覆盖近 20,000 家美国门店的 AI 货架分析实践

某全球消费品企业将每月超过 100 万张门店图像转化为真实陈列图、陈列合规数据和品类管理依据,建立覆盖全美的货架数字化运营体系。

概览

从分散的门店照片,升级为覆盖全国的货架执行视图。

某全球消费品企业需要在美国多个零售渠道中,持续衡量商品在架、排面份额、货架位置和陈列图执行情况。扩博智能 将全景图像重构、SKU 级识别与真实陈列图对比整合到同一套货架分析流程中,让总部可以从门店照片直接获得可执行的品类管理数据。

市场范围
美国 50 个州
门店覆盖
近 20,000 家
商品规模
11 大品类、1,500+ SKU
数据规模
每月 100 万+ 张图像
60 万+年度数字化货架审计
10 倍+审计覆盖增长
65% → 87%+陈列合规率
100 万+月度图像处理量

客户与业务背景

客户是一家全球领先的多品类消费品企业,在北美经营覆盖织物洗护、家居清洁、母婴护理、剃须理容、口腔护理、洗发护发等 11 大核心品类的品牌矩阵。不同品类拥有各自的核心必售商品、价格带、陈列逻辑和竞争格局,总部不仅要知道“商品有没有出现”,还要持续衡量品牌区块是否完整、排面投入是否兑现,以及重点新品能否进入预定层位。

项目覆盖全美 50 个州近 20,000 家大型超级购物中心、连锁药房和折扣零售门店。现场执行同时依赖多家第三方零售经纪团队、专职巡查人员和后续建立的企业内部团队。每月超过 100 万张图像需要被稳定处理,并沉淀为总部品类管理、供应链协调和年度渠道谈判可以直接使用的数据。

这意味着项目不能停留在一次性的图像识别演示。客户需要的是一套能够跨渠道、跨团队和跨年度运行的货架分析基础设施:前端采集足够简单,算法可以应对 15 至 20 米长货架,结果可以接入总部工作流,模型和业务规则还能随新品与陈列策略持续更新。

业务挑战

超长货架无法通过单张照片完整记录

美国大型零售门店的连续货架通常长达 15 至 20 米。一线巡查人员需要分段拍摄 10 至 15 张存在重叠的照片。拍摄角度、步进距离和光照差异容易造成拼接重影、商品重复计算或排面漏识,难以形成可靠的整组货架记录。

多个执行团队带来不一致的数据质量

项目同时涉及第三方零售经纪团队、专职稽查团队,以及后续建立的企业内部执行团队。不同组织的人员流动、拍摄方式和作业标准存在差异。面对每月超过 100 万张图像,人工复核无法兼顾成本、速度和一致性,也容易引发执行结果争议。

总部缺少真实陈列与设计蓝图之间的客观对比

总部制定的陈列图明确了理想货架结构,但实际门店执行偏差可能超过 30%。没有全国范围的真实陈列图,品类团队无法系统识别核心必售品缺失、商品层位错误、竞品穿插和陈列协议未落实等问题。

解决方案

将多张照片重构为一张连续数字货架图

实施时间线

2019–2020

算法研发与试点

在 500 家试点门店验证全景拼接和超长货架几何矫正能力。

2021

核心渠道全面推广

项目扩展至美国主要仓储零售、连锁药房和折扣零售渠道。

2022–2023

支持企业自建执行团队

系统配合客户从外部采集向内部专业团队转型,缩短门店反馈链路。

2024–2026

融入品类管理决策

真实陈列图逐步成为陈列评估、供应链协同和零售商沟通的常态化数据输入。

从“识别单张照片”升级为“重建完整货架”

该项目的核心并不是在一张照片中框出商品,而是把 10 至 15 张不同角度、不同距离的现场照片还原为同一组连续货架。扩博智能通过货架立柱、层板和商品边缘建立稳定的空间锚点,在完成透视矫正和色差校准后,再进行跨图像去重与排面计算。这样才能避免同一商品在重叠区域被计算两次,也能保留传统单图识别容易丢失的货架上下文。

将识别结果转换为品类团队能使用的真实陈列图

识别结果会进一步映射为结构化真实陈列图,而不是停留在商品框和置信度。系统把 SKU、排面、层位、品牌区块、竞品穿插和排面份额组织成可比较的数据结构,再与总部标准陈列图进行规则级对照。品类经理看到的不只是“识别了多少商品”,而是哪些门店偏离了陈列策略、偏离发生在哪里,以及需要由哪个团队处理。

在百万级月度图像量下保持可运营性

扩博智能将自动识别、质量控制和异常复核分层处理,让人工精力集中在遮挡、严重畸变和争议结果上。多组织权限、批量数据处理和统一指标口径,使第三方经纪团队、内部执行团队与总部能够在同一体系中协同,而不需要为每个组织维护一套独立报表。

基于角色的权限体系和渠道看板,让第三方执行团队、稽查团队、品类事业部和总部在同一数据平台中协作,同时仅查看与自身职责相关的门店和指标。

从试点到全国运营的交付衔接

项目从 500 家门店开始,不是为了单独证明一个准确率数字,而是同时验证拍摄规范、全景拼接、SKU 库、陈列规则和总部报表之间能否形成闭环。试点阶段形成的采集指导和异常样本进入模型训练,降低后续全国推广时不同人员拍摄习惯带来的波动。

全国推广后,扩博团队继续承接商品库维护、模型迭代、规则更新和异常复核。随着客户从第三方采集逐步转向自建专业团队,系统没有重新另起一套流程,而是沿用相同的数据模型和看板权限,平滑调整任务归属与组织角色。后续真实陈列图进一步接入品类管理和货架设计流程,使早期的巡店工具自然演进为长期货架数据资产。

业务成果

年度数字化货架审计超过 60 万次

年度审计覆盖从传统人工抽查的不足 5 万次,提升至超过 60 万次数字化货架审计。系统每月处理超过 100 万张图像,覆盖全美近 20,000 家门店,为总部建立一致的全国执行视图。

陈列合规率提升 22 个百分点

重点陈列原则的执行率从项目初期的 65% 提升至 87% 以上。系统可以定位到具体门店、货架、层位和商品,让一线团队针对真实异常进行整改。

客观货架数据增强渠道谈判依据

全美维度的排面份额和陈列合规证据,让品牌方可以将零售协议与实际门店执行进行对照。在部分未达到约定标准的场景中,这些数据支持企业追回数百万美元的陈列费用调整。

运营价值

真实陈列图从一次性稽查结果,转变为持续运营的货架数据资产。

项目将一线采集、商品识别、陈列合规和品类决策连接到同一条数据链路中。联系 扩博智能,了解如何在复杂零售渠道中规模化部署货架分析。