Einzelhandelsmarken haben gelernt, mit einer langsamen Rückmeldeschleife bei der Regalumsetzung zu leben: Bis Daten aus Regalaudits verarbeitet und berichtet werden, ist die Gelegenheit zum Handeln im Geschäft oft bereits vorbei. Außendienstteams dokumentieren Probleme am Regal, die Zentrale sieht sie erst Tage später, und die Standards der Marke bleiben eine „nette Idee“, statt zur täglichen Praxis zu werden.
Diese Verzögerung ist nicht mehr hinnehmbar, wenn der Wettbewerb intensiv ist und jede Out-of-Shelf-Situation oder jedes fehlerhafte Planogramm den Umsatz unmittelbar beeinträchtigt. Fehlt ein Produkt im sichtbaren Regal, ist es falsch platziert oder in der Promotion unzureichend präsentiert, benötigt die Marke die Antwort innerhalb von Sekunden, nicht erst, nachdem der Außendienstmitarbeiter das Geschäft verlassen hat. Die Frage ist einfach: Wie verwandeln Sie Regalerkenntnisse in sofortiges Handeln im großen Maßstab, ohne den Alltag der Außendienstteams unnötig zu verkomplizieren?
ShelfMatch™ führt einen neuen On-Device-Modus ein, der Shelf Intelligence vom Server auf das Smartphone verlagert. Statt auf die Cloud-Verarbeitung zu warten, erhält der Außendienstmitarbeiter die Regalanalyse und klare Korrekturmaßnahmen direkt auf seinem Gerät, während er vor dem Regal steht. Das Ergebnis ist ein kürzerer Zyklus:
ein Foto aufnehmen die Diagnose erhalten das Regal korrigieren das Ergebnis bestätigen alles innerhalb eines einzigen Filialbesuchs.
In diesem neuen Modell arbeitet ShelfMatch™ Hand in Hand mit dem SFA-System des Unternehmens. SFA behält die Kontrolle über Routen, Besuche und Aufgaben, während ShelfMatch™ präzise Regalerkennung und umsetzbare Empfehlungen liefert. Erkannte Probleme wie Out-of-Shelf, fehlerhafte Preiskommunikation oder nicht konforme Planogramme werden zu Aufgaben im Besuchsablauf, und derselbe Außendienstmitarbeiter kann sie direkt vor Ort abschließen. Marken wechseln vom Zählen erkannter Probleme zur Nachverfolgung, wie viele davon tatsächlich gelöst wurden und wie schnell dies geschah.
Für das Unternehmen bedeutet dies, dass das Regalaudit endlich zu einem Instrument der Umsetzung wird, nicht nur zu einem Kontrollmechanismus. Außendienstteams verbringen weniger Zeit damit zu überlegen, was mit den Auditergebnissen zu tun ist, und mehr Zeit mit der Umsetzung konkreter Maßnahmen, die mit Regal-KPIs verknüpft sind. Die Zentrale erhält wiederum Transparenz sowohl über die Regalsituation als auch über die Aufgabenbearbeitung und kann die Umsetzung im Handel dadurch sicher steuern.
Die Umsetzung im Handel hängt von Geschwindigkeit, Genauigkeit und Transparenz ab. Dennoch verlassen sich viele Unternehmen noch immer auf manuelle Audits, verzögerte Berichterstattung und uneinheitliche Regalprüfungen, die die Kontrolle dessen erschweren, was in den Geschäften tatsächlich geschieht. ShelfMatchTM hilft, dieses Problem zu lösen, indem es Bilderkennung nutzt, um Retail-Audits zu automatisieren, die Transparenz am Regal zu verbessern und Fotos aus dem Geschäft in umsetzbare Daten zu verwandeln.
Bildnachweis: Unsplash | Pipe Gil
Für Marken, Händler und Retail-Teams ist die Herausforderung bekannt: Produkte können im System gelistet sein, aber im Regal fehlen, Planogramme können nicht eingehalten werden, Preisschilder können falsch sein und Werbedisplays können unvollständig sein. Diese Probleme werden häufig zu spät entdeckt, nachdem Verkaufschancen bereits verloren gegangen sind. ShelfMatchTM schließt diese Lücke, indem es Teams eine schnellere und zuverlässigere Möglichkeit bietet, die Umsetzung in Echtzeit zu überwachen.
Warum manuelle Retail-Audits nicht ausreichen
Herkömmliche Retail-Audits sind oft langsam und ressourcenintensiv. Außendienstteams verbringen Zeit damit, Regale zu prüfen, Facings zu zählen, Compliance-Probleme zu dokumentieren und Berichte manuell auszufüllen. Führungskräfte erhalten diese Informationen erst später, was Korrekturmaßnahmen verzögert und die Gesamtwirkung des Auditprozesses mindert.
Manuelle Methoden führen außerdem zu Inkonsistenzen. Unterschiedliche Mitarbeiter können dasselbe Regal unterschiedlich bewerten, und menschliche Fehler können die Datenqualität beeinträchtigen. Mit wachsenden Filialnetzen und komplexeren Sortimenten werden diese Einschränkungen noch sichtbarer. Marken benötigen eine bessere Möglichkeit, Regalbedingungen im großen Maßstab nachzuverfolgen, ohne ihre Teams zusätzlich zu belasten.
Wie ShelfMatchTM funktioniert
ShelfMatchTM ist eine auf Bilderkennung und Computer Vision. Ein Vertriebsmitarbeiter oder Außendienstmitarbeiter nimmt mit einem Mobilgerät ein Foto oder Video des Regals auf. Das System erkennt anschließend Produkte automatisch, analysiert die Bedingungen am Regal und erstellt strukturierte Auditdaten.
Dieser Ansatz macht die Regalanalyse schneller und objektiver. Statt sich ausschließlich auf manuelle Eingaben zu verlassen, ShelfMatchTM wandelt visuelle Informationen in messbare Ergebnisse um. Dadurch können Teams Umsetzungsprobleme sofort erkennen und reagieren, solange sie noch im Geschäft sind.
Zentrale Probleme im Einzelhandel, bei deren Lösung ShelfMatchTM unterstützt
ShelfMatchTM ist darauf ausgelegt, die häufigsten Herausforderungen bei der Umsetzung im Handel zu bewältigen. Dazu gehören:
Erkennung nicht vorrätiger Artikel
Regalpräsenz und SKU-Erkennung
Prüfung der Planogramm-Compliance
Überprüfung von Preisschildern
Erkennung leerer Bereiche und Lücken
Analyse des Regalanteils
Wettbewerbsbeobachtung
Kontrolle von POSM und Werbedisplays
Dies sind die Bereiche, in denen die Umsetzung am Regal Sichtbarkeit und Umsatz unmittelbar beeinflusst. Wenn ein Produkt im Geschäft vorhanden, aber im Regal nicht sichtbar ist, verliert die Marke Chancen. Wird eine Promotion nicht korrekt umgesetzt, kann die Kampagne ihre Ziele verfehlen. ShelfMatchTM hilft, diese Probleme früher und genauer zu erkennen.
Vorteile automatisierter Retail-Audits
Einer der wichtigsten Vorteile von ShelfMatchTM ist die Geschwindigkeit. Teams können Regaldaten schnell erfassen und erhalten Ergebnisse nahezu sofort, anstatt auf die Verarbeitung manueller Berichte zu warten. Dies verkürzt die Zeit zwischen Erkennung und Korrektur, was in Handelsumgebungen mit sich schnell verändernden Regalbedingungen entscheidend ist.
Ein weiterer wesentlicher Vorteil ist die Konsistenz. ShelfMatchTM wendet an allen Standorten dieselbe Erkennungslogik an, was die Datenqualität verbessert und den Vergleich der Ergebnisse zwischen Geschäften, Regionen und Handelsketten erleichtert. Dadurch entsteht eine solidere Grundlage für Reporting, Leistungsanalysen und operative Planung.
ShelfMatchTM reduziert außerdem den administrativen Aufwand für Außendienstteams. Vertriebsmitarbeiter verbringen weniger Zeit mit manueller Dokumentation und mehr Zeit mit Maßnahmen, die die Umsetzung verbessern. Das macht Filialbesuche produktiver und wertvoller für das Unternehmen.
Warum Bilderkennung bei der Umsetzung im Handel wichtig ist
Bilderkennung ist zu einem wichtigen Werkzeug für den modernen Handel geworden, weil sie Regalfotos in nutzbare Geschäftsdaten umwandelt. Anstatt sich auf unvollständige Notizen oder verzögerte Prüfungen zu verlassen, können Marken sehen, was im Geschäft tatsächlich geschieht, und schneller handeln.
Dies ist besonders wichtig für Unternehmen, die große Sortimente, mehrere Filialformate oder häufige Promotionen steuern. Je komplexer der Umsetzungsprozess wird, desto schwieriger ist er manuell zu kontrollieren. ShelfMatchTM bietet eine skalierbare Möglichkeit, Regalbedingungen zu überwachen, Audits zu standardisieren und bessere Entscheidungen zu unterstützen.
ShelfMatchTM für FMCG- und Handelsmarken
ShelfMatchTM ist besonders relevant für FMCG-Unternehmen, Händler und Retail-Teams, die an vielen Standorten hohe Regalstandards einhalten müssen. Es hilft, die Produktverfügbarkeit nachzuverfolgen, die Planogramm-Compliance zu verbessern, Wettbewerber zu beobachten und sicherzustellen, dass Promotion-Aktivitäten wie geplant umgesetzt werden.
Für Marken bedeutet dies eine bessere Kontrolle der Umsetzung und weniger verpasste Verkaufschancen. Für Außendienstteams bedeutet es einen einfacheren Auditprozess und klarere Prioritäten. Für Führungskräfte bedeutet es zuverlässigere Daten und einen besseren Einblick in die Leistung der Geschäfte.
Fazit
Bei Retail-Audits geht es nicht mehr nur darum, Informationen zu sammeln. Es geht darum, die Umsetzung im Geschäft sichtbar, messbar und umsetzbar zu machen. ShelfMatchTM hilft Unternehmen dabei, indem es Bilderkennung einsetzt, um die Regalanalyse zu automatisieren und die Qualität von Retail-Audits zu verbessern.
Wenn Ihr Ziel darin besteht, manuellen Aufwand zu reduzieren, die Compliance zu verbessern und schneller auf Probleme am Regal zu reagieren, ShelfMatchTM bietet eine praktische Lösung. Es wandelt Fotos aus dem Geschäft in strukturierte Daten um und hilft Retail-Teams, mit deutlich mehr Geschwindigkeit und Sicherheit von der Beobachtung zum Handeln überzugehen.
Kontaktieren Sie uns um zu sehen, wie ShelfMatchTM Ihr Unternehmen voranbringen kann.
Retail-Audits sind ein wesentlicher Bestandteil der Umsetzung im Geschäft, doch herkömmliche Auditmethoden können häufig nicht die Geschwindigkeit, Konsistenz und Transparenz bieten, die moderne Handelsabläufe erfordern. Bilderkennung ermöglicht einen besser skalierbaren Ansatz, indem sie Regalfotos in strukturierte, umsetzbare Daten verwandelt. Für Marken und Retail-Teams bedeutet das eine bessere Kontrolle der Compliance, weniger manuelle Engpässe und eine schnellere Reaktion auf Umsetzungsprobleme.
Bildnachweis: Unsplash | Allef Vinicius
Der Nutzen beschränkt sich nicht auf die Automatisierung. Bilderkennung unterstützt einen strukturierteren Auditprozess, bei dem Erkennung, Korrektur und Verifizierung in einem einzigen operativen Ablauf verbunden sind.
Die operative Herausforderung
Die Umsetzung im Handel hängt von zeitnahen Informationen ab. Fehlt ein Produkt, ist ein Preis falsch oder wird eine Promotion nicht korrekt umgesetzt, muss das Problem schnell erkannt werden. In einem manuellen Auditmodell verbringen Teams jedoch häufig wertvolle Zeit mit der Datenerfassung, der Prüfung von Regalen, der Dokumentation von Ergebnissen und der späteren Interpretation der Resultate.
Dieser Ansatz kann Verzögerungen und Inkonsistenzen verursachen. Unterschiedliche Prüfer können dasselbe Regal unterschiedlich bewerten, und Führungskräfte erhalten Informationen möglicherweise zu spät, um wirksam zu handeln. Im Laufe der Zeit mindern diese Lücken die Wirkung der Außendienstaktivitäten und begrenzen die Fähigkeit der Organisation, Standards im großen Maßstab einzuhalten.
Bilderkennung begegnet diesen Herausforderungen, indem sie die Analyse visueller Audits standardisiert. Sie unterstützt Organisationen dabei, von subjektiven Prüfungen zu objektiver Regalanalyse überzugehen.
So funktioniert der Prozess
Der Ablauf ist einfach. Ein Außendienstmitarbeiter erfasst ein Bild des Regals, Displays oder Merchandising-Bereichs im Geschäft. Die Bilderkennungs-Engine analysiert das Foto und identifiziert Produkte, Regalpositionen, Facings, Preisschilder und andere Umsetzungselemente.
Das System vergleicht anschließend das Erkannte mit dem erwarteten Standard, etwa einem Planogramm oder einem Regelwerk für Merchandising. Erkennt es eine Abweichung, kennzeichnet es das Problem automatisch. Dazu können fehlende Artikel, falsche Platzierung, schlechte Sichtbarkeit oder nicht regelkonforme Promotionsumsetzung gehören.
Wenn das Ergebnis des Audits mit Tools für das Aufgabenmanagement verbunden ist, kann es direkt in Korrekturmaßnahmen überführt werden. Hier wird Bilderkennung besonders wirkungsvoll: Sie meldet nicht nur ein Problem, sondern hilft operativen Teams, es sofort zu beheben.
Bereiche der Auditabdeckung
Eine leistungsfähige Retail-Audit-Lösung mit Bilderkennung kann viele zentrale Umsetzungskennzahlen unterstützen, darunter:
Erkennung nicht vorrätiger Artikel
Produktpräsenz im Regal
Planogramm-Compliance
Preisgenauigkeit
Compliance bei Promotionen
Regalanteil
Qualität der Regalplatzierung
Wettbewerbsbeobachtung
Diese Kennzahlen sind grundlegend für die Leistung im Geschäft. Ein Produkt kann im Geschäft verfügbar sein, aber wenn es nicht korrekt präsentiert wird, erzielt es möglicherweise trotzdem keine Verkäufe. Bilderkennung hilft sicherzustellen, dass Umsetzungsstandards sichtbar, messbar und konsistent überwacht werden.
Warum objektive Analyse wichtig ist
Einer der größten Vorteile der Bilderkennung ist die Möglichkeit, standortübergreifend einen einheitlichen Analysestandard zu schaffen. Manuelle Audits werden von Erfahrung, Interpretation und Zeitdruck beeinflusst. Bildbasierte Analysen verringern diese Variabilität und liefern Teams verlässlichere Daten.
Dies ist wichtig für Organisationen, die Leistungen zwischen Regionen, Geschäften oder Kategorien vergleichen müssen. Zuverlässige Daten verbessern die Entscheidungsfindung, stärken das Reporting und machen die Compliance-Nachverfolgung aussagekräftiger. Sie geben der Führungsebene außerdem einen klareren Einblick darin, wo operative Probleme wiederholt auftreten und wo Unterstützung am dringendsten benötigt wird.
Von Auditerkenntnissen zur Umsetzungskontrolle
Der eigentliche Wert eines Auditprozesses ergibt sich daraus, was geschieht, nachdem ein Problem erkannt wurde. Bilderkennung ist am wirksamsten, wenn sie in einen geschlossenen Ablauf integriert ist, der Maßnahmen und Verifizierung unterstützt.
Ein typischer Prozess folgt drei Schritten: Problem identifizieren, Korrektur zuweisen und Ergebnis bestätigen. Dieses Modell „sehen, beheben, nachweisen“ hilft Handelsorganisationen, Verzögerungen zu reduzieren und die Verantwortlichkeit im Außendienst zu verbessern. Es stellt außerdem sicher, dass Auditergebnisse zu tatsächlichen operativen Verbesserungen führen, anstatt als isolierte Datenpunkte bestehen zu bleiben.
Für Verantwortliche der Handelsumsetzung schafft dies eine bessere Kontrolle der Standards im Geschäft und einen transparenteren Einblick in die Vorgänge im Außendienst.
Strategische Wirkung für Handelsorganisationen
Bilderkennung für Retail-Audits ist mehr als ein technisches Upgrade. Sie ist ein praktischer Ansatz, um die Umsetzung im Geschäft zu stärken, den manuellen Aufwand zu reduzieren und die Zuverlässigkeit der Außendienstdaten zu verbessern. Bei groß angelegten Handelsabläufen kann die Wirkung erheblich sein: schnellere Audits, bessere Compliance, präziseres Reporting und schnellere Korrekturmaßnahmen.
Sie unterstützt außerdem eine stärkere Zusammenarbeit zwischen Außendienstteams, Führungskräften und der Zentrale. Wenn alle mit derselben visuellen Evidenz und denselben Umsetzungsstandards arbeiten, lassen sich Maßnahmen leichter priorisieren und Konsistenz im gesamten Netzwerk wahren.
Abschließende Perspektive
Retail-Audits sollten nicht nur die Bedingungen im Geschäft dokumentieren. Sie sollten Organisationen dabei helfen, sie zu verbessern. Bilderkennung ermöglicht dies, indem sie Teams eine schnellere und zuverlässigere Möglichkeit bietet, Probleme am Regal zu erkennen, Compliance zu prüfen und auf ihre Erkenntnisse zu reagieren.
Für Unternehmen mit Schwerpunkt auf der Umsetzung im Handel bietet dieser Ansatz einen klaren Vorteil: weniger manueller Aufwand, bessere Transparenz und eine stärkere Verbindung zwischen Beobachtungen im Geschäft und Geschäftsergebnissen.
Jeden Tag verlieren Händler durch leere Regale, falsch platzierte Artikel und fehlerhafte Preisschilder bis zu 15% ihrer potenziellen Umsätze. Herkömmliche manuelle Audits können mit dem Tempo der Veränderungen in stark frequentierten Geschäften häufig nicht Schritt halten. Glücklicherweise bietet moderne Technologie eine intelligente Lösung – fest installierte Kameras mit Echtzeit-Videoanalyse.
Wie funktioniert das? Über den Regalen montierte Kameras erfassen die Produktpräsentationen kontinuierlich. Ein spezieller AI-gestützter Algorithmus analysiert den Videostream sofort und erkennt:
Nichtverfügbarkeitssituationen in Regalen;
Verstöße gegen die Planogramm-Compliance (Merchandising);
Nicht übereinstimmende Preisschilder oder Werbeetiketten.
Das System sendet automatisch Warnmeldungen an das Managementsystem des Geschäfts oder an eine mobile App, sodass Mitarbeitende sofort reagieren können.
Wesentliche geschäftliche Vorteile:
Sofortige Reaktion: Probleme werden erkannt und behoben, bevor Kunden sie überhaupt bemerken.
Unübertroffene Genauigkeit: AI-Algorithmen erkennen selbst geringste Abweichungen von vorgegebenen Standards.
Geringere Betriebskosten: Optimiert die Routen und Aufgaben von Merchandisern und Auditoren durch gezielte Warnmeldungen.
Leistungsstarke Analysen: Gesammelte Daten helfen dabei, die Nachfrage zu analysieren, das Sortiment zu optimieren und Schwund zu verhindern.
Dies ist eine skalierbare Lösung, die sowohl für große Handelsketten als auch für kleine Unternehmen geeignet ist. Die Implementierung kann mit einer Pilotzone beginnen – beispielsweise mit einer einzelnen Produktkategorie. Das ist mehr als nur „intelligente Überwachung“; es ist ein strategisches Werkzeug für die Entscheidungsfindung. Die Technologie wandelt Rohdaten aus dem Regal in umsetzbare Erkenntnisse um und hilft Filialen, effizienter zu arbeiten und ihre Rentabilität zu steigern.
Im modernen Einzelhandel zählt jedes Detail – von der Produktplatzierung in Regalen bis zur Bestandsgenauigkeit. Dieser Artikel beleuchtet einen zentralen Aspekt wirksamen Merchandisings: die Planogramm-Compliance. Erfahren Sie, wie fortschrittliche Technologien Händlern helfen, den Umsatz zu steigern und Prozesse zu optimieren.
Planogramm-Compliance: Warum sie wichtig ist
Was ist ein Planogramm?
Ein Planogramm ist ein „digitaler Zwilling“ eines Verkaufsregals, der Folgendes festlegt:
Den genauen Standort jeder SKU (Stock Keeping Unit)
Die Produktanordnung nach Kategorien, Marken und weiteren Parametern
Optimale Flächennutzung auf Basis von Verkaufsdaten und Kundenverhalten
Die Planogramm-Compliance misst, wie genau die tatsächliche Regalplatzierung dem genehmigten Plan entspricht. Dies wirkt sich unmittelbar auf Konversionsraten, den durchschnittlichen Einkaufswert und die Kundenbindung aus.
Markt für Lösungen zur Planogramm-Compliance
Weltweiter Markt bis 2030 auf $1.6 billion geschätzt (13.6% jährliches Wachstum)
Schnellstes Wachstum im asiatisch-pazifischen Raum (+26.4% jährlich)
Nordamerika behält die Führungsposition beim Implementierungsvolumen
Geschäftliche Vorteile
+8.1% Gewinnsteigerung durch optimierte Produktplatzierung
Geringere Verluste durch Fehlbestände
Einheitliche Standards für alle Filialstandorte
Echtzeitdaten zur Entscheidungsfindung
Herausforderungen bei der Implementierung
Personalfluktuation und Bedarf an kontinuierlichen Schulungen
Unterschiedliche Layouts zwischen Filialen derselben Kette
Manuelle Compliance-Prüfungen beanspruchen bis zu 30% der Arbeitszeit und garantieren keine 100% Qualität
Wie Technologie diese Probleme löst
Moderne Computer-Vision- und AI-basierte Systeme ermöglichen:
Automatische Analyse der Regalplatzierung anhand von Fotos
Prognosen zu Fehlbeständen und Optimierungsempfehlungen
Interaktive Berichte für Lieferanten und Merchandiser
Shelfmatch ist ein Dienst zur automatischen Produkterkennung in Regalen, der seit mehreren Jahren mit Planogrammen arbeitet und Regalanalysen in nur wenigen Dutzend Sekunden bereitstellt.
Künstliche Intelligenz hat viele Branchen verändert, doch bei präziser Bilderkennung liegt sie weiterhin hinter spezialisierten Diensten zurück. Sehen wir uns an, warum.
1. Das Problem des „Trainings mit allgemeinen Daten“
Moderne AI-Modelle (wie GPT oder Stable Diffusion) werden mit riesigen, aber heterogenen Datensätzen trainiert. Reale Geschäftsaufgaben erfordern jedoch die Erkennung von hochgradig spezifischen Objekten:
Defekte an einer Produktionslinie
Bestimmte Produkte unter Tausenden anderen
Eindeutige Merkmale (QR-Codes, Etiketten)
Eine AI, die nicht mit spezifischen Beispielen trainiert wurde, wird Fehler machen.
2. Genauigkeit vs. „Raten“
Spezialisierte Erkennungsdienste werden feinabgestimmt für eine einzelne Aufgabe, und liefern 95%+ Genauigkeit. AI folgt dagegen häufig einem „sieht ähnlich aus, muss richtig sein“ Ansatz – was zu Fehlern führt.
3. Flexibilität und Aktualisierungsgeschwindigkeit
Wenn ein Kunde einen neuen Objekttyp, kann ein spezialisierter Dienst schnell neu trainiert werden. Bei AI ist es komplizierter: Dafür werden große Mengen neuer Daten benötigt, und selbst dann ist hohe Genauigkeit nicht garantiert.
Fazit
AI ist ein leistungsstarkes Werkzeug für breit angelegte Aufgaben, aber wenn Sie maximale Präzision in einem Nischenbereichbenötigen, bleiben spezialisierte Erkennungsdienste die beste Wahl.
Benötigen Sie eine auf Ihre Anforderungen zugeschnittene Lösung? Wir entwickeln Erkennungsdienste, die genau so funktionieren, wie Sie es möchten.
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:
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 ShelfMatchTM mit gefälschten Fotos arbeitet, nämlich:
Doppelte Fotos identifiziert und danach sucht
Fotos von schlechter Qualität aus dem gesamten Datenstrom herausfiltert
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 ShelfMatchTM 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, überwelchen 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 ShelfMatchTM 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 ShelfMatchTM ist ein spezielles, eigenständiges Modul für die Bewertung der Fotoqualität zuständig. Die Bildverarbeitung erfolgt in 2 Phasen:
Vorverarbeitung (vor der SKU-Erkennung) und
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. ShelfMatchTM 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.
