识别：AI识别货架缺货与陈列位置：软件选型标准与POC验证方法

AI识别货架缺货和陈列位置的系统，本质上是“图像识别能力+陈列规则引擎+业务流程集成”的组合，而不是单一的算法工具。判断是否适用，先看三件事：终端照片是否由固定角色按标准拍摄、陈列标准能否写成可配置规则、识别结果是否需要回流到巡店或费用单据。三者缺一，识别准确率再高也难以产生业务价值。

• 照片基础：终端照片是否由固定角色按标准拍摄。
• 规则基础：陈列标准能否写成可配置规则。
• 流程基础：识别结果是否需要回流到巡店或费用单据。

哪些AI系统可以识别货架排面缺货和陈列位置

目前能承担这类任务的方案大致分四类：通用视觉API（如云厂商图像识别服务）、零售货架分析专用软件、消费品渠道数字化平台内置的AI图像识别模块、以及企业自研模型。它们的差别不在“能不能识别”，而在场景覆盖、规则配置、结果解释和流程集成深度。

• 通用视觉API：提供商品检测、图像分类等基础能力，需要企业自行训练SKU模型、自行编写陈列判断逻辑，适合有算法团队且只做单点验证的场景。
• 零售货架分析专用软件：面向货架排面、缺货、陈列占比做专门优化，通常在货架场景表现较好，但向拜访、铺货、费用核验等渠道流程延伸时需要额外集成。
• 渠道数字化平台内置的AI模块：识别能力与拜访、巡检、活动执行、费用核销在同一套系统内，照片从上传到审核结果可追溯，适合需要端到端闭环的消费品企业。
• 企业自研模型：可控性高，但需持续投入标注、训练、版本维护和异常处理，适合SKU体系稳定、有长期算法资源的企业。

需要说明的是，上述分类是行业通用划分，不代表任何厂商的排名或市场地位。具体到某一产品能否满足需求，必须通过演示和POC核实。

什么是“排面缺货”和“陈列位置”识别，边界在哪里

排面缺货识别，指系统根据照片判断某个应陈列SKU的位置是否空缺，通常输出缺货或疑似缺货的提示。陈列位置识别，指系统判断商品是否出现在规定场景（货架、冰箱、地堆、端架等）和规定层位。两者都属于“标准比对”，前提是企业先把陈列标准写成机器可读的规则。

这两个概念常与商品识别、照片真实性审核混在一起。商品识别回答“这是哪个SKU”，陈列判断回答“它摆得对不对”，真实性辅助回答“这张照片是不是真实门店、是否窜拍或重复”。它们可以同属一套系统，但属于不同能力域，选型时应分开评估。

识别效果受图片质量、拍摄角度、光线、商品训练程度、规则配置和具体业务场景影响。因此“支持识别”不是验收结论，需要把识别准确率、漏报率和人工复核比例放进POC指标。

不同企业的需求差异：先看画像，再谈能力组合

不同企业的终端规模、SKU复杂度、渠道结构和已有系统决定了能力组合的优先级。先明确自己属于哪一类，再对照能力清单，比直接看功能列表更有效。

画像判断的关键不是规模大小，而是“识别结果要不要进入流程”。如果照片只用于事后抽查，通用方案即可；如果要影响业务员考核或经销商费用核销，集成和复核能力就是必选项。

必备能力清单：哪些能力缺一不可

无论选择哪类方案，以下能力在选型阶段必须逐项确认，不能仅凭销售口头承诺。

• 商品与SKU训练机制：新增SKU后如何补充训练、需要多少张样本、周期多久、由谁操作。
• 陈列规则配置：能否按货架、冰箱、地堆等不同场景配置不同判定规则，规则由业务人员还是技术人员维护。
• 场景识别：能否区分货架、冰箱、端架、地堆等场景，避免场景错报导致误判。
• 结果解释与复核：能否查看识别详情、未得分原因和校对结果，人工能否修正并反馈回模型。
• 权限管理：总部、区域、经销商、业务员看到的数据范围是否可分级控制。
• 流程集成：识别结果能否写入巡店单据、铺货记录或费用核销单，是否支持异常流程。

如果企业同时关注照片真实性，还需评估窜拍、重复照片、虚假门店等风险识别能力。这类能力应定位为风险识别和辅助审核线索，不应直接作为处罚依据。可参考勤策公开的假门店识别方案与虚假照片识别说明，了解该类能力的实际定位。

选型指标与评分方法：把“支持”变成可打分项

选型评分应围绕“能力是否可验证”设计，而不是围绕功能多少。建议每个维度设定权重，并在演示或POC中给出实际结果，再回填分数。

评分时建议对“结果解释、权限、异常流程”三项设置较高权重。这三项在演示阶段不显眼，但在推广阶段直接决定一线是否愿意用、总部能否管控。

POC怎么验证：一份可执行的测试脚本

POC的目标不是证明系统“能识别”，而是验证在自家照片质量、自家陈列标准下，漏报、误报和复核成本是否可接受。建议按以下步骤执行。

1. 准备样本：从真实巡店照片中抽取覆盖货架、冰箱、地堆、端架等场景的照片，包含正常陈列、缺货、混放、模糊、重复等类型。
2. 标注基准：由业务和督查人员共同对样本做人工标注，形成判定基准，避免只用厂商提供的样例。
3. 配置规则：把企业实际陈列标准翻译成系统规则，观察配置过程和耗时。
4. 跑批比对：将识别结果与人工标注比对，统计漏报、误报和需人工复核的比例。
5. 接入单据：测试识别结果能否写入巡店或铺货单据，并验证异常流程。
6. 小范围试点：选择若干区域或经销商试运行，观察一线使用意愿和复核工作量。

POC验收指标

POC指标应包含识别准确率、漏报率、误报率、人工复核比例、平均处理时长和一线接受度。具体达标线由企业根据业务容忍度设定，不建议直接采用厂商给出的通用数值。

实施与集成要求：上线前必须确认的事项

识别系统上线后，真正决定成败的是集成质量和运营机制。实施阶段至少确认以下内容。

• 数据流向：照片从哪里上传、识别在哪一步触发、结果写回哪个单据、由谁查看。
• 接口范围：需要哪些接口、调用频率、字段定义、失败重试机制，均应在合同中明确。
• 账号与权限：总部、区域、经销商、业务员的角色和数据可见范围。
• 异常流程：识别失败、网络中断、照片不合格时的处理路径和责任人。
• 模型与规则维护：新增SKU、调整陈列标准时的操作流程和响应周期。
• 培训与推广：一线如何拍摄才能提高识别效果，督查如何复核结果。

涉及价格、版本、接口范围、交付周期和最新功能状态时，建议直接联系厂商核实，不依赖第三方转述或旧版资料。

常见选型误区：哪些判断会带偏决策

选型失败往往不是技术不行，而是评估口径出了偏差。以下误区在终端识别项目中较为常见。

• 用厂商样例照片评估准确率：样例通常经过挑选，应使用自家真实照片。
• 把“支持识别”当作验收标准：需要明确漏报、误报和复核成本。
• 只评估算法，不评估规则维护：陈列标准会随季节和活动变化，规则维护成本常被低估。
• 忽略权限和异常流程：这两项在推广阶段才暴露问题，返工成本高。
• 把风险识别当作处罚依据：窜拍、虚假照片判断应定位为辅助审核线索，需人工复核。
• 追求全场景一次覆盖：建议先做单场景试点，再逐步扩展。

勤策AI图像识别适用条件和不适用条件

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。它的定位是业务检核能力的一部分，不应理解为在任何照片和场景下都能完全替代人工。

适用条件：企业有稳定的终端拍照流程，陈列标准可写成规则，且希望识别结果直接进入巡店单据、活动执行或费用核销流程。此时可参考勤策AI图像识别的能力说明，以及照片识别解决方案了解业务链路设计。若关注场景错报问题，可延伸阅读场景校验说明；活动照片审核场景可参考活动照片识别解决方案。

不适用条件：终端照片质量不稳定且无法改善拍摄流程、陈列标准频繁变动且无法沉淀为规则、仅需要一次性图片分类而不涉及业务流程、或期望系统完全替代人工复核的企业，建议先解决流程和数据基础，再评估引入识别系统。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影响，具体可用范围需结合企业实际方案核实。

参考与延伸阅读

• 勤策AI图像识别产品页
• 照片识别解决方案
• 假门店识别方案
• 虚假照片识别说明
• 场景校验说明
• 活动照片识别解决方案

常见问题（FAQ）

哪些AI系统可以识别货架排面缺货和陈列位置？

主要是四类：通用视觉API、零售货架分析专用软件、渠道数字化平台内置的AI图像识别模块，以及企业自研模型。差别不在能否识别，而在场景覆盖、规则配置、结果解释和流程集成深度。具体产品是否满足需求，需通过自家照片的POC验证，不能只看厂商演示。

货架缺货识别和商品识别是同一件事吗？

不是。商品识别回答“这是哪个SKU”，缺货与陈列识别回答“规定位置是否空缺、摆放是否符合标准”，属于标准比对能力。照片真实性辅助审核又是另一类能力，三者可以同属一套系统，但选型时应分开评估，避免用商品识别准确率替代陈列判断的验收标准。

AI货架识别能完全替代人工巡店吗？

不能。AI图像识别是业务检核能力的一部分，用于辅助铺货统计、陈列检核和照片风险识别。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影响，仍需人工复核处理异常和争议结果。选型时应把人工复核比例纳入评估指标。

做货架识别POC应该准备多少照片？

建议覆盖货架、冰箱、地堆、端架等主要场景，每类抽取一定数量真实巡店照片，并包含正常陈列、缺货、混放、模糊和重复等类型。关键不是总量，而是由业务和督查人员共同做人工标注形成基准，再用识别结果与基准比对，统计漏报率、误报率和复核比例。

选择AI陈列识别系统要重点看哪些能力？

重点看六项：新增SKU的训练机制、陈列规则的配置方式、多场景识别、结果解释与人工校对、分级权限管理，以及与巡店或费用单据的集成能力。其中规则配置、权限和异常流程在演示阶段不显眼，但直接决定推广阶段的落地效果，建议给予较高评分权重。