vorzeitig, erhält er eine Benachrichtigung auf seinem Gerät. Kehrt er nicht zurück, startet ein Countdown, und der Mitarbeiter erhält eine weitere Benachrichtigung, dass sein Besuch möglicherweise als potenziell betrügerisch eingestuft wird.

Fake-Kamera und Objektaustausch
Drittanbieter-Apps für „Fake-Kameras“ sind in App-Stores weit verbreitet. Diese Apps verfügen über Oberflächen, die echten Kameras sehr ähnlich sind, können jedoch keine Fotos aufnehmen: Stattdessen verwenden sie gefälschte Bilder (in unserem Fall Fotos von Produktplatzierungen anderer Personen), die vorab im Gerätespeicher hinterlegt wurden. So nutzen unehrliche Außendienstmitarbeitende „Fake-Kamera“-Apps, um Fotos perfekter Produktplatzierungen aus gemeinsamen Datenbanken hochzuladen. Ohne wirklichen Aufwand erzielen sie am Ende des Tages hervorragende „Arbeits“-Ergebnisse, hohe Bewertungen und eine gute Vergütung. Die Trade-Marketing-Verantwortlichen bleiben unterdessen völlig im Unklaren über die tatsächliche Regalsituation.

Was kann getan werden:
Ersetzen Sie die Systemkamera durch proprietäre Software. Entwickeln Sie spezielle Algorithmen zur Überprüfung der Bildeindeutigkeit. Verbieten Sie doppelte Bilder im System.

Inszenierte Fotos
Diese Betrugsform könnte als die kreativste bezeichnet werden. Merchandiser, die ein materielles Interesse daran haben, bestimmte SKUs (z. B. neue Produkte) an Premium-Plätzen („goldenes Regal“, Kassenbereich) zu platzieren, positionieren SKUs vorübergehend an den erforderlichen Stellen, fotografieren sie, reichen Berichte ein und entfernen die Produkte anschließend wieder von den Premium-Plätzen.

Was kann getan werden:
Diese Betrugsform ist am schwersten nachzuverfolgen, da es schwierig ist, das Fotografieren eines Produkts in mehreren Zonen einer Filiale programmatisch zu erkennen, und es unmöglich ist, Merchandiser daran zu hindern, Produkte zu bewegen.
Die Praxis zeigt jedoch einen Rückgang dieser Art von Betrug, wenn Anreizprogramme geändert werden: Das Streichen von Boni für Premium-Platzierungen beseitigt die Motivation.

Low-Tech-Betrug
Bisher haben wir technologiebezogenen Betrug besprochen. Es gibt jedoch auch „Low-Tech“-Betrug, der recht häufig vorkommt. Uns sind Fälle bekannt, in denen eine Agentur einen Mitarbeitenden einstellt und ihm zwei Smartphones gibt, damit er die Arbeit von zwei Personen erledigt, während sie Kunden zwei Fachkräfte in Rechnung stellt, aber nur eine bezahlt.
Merchandiser arbeiten manchmal gleichzeitig für mehrere Auftraggeber und widmen jedem nur ein paar Stunden statt eines vollständigen Arbeitstags. Dies kann die Qualität des Merchandisings in Filialen erheblich beeinträchtigen.

Was kann getan werden:
Verbieten Sie nach Möglichkeit, dass mehrere Fachkräfte eine Filiale besuchen. Falls diese Einschränkung nicht umsetzbar ist und Kunden mehrere Vertreter gleichzeitig in einer Filiale benötigen, legen Sie andere Grenzen fest: Erlauben Sie beispielsweise Hypermärkte, untersagen Sie jedoch kleinere Geschäfte.

Der Einzelhandel steht an einem Scheideweg. Während die Erwartungen der Verbraucher steigen und Herausforderungen beim Personaleinsatz fortbestehen, stellt sich eine entscheidende Frage: Können Roboter lösen, was Menschen schlicht nicht skalieren können? Die Antwort könnte in den wegweisenden Robotikinitiativen von Nvidia, liegen, die eine Revolution wiederbeleben, die vor Jahren begann – jedoch durch einen unerwarteten Störfaktor ausgebremst wurde: die Pandemie.

Das Problem: Präzision trifft auf Druck

Die Achillesferse des Einzelhandels waren lange Zeit *Bestandsgenauigkeit, operative Effizienz und Konsistenz rund um die Uhr. Menschen sind hervorragend im Kundenkontakt, doch wiederkehrende Aufgaben wie Warenauffüllung, Regalprüfungen und die Erfassung von Echtzeitdaten führen häufig zu Fehlern, Überlastung und steigenden Kosten. Hier kommen *autonome Roboter— sie wurden dafür entwickelt, diese Aufgaben mit höchster Präzision zu übernehmen und Mitarbeitende für das freizusetzen, was wirklich zählt: den Kunden.

Die Pioniere: Ein aufgeschobener Traum

Vor COVID gingen Unternehmen wie Walmart und Amazon an der Spitze voran. Walmart ging bekanntlich eine Partnerschaft mit Bossa Nova Robotics, ein und setzte Regalscan-Roboter ein, um Bestände in Echtzeit zu verfolgen. Diese Maschinen bewegten sich durch die Gänge, erkannten Lücken und Preisfehler und versprachen einen großen Schritt in Richtung des „perfekten Stores“. Doch der Traum stieß an Grenzen: Walmart beendete die Partnerschaft 2020 abrupt, und Bossa Nova, das vom Handelsriesen abhängig war, stellte seinen Betrieb kurz darauf ein.

Lehren daraus?
•⁠ ⁠Skalierbarkeit ≠ Nachhaltigkeit: Frühe Roboter hatten Schwierigkeiten mit ROI und Anpassungsfähigkeit.
•⁠ ⁠Eine zu starke Abhängigkeit von einzelnen Kunden kann fatal sein.
•⁠ ⁠Die Pandemie beschleunigte die Umstellung des Einzelhandels auf den Überlebensmodus und stoppte ambitionierte Technologieexperimente.

Amazon setzte derweil verstärkt auf Lagerautomatisierung und zeigte damit, dass einige Robotiklösungen erfolgreich sein können – doch der Weg war alles andere als reibungslos.

2025: Die ideale Konstellation für eine Renaissance der Robotik

Ein Sprung in die Gegenwart. Die AI-gestützten Robotikplattformen von Nvidia (denken Sie an Omniverse-Simulationen und Isaac-Robotiktools) ermöglichen intelligentere, schnellere und anpassungsfähigere Maschinen. Diese Lösungen lernen aus früheren Fehlschlägen: Sie sind kostengünstiger, flexibler und darauf ausgelegt, sich in menschliche Arbeitsabläufe zu integrieren, statt sie zu ersetzen.

In Verbindung mit den Realitäten nach COVID – anhaltendem Arbeitskräftemangel, der Nachfrage nach Omnichannel-Agilität und geringeren Margen – waren die Bedingungen für einen Neustart der Robotik im Einzelhandel noch nie besser.

Wird dadurch endlich der „perfekte Store“ möglich?

Stellen Sie sich Filialen vor, in denen Roboter:
– Regale automatisch nachfüllen, bevor Artikel ausgehen.
– Echtzeitanalysen erstellen, um Trends vorherzusagen.
– nahtlos mit menschlichen Teams zusammenarbeiten, um den Service zu verbessern.

Doch die Schatten von Bossa Nova bleiben: Kann diese Generation von Robotern die Fallstricke ihrer Vorgänger vermeiden?

Was denken SIE?

1.⁠ ⁠Ist die „Walmart-Bossa Nova-Saga“ eine Warnung oder ein Sprungbrett für künftige Technologie?
2.⁠ ⁠Werden AI-gestützte Roboter endlich das Rätsel des „perfekten Stores“ lösen, oder jagen wir einer Science-Fiction-Fantasie nach?

P.S. Wenn Philip K. Dick heute leben würde, könnte er schreiben: „Träumen Algorithmen von optimierten Lieferketten?“

3) Erkennung von Fotos, die von Bildschirmen oder anderen Fotos erneut aufgenommen wurden

Bei dieser Art von Betrug fotografiert ein Merchandiser nicht eine tatsächliche Produktplatzierung in einem Geschäft, sondern ein Bild der gewünschten Produktplatzierung (ein Foto von einem Foto). Der Merchandiser verwendet dieselben Datenbanken mit Bildern der „korrekten“ Produktplatzierung wie in Abschnitt 1. Typischerweise verwendet der Mitarbeiter zwei Geräte – ein privates und ein Unternehmensgerät. Er öffnet das Bild der Zielplatzierung auf seinem privaten Gerät, fotografiert es dann mit dem Unternehmensgerät erneut ab und lädt es zur „Überprüfung“ in das System hoch.

Während vom Bildschirm aufgenommene Fotos früher leicht zu erkennen waren, haben Fortschritte bei der Display-Schärfe und der Qualität von Smartphone-Kameras die Erkennung erheblich erschwert.

Eine weitere Quelle hochwertiger Bilder können gedruckte Merchandising-Richtlinien (Merch Books) sein, die ideale Produktplatzierungen zeigen. Unserer Erfahrung nach waren solche Fälle selten, aber diese Methode existiert – auch wenn sie auf den ersten Blick etwas absurd wirkt. Hier fotografiert ein Mitarbeiter ein gedrucktes Bild und lädt es anstelle eines echten Regalfotos hoch. Wir sind sogar Fällen begegnet, in denen Merchandiser Screenshots aus digitalen Merch Books erstellt und diese eingereicht haben.

So begegnen wir diesem Betrug

Unsere ersten Versuche, unser System darauf zu trainieren, diese Art von Betrug zu erkennen, liegen mehrere Jahre zurück. Damals unterschieden sich vom Bildschirm abfotografierte Bilder deutlich von normalen Fotos. Zudem arbeiteten wir mit kleineren Kunden, hatten geringere Volumina bei der Fotoverarbeitung, und Merchandiser waren weniger einfallsreich – wodurch die Betrugserkennung vergleichsweise einfach war.

Mit der Weiterentwicklung der Technologie wurden Merchandiser jedoch kreativer, und die Kunden von ShelfMatch™ wurden größer und anspruchsvoller. Der bisherige „Brute-Force“-Trainingsansatz lieferte nicht mehr die erforderliche hohe Genauigkeit.

Das Hauptproblem bei einem unserer größten Kunden war eine hohe Falsch-Positiv-Rate. Während unser neuronales Netzwerk manipulierte Bilder hervorragend erkannte, stufte es auch häufig legitime Fotos als betrügerisch ein. Wir stellten fest, dass unsere Genauigkeit bei der Erkennung von Fälschungen lediglich bei 60%.

Da unser Kunde Betrug nicht nur erkennen, sondern auch nachlässige Mitarbeiter sanktionierenwollte, war eine nahezu perfekte Genauigkeit entscheidend. Obwohl 100% Präzision bei realen Daten nicht erreichbar ist, mussten wir dem so nahe wie möglich kommen.

Unsere Lösung

Wir recherchierten in der wissenschaftlichen Literatur und untersuchten verschiedene Ansätze zur Verbesserung der Erkennung.

Nach der Analyse des Problems ergänzten wir unseren Datensatz um externe Datensätze aus ähnlichen Bereichen:

• Rewind Recapture Dataset
• MRGAN for Recaptured Image Detection

Dadurch wurde unser Datenpool erweitert, doch dies nicht verbesserte die Erkennungsqualität nennenswert – ein großes Hindernis.

Forschungen bestätigen, dass neuronale Netzwerke oft Schwierigkeiten mit Domänenverschiebung (schlechter Generalisierbarkeit auf unbekannte Daten) haben. Das bloße Hinzufügen externer Datensätze hilft nicht; die Trainingsdaten müssen realen Produktionsbildern sehr ähnlich sein.

Die manuelle Kennzeichnung der von Kunden eingereichten Fotos war eine Option, aber sie war zu langsam um die gewünschte Genauigkeit schnell zu erreichen.

Der Durchbruch

Wir dachten: Wenn uns Trainingsbilder bestimmter SKUs fehlen, besuchen wir Geschäfte und machen die Fotos selbst. Warum nicht dieselbe Logik hier anwenden?

Also baten wir unser Team, die Rolle „einfallsreicher Merchandiser“ zu übernehmen und gefälschte Fotos von Warenpräsentationen in Geschäften einzureichen.

Es hat funktioniert!

• Wir fügten diese selbst generierten Bilder unserem Trainingsdatensatz hinzu.
• Die Tests wurden mit realen Foto-Streams von Kunden durchgeführt.

Ergebnisse:

• 90% Genauigkeit bei der Betrugserkennung
• Nur ~3% Falschpositive

Während wir unser System weiter verfeinern, unterstützt unsere Lösung Kunden bereits dabei, Betrug im großen Maßstab zu erkennen.

„Für jeden cleveren Merchandiser gibt es einen ebenso cleveren Softwareentwickler!“ 😊

Benötigen Sie Unterstützung bei der Bekämpfung von Merchandising-Betrug?

Wenn die Erkennung digitalen Betrugs für Ihr Unternehmen Priorität hat, stehen unsere Experten Ihnen zur Seite. Kontaktieren Sie uns– wir reagieren zeitnah und passen eine Lösung an Ihre Anforderungen an.

Im nächsten (letzten) Artikel behandeln wir weitere Betrugsmethoden im Retail Merchandising.

Betrugsfälle im digitalen Merchandising sind häufig und leider unvermeidlich. Außendienstmitarbeiter – vermutlich aufgrund der Art ihrer Arbeit ohne regelmäßige Aufsicht durch eine Führungskraft – sind sehr gut darin, neue und originelle Tricks zu entwickeln, um weniger zu arbeiten und mehr zu verdienen. Daher ist für Unternehmen, die Merchandiser beschäftigen, die Prüfung und Kontrolle ihrer Mitarbeiter stets relevant.

In diesem Artikel sprechen wir über die Arten von Betrug im Merchandising und unsere Erfahrung damit, die Fallstricke nachlässiger Mitarbeiter technologisch zu überwinden. In den 1^. und 2^. praktischen Teilen gehen wir genauer darauf ein, wie wir mit bestimmten Betrugsarten umgehen. Und im 3^. Teil, dem theoretischen, sprechen wir zur Abrundung über weitere gängige Täuschungsmethoden von Außendienstmitarbeitern.

Betrug im digitalen Merchandising: Ziele

Betrug ist der Versuch, das Merchandising-System zu täuschen, um das Ergebnis zu beeinflussen. Da Außendienstmitarbeiter, die Regale fotografieren und Berichte erstellen, häufig nach Leistung bezahlt werden, können sie durch die Manipulation von Fotos den Eindruck erwecken, mehr Verkaufsstellen besucht und mehr Regale erfasst zu haben. Betrug liegt daher vor, wenn ein Außendienstmitarbeiter das System täuscht, um mehr Geld zu verdienen.

Ein weiterer Fall liegt vor, wenn die Vergütung eines Mitarbeiters nicht von der Anzahl der aufgenommenen Fotos, sondern von der Qualität der Arbeit abhängt – also von den erreichten KPIs. In diesem Fall gilt: Je mehr hochwertige Fotos eine Person dem Kunden im Hinblick auf die ideale Regalplatzierung liefert, desto höher fällt ihre Vergütung aus.

In diesem Beitrag erläutern wir, wie ShelfMatch^TM mit gefälschten Fotos arbeitet, nämlich:

1. Doppelte Fotos identifiziert und danach sucht
2. Fotos von schlechter Qualität aus dem gesamten Datenstrom herausfiltert
3. Fotos identifiziert, die von Smartphone-/Tablet-Bildschirmen oder Printmedien aufgenommen wurden

1) Erkennen doppelter Fotos

Das Duplizieren von Fotos ist die häufigste Art von Betrug. Der Merchandiser lädt dasselbe Foto im Abstand von mehreren Tagen oder Wochen in das System hoch. Dieses Foto kann ein echtes Foto aus einem POS (Point of Sale) sein oder aus einer speziellen Datenbank heruntergeladen werden: Merchandiser auf der ganzen Welt haben geheime Chatgruppen, in denen sie hochwertige Fotos von Regalen austauschen, die eine umfassende Bildergalerie enthalten und in fast jeder Situation verwendet werden könnten. Der Zweck dieses Tricks besteht darin, den POS nicht zu besuchen, sondern dem Vorgesetzten ein altes, nicht mehr aktuelles Foto von Warenregalen zu schicken – als hätte der Mitarbeiter die Verkaufsstelle besucht. Folglich erzielten alle Merchandiser am Ende des Tages hervorragende Ergebnisse.

Wie ShelfMatch^TM geht gegen diese Art von Betrug vor:

Einerseits ist das Auffinden doppelter Bilder für Machine Learning ein recht bekanntes, verständliches und gelöstes Problem. Ein Bildverarbeitungsdienst erstellt einen digitalen Fingerabdruck des Fotos, fügt ihn der Datenbank hinzu, erstellt einen solchen virtuellen Fingerabdruck für jedes eingehende Bild und vergleicht jeden neuen Fingerabdruck mit den vorherigen, wodurch doppelte Bilder gefunden werden.

Andererseits ist diese Aufgabe in unserem Kontext nicht so einfach, wie sie auf den ersten Blick erscheinen mag. Es gibt mehrere Schwierigkeiten, die die Arbeit erschweren können.

Erstens, was gilt als Duplikat? Die Antwort scheint einfach: genau dasselbe Bild eines Regals. Doch bei diesem Verständnis eines Duplikats lässt sich das System recht leicht täuschen. Beispielsweise kann man das Originalbild leicht zuschneiden und dabei sogar teilweise einige SKUs auf dem Foto opfern. Für die Computer Vision ist es dann kein absolutes Duplikat mehr – inhaltlich bleibt es jedoch ein Duplikat. Dies ist die erste Schwierigkeit, die bei der Entwicklung eines Systems zur Erkennung doppelter Bilder berücksichtigt werden muss.

Zweitens, über welchen Zeitraum sollten wir die Datenbank früherer Besuche durchsuchen? Diese Komplexität betrifft die Serverkapazität. Es ist eine Sache, wenn es eine bestimmte Bilddatenbank mit fester Größe gibt. Etwas anderes ist es, wenn diese Datenbank täglich um mehrere Zehntausend Bilder oder mehr wächst. Infolgedessen müssen folgende Fragen gelöst werden: a) physischer Speicherplatz für die Speicherung der Fingerabdrücke und b) die Geschwindigkeit, mit der jeder Fingerabdruck mit der gesamten Datenbank verglichen wird. Sie können die Datenbank regelmäßig von alten Einträgen bereinigen, doch früher oder später erhalten Merchandiser die Möglichkeit, ältere Bilder hochzuladen.

Trotz dieser Nuancen kann ShelfMatch^TM Sie vor hartnäckigen und offensichtlichen Versuchen schützen, ein Foto zu fälschen.

2) Erkennen von Bildern schlechter Qualität

Es kommt auch vor, dass Mitarbeiter Fotos von schlechter Qualität senden: überbelichtete, verschwommene oder undeutliche Bilder, Fotos aus einem zufälligen Winkel, Aufnahmen, auf denen nicht das gesamte Regal sichtbar ist, sowie andere unbrauchbare Dateien. All diese Fotos machen eine automatisierte Bilderkennung unmöglich. Der Grund, warum Mitarbeiter solche Fotos aufnehmen, liegt in der Datenmenge. Es ist einfacher, viele Fotos von geringer Qualität aufzunehmen und sie an den Vorgesetzten zu schicken, als zu versuchen, hochwertige Fotos zu machen. Und natürlich spielt der menschliche Faktor immer eine entscheidende Rolle: Jeder kann Fehler machen und versehentlich ein schlechtes Foto aufnehmen.

Wie gehen wir mit solchem Betrug um?

In ShelfMatch^TM ist ein spezielles, eigenständiges Modul für die Bewertung der Fotoqualität zuständig. Die Bildverarbeitung erfolgt in 2 Phasen:

1. Vorverarbeitung (vor der SKU-Erkennung) und
2. Nachverarbeitung (nach der Erkennung der SKU und der Preisschilder auf dem Foto).

1. Vorverarbeitung

In der Phase der Vorverarbeitung durchläuft das eingehende Regalbild mehrere neuronale Netze, die die folgenden Parameter bewerten:

• Aufnahmewinkel. Insbesondere ermittelt das neuronale Netz den Neigungswinkel der Regale auf dem Foto. Dies ist ein recht wichtiger Parameter, da die Qualität der SKU-Erkennung vom Aufnahmewinkel abhängt. Je frontaler das Foto aufgenommen wird, desto genauer sind die Erkennungsergebnisse.
• Vorhandensein von Waren auf dem Foto. Ein weiteres neuronales Netz stellt fest, ob das Foto Abbildungen von Waren enthält oder andere Inhalte aufweist. „Andere“ Inhalte können viele Varianten bedeuten: In der Praxis begegnen uns Fotos aus einem Auto, Aufnahmen des Eingangsbereichs eines Geschäfts, versehentlich gesendete Bilder von Boden oder Decke sowie ähnliche irrelevante Bilder.
• Bildqualität insgesamt. Ein separates neuronales Netz bewertet die Parameter in Kombination („Grad der Bildschärfe“ + „Belichtung“) und ermittelt einen konkreten Wert: ob es sich um ein Bild schlechter oder guter Qualität handelt.
• Foto eines Bildschirms oder echtes Foto. Auf diese Betrugsvariante gehen wir weiter unten ausführlicher ein.

Die Ergebnisse der Vorverarbeitung ermöglichen es uns, Fotos schlechter Qualität auszusortieren und nicht in die Erkennungsphase zu übernehmen. Der Merchandiser kann wiederum schnell die Aufforderung erhalten, ein neues, hochwertiges Foto zu senden (wenn die Arbeit online erfolgt).

2. Nachverarbeitung

Häufig ist nicht das gesamte Foto schlecht, sondern nur ein Teil davon. ShelfMatch^TM kann solche Fälle mithilfe der Nachverarbeitung bewerten.

Im Rahmen der Nachverarbeitung wird nicht die Qualität des gesamten Fotos gemessen, sondern separat die jedes kleinen Bildausschnitts, der die SKU oder das Preisschild enthält.

Während der Nachverarbeitung können Sie:

• nachverfolgen, welche Merchandiser perfekte oder nahezu perfekte Fotos aufnehmen und welche sich nicht besonders bemühen
• zusätzliche Informationen über die Genauigkeit bzw. Unsicherheit der SKU- und/oder Preisschilderkennung an der jeweiligen Stelle des Bildes erhalten.

Im Bereich der automatisierten Produkterkennung besteht stets ein Streben nach höherer Erkennungsgenauigkeit. Diese leidet jedoch häufig aus Gründen, die außerhalb der Kontrolle neuronaler Netze liegen: Eine starke Spiegelung gelangt ins Foto oder die Hand zittert bei der Aufnahme, sodass ein Teil des Bildes verschwimmt usw. In solchen Fällen bringt eine allgemeine Bewertung der Fotoqualität nichts. Die Nachverarbeitung und Bewertung einzelner Bereiche zeigt jedoch, dass die Ergebnisse eines solchen Fotos nicht sehr genau sind und zumindest teilweise verworfen werden sollten. Damit verfügen wir über ein weiteres Instrument zur Identifizierung minderwertiger Fotos, das uns ermöglicht, die Genauigkeit der Analyse zu erhöhen.