完成6轮融资, Trax想要做零售AI全场景覆盖,认为行业评价标准应多元化

作者:

发布时间:2020-05-21

观看人数:186

全场景、全品类覆盖和综合解决方案或是2020年零售AI行业发展的三个关键词。

 

2020年突如其来的疫情如同催化剂,在给众多实体行业重压的同时,也加速了各行业数字化的转型进程。面对来自互联网电商和社交电商等渠道竞争压力的实体零售便是其中之一。

 

线下零售场景复杂多样,从标准化的大型连锁商超、林立于社区办公区之间的便利店到街坊中的夫妻杂货店,门店中的货架和陈列场景呈差异化趋势,如何通过技术解决不同场景的货架等陈列数据采集并提供精细化营运分析,这是当前想要把AI图像识别技术落地并推广到全实体零售场景的厂商的关注点。

 

全球零售AI 图像识别独角兽 Trax就是该赛道的头部玩家,公司主要通过计算机视觉、机器学习、物联网(IoT)平台以及海量货架和商品数据为品牌商及零售商提供实时可靠的数据服务和分析解决方案。「Trax」成立于2010年、研发中心位于以色列和中国,于2018年年初正式宣布进入中国市场。具体来说,Trax 目前业务覆盖80多个市场,业务营收主要来源于欧美等发达国家市场,拥有70%的市场占有率;同时,不少知名CPG公司是Trax的客户。尽管Trax2018年才正式进军中国市场,但目前在国内已有50-60个客户,全球数据库中积累的商品超过120亿。此前,Trax共完成6轮融资,并陆续有对外投资的动作:比如20196月,Trax 宣布收购中国 AI 众包服务商朗镜科技,于20197月宣布收购了欧洲图像识别公司Planorama,今年3月又收购了零售动销服务公司Survey.com等,以提升自己提供全方位服务的能力。

 

近日,Trax发布《全场景零售AI白皮书》,为了进一步了解零售AI行业的发展业态,36氪采访了Trax大中华区总裁汤劲武先生。

 

全场景零售AI新闻稿配图.jpg


汤劲武认为,除了市场存在需求之外,零售AI之所以有落地的可能性和未来增长空间主要在于两点:第一是目前应用于实体零售场景的计算机视觉算法已经可以和人类识别商品行为齐平,达到了快速、准确识别商品和采集数据的标准。举例来说,Trax目前的应用案例中,有80-90%的零售场景可以通过深度学习完成,表现水平基本等同于人的标准。第二,行业发展的可行性还与AI系统的生产效率有关。AI需要通过收集零售产品数据,利用深度学习算法训练可复用的通用性模型,这都会产生一定成本,算法应用是否能提高效率、产生足够的效益,也是影响行业能否持续发展的因素之一。据Trax介绍,目前该行业的技术水平已经成熟,可进入大规模推广阶段。

 

作为一家目前主要市场在欧美、逐步扩大中国市场布局的全球公司,Trax对国内外零售AI行业的差异有比较清晰的认知。汤劲武认为,中国与欧美市场的不同点主要体现在以下三个方面:

 

第一,中国市场环境、陈列场景更复杂。据公司透露,中国目前有大概600万家的小业态零售店,而美国的更多的是标准化营业场景;零售陈列方面,中国与印度市场的情况更为类似,小店存在货架混陈、多品类交叉摆放、场景复杂等挑战。根据Trax提供的资料显示,全国零售业态中传统食杂店占了68%以上,而与欧美市场主要渠道类似的大卖场仅占不足1%。第二,相较欧美市场,中国网上电商零售发展早。但实体零售体系发展较晚,数字化、智能化渗透率在实体门店相对较低。第三,本土市场玩家数量更多,竞争更为激烈。

 

配图02.png

配图03.png



国内同赛道的一些玩家会通过切入某几个品类的头部客户来作为进入市场、建构自身竞争力的打法,相对来说,被称为独角兽的Trax认为自己的行业上的优势一方面得益于其10年的行业耕耘经验,帮助Trax在国际和中国市场获得一定的品牌效应和客户认可度,能够提供稳定的服务。另一方面得益于对中国市场的深度理解而提供的独有解决方案,如提供小店场景自动识别和分割,及大店场景全景拼接。

 

另外,从底层技术上来说,各家服务商的场景都是使用深度学习,通过零售产品数据训练算法,从而实现产品的自动识别;仅有少量场景运用到强化学习。虽然行业底层技术相同,但技术门槛依然存在,算法本身和积累的训练数据量决定了各家提供的服务的差异性。但是算法是否能够完整、准确采集到颗粒度足够的零售数据,只是该赛道玩家的第一步。

 

关于识别产品准确率的问题,汤劲武认为比较公允的判断标准是“机器的识别能力是否能达到人眼识别水平”,如果AI表现已达这个水准,那么应有更多元的标准来参与系统或解决方案的评定,这也是同赛道玩家能否打出差异化的一个关键点。因此,对于这类行业玩家来说,更重要的是后续是否能够深度结合应用场景。

 

公司提供的资料显示,饮料、食品、牛奶等快消品80%的零售业务都集中在线下的小型超市和传统零售店;Trax还介绍说,货架陈列对实体零售贡献占比近半,而剩下50%的来源于二次陈列,如端架、地堆、箱堆等也亟需数字化。全场景覆盖就是行业结合应用场景发展的一个趋势。

 

配图04.png


行业玩家在做全场景覆盖时,尤其是针对复杂的小店场景提出解决方案时,主要需要解决两个问题:第一是小店空间小,陈列场景复杂,每个区域都有不同的陈列标准,货架、割箱各不一致;第二是照片去重。由于小店布局不规整、空间逼仄、需要通过自动识别和分割技术来获得每个场景的完整的图像,通过图像相似度检测来查找重复照片。

 

Trax为例,公司拥有一套自主研发的零售产品图像识别引擎,其Argus识别平台从图像智能采集、图像识别、检测、分割技术及数据标注平台和GPU计算资源6大层面实现AI自动化落地,通过Argus识别平台利用机器来代替人工看图填数,以前人工需要几十分钟甚至几个小时完成的信息收集工作现在只需要1-2分钟就可以完成,并且达到更高的精度。比如,全场景零售AI解决方案可取代人工录入数据和审查图片的方式,提升门店的拜访效率。Trax介绍说,在该解决方案下,门店拜访效率可提升3-5倍。除此之外,Trax还提供众包服务,将门店稽查下沉到三四线甚至农村的小门店。

 

现阶段,TraxSaaS形式交付产品,以用量收费为主要收费方案,同时依据客户的个性化需求进行定制化开发。这样收费模式的好处是,不需要客户一次性投入非常多的资本,可降低客户ROI的风险。

 

在零售AI行业竞争逐步白热化的2020年,Trax给公司定位了3个主要发展方向,并认为这可能也是行业未来发展的方向:第一,全品类策略,即品类化的落地方案。现阶段,Trax在日化类、啤酒类、饮料类、食品类、母婴类、OTC类和洋酒类产品上基本实现全面覆盖。第二,全场景覆盖。上述提到,货架陈列对一个门店销售额的贡献率占50%,剩下的50%二次陈列及特殊陈列场景也需要进行数字化。目前来说,Trax主要有两套解决方案,一个是通过在货架安装固定摄像头解决方案,帮助零售商对货架产品信息做监测分析,同时获得的数据也可以反馈给品牌方做参考;另一个是暂未完全落地的机器人巡检,本质是将货架商品信息数字化,但机器人应用ROI和大范围推广有难度,因此,Trax认为,在货架数字智能化这一领域,未来的主要解决方案依然是固定摄像头。第三,为客户提供一套完整清晰的AI落地的流程和机制,包括如何操作和验证收益。

 

汤劲武认为,疫情“黑天鹅”事件后,行业总体呈现趋势是:资本市场更加谨慎,也意味着,客户在选择服务商时,会偏向于追求服务的稳定性和安全性,更关注投资回报率。