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.