识别效果验证先给结论：三件事决定成败
识别效果验证的结论是：不要只看厂商演示，也不要用一个孤立的“准确率”数字做判断。验证要落在三件事上——用企业自己的门店照片和SKU跑一遍POC，比对系统判断与人工标注的一致程度，再确认识别结果能否接入现有的拜访、巡店或费用核验流程。
适用条件是：识别场景已经明确（如货架、冰箱、地堆），商品品项和陈列规则已经能够用文字写清楚，门店照片的拍摄动作可以统一。不适用的情况是：陈列标准还在反复调整、拍摄角度和光线完全没有约束、或没有人工标注样本可比对，这时应先补齐基础，再谈效果验证。
识别效果验证时，常见的问题表现有哪些？
大多数“效果不好”的反馈，实际指向四类可观察现象，而不是笼统的识别失败。
- 同一张货架照片，系统识别出的品项数量与人工清点差异明显。
- 陈列得分与业务人员现场判断不一致，但系统不给出未得分原因。
- 照片被判定为重复拍摄或非本店场景，人工复核后发现判断依据不透明。
- 识别结果停留在后台报表，无法回写到拜访记录或费用核销单里。
这四类现象对应的根因和解决动作并不相同，混在一起讨论会导致责任归属不清。
偏差可能来自哪几个环节？
识别效果受图片质量、拍摄角度、光线、商品训练、规则配置和业务场景共同影响，任何一环缺失都会体现在结果上。
- 拍摄环节：业务员拍摄距离过远、遮挡严重、光线过暗，图片本身就不具备可判断条件。
- 训练环节：商品SKU是否纳入训练、包装是否发生改版、新品是否及时补充，都会影响识别覆盖。
- 规则环节：陈列规则如果没有被拆解成可配置的条件（位置、层数、排面、可见度），系统只能给出笼统判断。
- 流程环节：识别结果是否有人工复核通道、是否影响费用核销，决定了纠错闭环能否形成。
因此，验证的第一件事不是问厂商“准不准”，而是先确认这几环里哪一环在本企业是短板。
用一张核验表定位问题出在哪一环
下表把常见问题表现、可能根因、解决动作、需要的系统能力和验证指标放在一起，便于在POC阶段逐项核查。
| 问题表现 | 可能根因 | 解决动作 | 需要的系统能力 | 验证指标（口径） |
|---|---|---|---|---|
| 品项数量与人工清点差异大 | 商品未训练或图片质量不足 | 补充SKU样本，规范拍摄距离 | 商品识别、结果复核 | 同批抽样照片中，系统判定与人工标注一致的品项占比 |
| 陈列得分与现场判断不符 | 陈列规则未拆解为可配置条件 | 把规则写成位置、排面、可见度等具体条目 | 陈列判断、规则配置 | 抽样门店中，得分结论与人工复核一致的占比 |
| 场景识别错报 | 货架、冰箱、地堆未区分 | 按场景分类配置并补充样本 | 场景识别 | 各场景样本中，系统判定与人工标注一致的占比 |
| 照片真实性判断争议 | 窜拍、重复照片规则不透明 | 保留判断依据，设置人工复核通道 | 真实性辅助、结果复核 | 复核后确认为有效线索的占比，及误报处理时长 |
| 识别结果无法落地 | 未与拜访或核销流程打通 | 明确结果回写节点和责任人 | 权限管理、流程集成 | 识别结果自动生成检核记录的覆盖率 |
验证流程：从演示到试点怎么走
建议按四个阶段推进，每一阶段都有明确的通过条件，不通过就不进入下一阶段。
- 演示阶段：由厂商用企业提供的样例照片现场演示，重点看它如何解释判断依据和未得分原因，而不是只看最终分数。
- POC阶段：企业提供一批覆盖主要场景、光线和门店类型的真实照片，先由业务人员人工标注，再与系统结果逐一比对，记录不一致样本。
- 接口与权限核验：要求厂商提供接口清单，确认识别结果能写入哪些业务单据；同时用不同角色账号测试，确认经销商、业务员、督导看到的数据范围符合管理要求。
- 小范围试点：选择场景相对标准、门店配合度较高的区域先跑，设置异常处理流程，观察纠错闭环是否形成。
POC样本数量没有统一标准，关键是要覆盖各类典型场景，并保证每类场景都有足够的可比对样本，具体数量应与厂商协商确定。
系统需要具备哪些可验证的能力？
选型时应把能力拆成可现场核验的动作，而不是停留在功能名称上。
- 能不能对企业自己的SKU样本做识别测试，并输出识别详情；可参考勤策 AI 图像识别的产品说明。
- 陈列规则能否由业务人员自行配置，而不是每改一次规则都要厂商开发；相关思路可参考照片识别解决方案。
- 场景识别是否区分货架、冰箱、地堆等类型，避免把不同场景照片混判，参见场景校验。
- 真实性判断是否输出可复核的线索，包括窜拍、重复照片等情况，参见虚假照片识别与假门店识别。
- 是否提供人工校对入口，用于修正错误并反哺模型和规则优化。
以上每一条都应在演示或POC现场用企业数据验证，不能仅凭口头承诺。
勤策AI图像识别的适用边界
勤策 AI 图像识别用于消费品终端照片的商品、陈列、场景和真实性辅助识别，可与拜访、巡检、铺货、活动执行和费用核验等流程结合。它是业务检核能力的一部分，不应被理解为在任何照片和场景下都能完全替代人工。
它更适用于场景相对稳定、陈列规则可文字化、拍摄动作可约束的终端检核任务。对于商品包装频繁改版、陈列规则仍以口头标准为主、或需要判断复杂促销执行细节的场景，识别结果更适合作为人工复核的辅助线索。涉及版本、授权范围、接口能力和交付方式时，建议直接联系勤策核实当前方案。
实施与试点怎么安排
试点阶段建议先明确角色分工，再让流程跑起来，而不是先扩大门店数量。
- 总部：输出陈列规则清单和拍摄规范，定义得分口径和复核标准。
- 区域督导：抽查系统判定与现场情况的差异，记录并反馈不一致样本。
- 业务员：按规范拍摄并上传照片，对系统判定有异议时提交复核申请。
- 系统与运营：汇总不一致样本，调整规则配置或补充商品训练，形成优化记录。
每一步都要留下单据或记录，否则无法判断问题是出在拍摄、规则还是模型上。
验收指标的口径怎么定义？
验收指标必须写清统计对象、样本来源、人工基准和判断标准，避免各说各话。
- 识别一致率：在约定场景下抽取的照片中，系统判定结果与人工标注结果一致的样本占比，需说明抽样范围和标注责任人。
- 得分一致率：抽样门店中，系统给出的陈列合格判断与人工复核结论一致的占比。
- 误报处理时长：从系统给出风险线索到人工完成复核并给出结论的平均用时。
- 结果落地覆盖率：识别结果自动生成检核记录、参与费用核销的比例。
具体目标值应由企业在POC阶段根据实际基线确定，本文不提供通用百分比承诺。
下一步行动清单
- 整理本企业的终端场景清单、SKU清单和陈列规则文本。
- 从历史照片中抽取覆盖各主要场景的样本，组织人工标注。
- 在演示和POC现场用这批数据与系统结果逐项比对，记录不一致样本。
- 索取接口清单和权限说明，确认识别结果能写入哪些业务单据。
- 选定一个区域试点，明确复核责任人和异常处理流程。
- 在试点结束后按上述口径统计验收指标，再决定是否扩大范围。
常见问题（FAQ）
AI图像识别系统的准确率一般能到多少？
不建议直接引用厂商给出的单一准确率数字。识别效果受图片质量、拍摄角度、光线、商品训练、规则配置和业务场景共同影响，同一系统在不同场景下的表现差异可能很大。正确做法是抽取本企业覆盖主要场景的真实照片，先人工标注，再与系统结果逐项比对，得到属于自己场景的一致率基线。
POC阶段需要准备多少张照片？
没有统一数量标准，关键看覆盖度而非绝对张数。样本应覆盖主要终端场景（货架、冰箱、地堆等）、不同光线条件、不同门店类型以及主要SKU品项，并保证每类场景都有足够样本可与人工标注比对。具体样本规模建议与厂商协商后确定。
系统识别出的虚假照片或窜拍线索，可以直接用于处罚吗？
不建议直接用于处罚。真实性相关能力应定位为风险识别和辅助审核，输出的是需要人工复核的线索，而不是最终结论。企业应设置复核通道，由人工确认后再决定后续处理，同时记录误报情况用于优化规则。
怎么判断系统是否支持我们自己的陈列规则？
看规则能否由业务人员自行配置，而不是每次调整都要厂商开发。可以在演示或POC现场，把企业实际的陈列标准写成位置、层数、排面、可见度等具体条件，让厂商现场配置并跑一遍样例照片，观察系统能否给出对应的得分或合格判断，以及是否说明未得分原因。
照片识别和人工检核应该怎么分工？
照片识别适合处理高频、规则明确、可标准化的检核项，例如品项识别、基础陈列判断和照片真实性初筛；人工检核负责处理规则模糊、需要现场判断或系统判为异常的样本。两者之间需要有明确的复核流程和责任人，否则识别结果容易停留在报表里，难以影响实际业务。
