La foto de góndola se volvió el dato más barato del punto de venta. Cualquier vendedor o auditor saca diez en una visita, y un modelo de inteligencia artificial puede leerlas en segundos. Lo caro ya no es conseguir el dato. Lo caro es confiar en lo que el modelo dice de la foto y tomar decisiones con eso.
La respuesta corta: hoy una foto bien tomada permite medir frentes por marca, participación en la góndola, quiebres visibles y productos de la competencia en tu espacio. Pero lo que define si ese dato sirve no es tanto el modelo como dos cosas que pasan antes y después: cómo se tomó la foto y cómo se valida el resultado. Si buscas un panorama más general de la IA en el punto de venta, en treid.cl hay un buen punto de partida. Aquí vamos a lo práctico.
En corto
- Una foto panorámica de la góndola completa vale más que diez acercamientos para medir participación.
- Los modelos entrenados con tu catálogo cuentan mejor; los multimodales parten más rápido y describen mejor. Ninguno se usa sin validación.
- Cada número que entrega la IA tiene que poder volver a la foto de la que salió.
Qué puede medir hoy una foto
| Medición | Qué entrega | Dónde se equivoca |
|---|---|---|
| Frentes por marca | Cuántas caras visibles tiene cada marca | Productos apilados, ángulos cerrados, reflejos en visicoolers |
| Participación en góndola | Qué porcentaje del espacio ocupa cada marca | Fotos que no muestran la góndola completa |
| Quiebres visibles | Huecos en el espacio de tu marca | Producto escondido detrás de otro, góndola desordenada |
| Invasores | Productos de la competencia en tu espacio | Si no está definido cuál es tu espacio, no hay contra qué comparar |
| Material POP | Si están las piezas acordadas | Piezas chicas o fuera de cuadro |
| Precio | Lectura de etiquetas | Etiquetas ilegibles, ofertas que tapan el precio normal |
La tabla tiene una lógica: la IA es buena para lo que está a la vista y es estable, como cuánto espacio ocupa cada marca. Le cuesta lo que depende de detalles chicos o de contexto que no está en la imagen.
Dos formas de leer una foto
Hay dos familias de modelos y conviene saber cuál estás usando.
Los modelos entrenados con tu catálogo reconocen cada producto, SKU por SKU, porque aprendieron con miles de fotos etiquetadas de esos productos. Son los más precisos para contar frentes y detectar quiebres. El costo es el entrenamiento y la mantención: cada vez que cambia un envase o entra un producto nuevo, el modelo hay que volver a entrenarlo.
Hay evidencia publicada de lo que logran en terreno. Un sistema descrito en Scientific Reports, desplegado en más de 7.000 tiendas 7-Eleven de Taiwán, llegó a 94,61% de precisión en la detección de productos. Es un buen número, pero es de un modelo entrenado para un catálogo y un formato de tienda específicos, y no se traslada a cualquier góndola.
Los modelos multimodales, los mismos que están detrás de los asistentes de IA que leen imágenes, no necesitan entrenamiento previo. Se les entrega la foto con instrucciones precisas y devuelven, por ejemplo, la participación estimada de cada marca y una descripción de la góndola. Parten en días en vez de meses y entienden contexto, como un pendón doblado o una góndola a medio reponer. A cambio, son menos exactos para contar unidades y la misma foto puede dar resultados levemente distintos en dos análisis.
En Treid-X usamos un modelo multimodal para estimar la participación por marca en la góndola. Funciona bien para lo que lo usamos, que es comparar marcas y ver tendencias por local, y no lo usaríamos para contar unidades exactas de un SKU.
La captura decide más que el modelo
La mayoría de los errores que hemos visto en reconocimiento de imagen no venían del modelo. Venían de la foto. Algunas reglas que aprendimos en terreno:
- Una foto panorámica de la góndola completa, en su propia pregunta del formulario. Para medir participación, el modelo necesita ver todo el espacio de la categoría. Diez acercamientos no suman una góndola. Si el formulario tiene una pregunta exclusiva para la panorámica, el análisis usa solo esa foto; los acercamientos quedan como apoyo para etiquetas y precios.
- Anclar el análisis al identificador de la pregunta, no a su nombre. Los formularios cambian de redacción. Si el sistema busca la foto por el texto de la pregunta, el primer cambio de nombre deja al análisis sin foto.
- Filtrar las fotos que no son fotos. Cuando una pregunta no aplica, hay auditores que suben una imagen en blanco o en negro para poder avanzar. Antes de analizar o mostrar una galería, conviene descartar las imágenes que son casi completamente blancas o negras.
- Una foto por local en cada vista. En una galería de exhibición, la foto más reciente de cada local. Diez fotos del mismo local tapan al resto de la red.
- Juntar las fotos de una misma visita en un solo análisis. Si la góndola salió en dos fotos, analizarlas por separado cuenta dos veces la misma marca.
Cómo saber si el dato es confiable
Antes de gestionar con un número que viene de la IA, hay cinco controles que no deberían faltar:
- Una muestra de control. Cada mes, una persona cuenta a mano un grupo de fotos y se compara con lo que dijo el modelo. Si la diferencia crece, algo cambió: el modelo, los envases o la forma de sacar las fotos.
- Estabilidad. La misma foto analizada dos veces tiene que dar el mismo resultado, o uno muy parecido. Si no, el número de un mes contra otro no se puede comparar.
- Trazabilidad. Cada análisis queda guardado junto a las fotos que lo originaron. En Treid-X es así: si un jefe de zona duda de un número, abre la foto.
- Saltos sospechosos. Un local que pasa de 20% a 70% de participación en un mes casi siempre es una foto distinta, no una góndola distinta. Conviene revisar esos casos antes de publicarlos.
- Análisis guardado por local y por mes. Volver a analizar la misma foto cada vez que alguien abre el panel cuesta plata y puede dar números distintos. El resultado se guarda y se reutiliza, y se vuelve a analizar solo cuando hace falta.
Lo que la foto no ve
La foto muestra el estado de la góndola. No dice por qué está así. Para eso siguen haciendo falta personas:
- La recomendación. Qué marca recomienda el vendedor cuando el cliente pregunta se mide con mystery shopper, no con una foto. Lo contamos en el artículo sobre auditorías de experiencia omnicanal.
- Las razones. Si el pendón no está, la foto lo detecta, pero no sabe si fue por falta de espacio, porque el local no lo quiso o porque se dañó. Esa respuesta la da el auditor, con opciones cerradas para poder contarlas.
- Lo que no está a la vista. El stock en bodega, el quiebre que se repuso una hora antes de la visita y la venta del local.
Cómo partir sin apostar el programa completo
- Elige dos o tres preguntas que la IA tiene que contestar, por ejemplo participación de tu marca y presencia de invasores.
- Ajusta el formulario: una pregunta exclusiva para la foto panorámica y reglas claras de encuadre.
- Corre la IA en paralelo con la auditoría manual durante uno o dos meses.
- Compara los resultados local por local y decide qué preguntas pasan a la IA.
- Mantén siempre una muestra de control humano, aunque sea chica.
La IA no reemplaza al auditor. Lo libera de contar caras para que pueda hacer lo que la foto no puede: preguntar, explicar y corregir en el momento. Y le da al jefe de zona una evidencia que antes no tenía: la foto, al lado del número.