{"id":1730,"date":"2025-04-10T18:59:41","date_gmt":"2025-04-10T15:59:41","guid":{"rendered":"http:\/\/shelfmatch.com\/de\/?p=1730"},"modified":"2026-08-18T19:25:44","modified_gmt":"2026-08-18T16:25:44","slug":"wie-man-betrug-im-digitalen-merchandising-bekaempft-nutzung-von-ai-expertise-teil-2","status":"publish","type":"post","link":"https:\/\/shelfmatch.com\/de\/wie-man-betrug-im-digitalen-merchandising-bekaempft-nutzung-von-ai-expertise-teil-2\/","title":{"rendered":"Wie man Betrug im digitalen Merchandising bek\u00e4mpft: Nutzung von AI-Expertise. Teil 2"},"content":{"rendered":"\n

3) Erkennung von Fotos, die von Bildschirmen oder anderen Fotos erneut aufgenommen wurden<\/strong><\/h3>\n\n\n\n

Bei dieser Art von Betrug fotografiert ein Merchandiser nicht eine tats\u00e4chliche Produktplatzierung in einem Gesch\u00e4ft, sondern ein Bild der gew\u00fcnschten Produktplatzierung (ein Foto von einem Foto). Der Merchandiser verwendet dieselben Datenbanken mit Bildern der \u201ekorrekten\u201c Produktplatzierung wie in Abschnitt 1<\/strong>. Typischerweise verwendet der Mitarbeiter zwei Ger\u00e4te \u2013 ein privates und ein Unternehmensger\u00e4t. Er \u00f6ffnet das Bild der Zielplatzierung auf seinem privaten Ger\u00e4t, fotografiert es dann mit dem Unternehmensger\u00e4t erneut ab und l\u00e4dt es zur \u201e\u00dcberpr\u00fcfung\u201c in das System hoch.<\/p>\n\n\n\n

W\u00e4hrend vom Bildschirm aufgenommene Fotos fr\u00fcher leicht zu erkennen waren, haben Fortschritte bei der Display-Sch\u00e4rfe und der Qualit\u00e4t von Smartphone-Kameras die Erkennung erheblich erschwert.<\/p>\n\n\n\n

Eine weitere Quelle hochwertiger Bilder k\u00f6nnen gedruckte Merchandising-Richtlinien (Merch Books) sein, die ideale Produktplatzierungen zeigen. Unserer Erfahrung nach waren solche F\u00e4lle selten, aber diese Methode existiert \u2013 auch wenn sie auf den ersten Blick etwas absurd wirkt. Hier fotografiert ein Mitarbeiter ein gedrucktes Bild und l\u00e4dt es anstelle eines echten Regalfotos hoch. Wir sind sogar F\u00e4llen begegnet, in denen Merchandiser Screenshots aus digitalen Merch Books erstellt und diese eingereicht haben.<\/p>\n\n\n\n

So begegnen wir diesem Betrug<\/strong><\/h3>\n\n\n\n

Unsere ersten Versuche, unser System darauf zu trainieren, diese Art von Betrug zu erkennen, liegen mehrere Jahre zur\u00fcck. 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 \u2013 wodurch die Betrugserkennung vergleichsweise einfach war.<\/p>\n\n\n\n

Mit der Weiterentwicklung der Technologie wurden Merchandiser jedoch kreativer, und die Kunden von ShelfMatch\u2122 wurden gr\u00f6\u00dfer und anspruchsvoller. Der bisherige \u201eBrute-Force\u201c-Trainingsansatz lieferte nicht mehr die erforderliche hohe Genauigkeit.<\/p>\n\n\n\n

Das Hauptproblem bei einem unserer gr\u00f6\u00dften Kunden war eine hohe Falsch-Positiv-Rate<\/strong>. W\u00e4hrend unser neuronales Netzwerk manipulierte Bilder hervorragend erkannte, stufte es auch h\u00e4ufig legitime Fotos als betr\u00fcgerisch ein. Wir stellten fest, dass unsere Genauigkeit bei der Erkennung von F\u00e4lschungen lediglich bei 60%<\/strong>.<\/p>\n\n\n\n

Da unser Kunde Betrug nicht nur erkennen, sondern auch nachl\u00e4ssige Mitarbeiter sanktionieren<\/strong>wollte, war eine nahezu perfekte Genauigkeit entscheidend. Obwohl 100% Pr\u00e4zision bei realen Daten nicht erreichbar ist, mussten wir dem so nahe wie m\u00f6glich kommen.<\/p>\n\n\n\n

Unsere L\u00f6sung<\/strong><\/h3>\n\n\n\n

Wir recherchierten in der wissenschaftlichen Literatur und untersuchten verschiedene Ans\u00e4tze zur Verbesserung der Erkennung.<\/p>\n\n\n\n

Nach der Analyse des Problems erg\u00e4nzten wir unseren Datensatz um externe Datens\u00e4tze aus \u00e4hnlichen Bereichen:<\/p>\n\n\n\n