Kekosongan stok di rak toko dapat dideteksi secara otomatis menggunakan AI dan teknologi computer vision. Sistem ini menganalisis gambar atau video rak untuk mengenali produk yang tersedia, menemukan posisi produk yang kosong, dan mengidentifikasi ketidaksesuaian antara kondisi aktual dengan susunan produk yang seharusnya.
Salah satu pendekatan yang praktis adalah menggunakan kamera smartphone. Staf toko cukup merekam rak melalui aplikasi, kemudian AI menganalisis hasil pemindaian untuk menemukan produk yang tidak tersedia, salah penempatan, atau tidak sesuai dengan planogram. Pendekatan ini tidak membutuhkan pemasangan kamera permanen di setiap lorong toko.
Namun, ada satu hal penting yang perlu dipahami: stok kosong di rak tidak selalu berarti stok produk benar-benar habis di toko. Produk mungkin masih tersedia di gudang belakang (backroom), berada di lokasi display yang salah, atau belum dipindahkan kembali ke rak setelah dibeli pelanggan.
Baca juga
Solusi on-shelf availability untuk retail
Inilah alasan mengapa deteksi kekosongan rak berbasis AI tidak seharusnya hanya mencari ruang kosong. Sistem juga perlu memahami produk apa yang seharusnya berada di lokasi tersebut dan membantu staf menentukan tindakan yang perlu dilakukan.
Mengapa Kekosongan Produk di Rak Sulit Dideteksi Secara Manual?
Bayangkan sebuah supermarket memiliki ribuan SKU yang tersebar di berbagai lorong. Setiap produk memiliki posisi display, jumlah facing, dan kebutuhan replenishment yang berbeda.
Ketika toko baru dibuka, rak mungkin masih terisi dengan baik. Namun, menjelang siang, beberapa produk yang banyak diminati mulai habis. Staf toko sedang menangani pelanggan, menerima barang, atau mengerjakan aktivitas operasional lainnya sehingga kekosongan tersebut tidak segera diketahui.
Masalah yang lebih sulit terjadi ketika produk sebenarnya masih tersedia, tetapi tidak terlihat oleh pelanggan.
Misalnya, sistem inventori mencatat masih ada 12 botol sampo di toko. Kenyataannya, seluruh botol tersebut berada di backroom, sedangkan rak penjualan sudah kosong.
Dari perspektif sistem inventori, produk masih tersedia. Dari perspektif pelanggan, produk tersebut kehabisan stok.
Kondisi ini disebut sebagai kesenjangan antara inventory availability dan on-shelf availability (OSA).
Jika staf hanya mengandalkan laporan inventori atau penjualan, masalah tersebut bisa terlambat diketahui. Sistem mungkin mencatat jumlah stok dengan benar, tetapi tidak memiliki informasi mengenai kondisi fisik rak yang dilihat pelanggan.
Pemeriksaan manual dapat menemukan masalah tersebut, tetapi efektivitasnya bergantung pada frekuensi pemeriksaan, jumlah staf, dan konsistensi pelaksanaannya. Pada jaringan ritel dengan puluhan atau ratusan toko, mempertahankan standar pemeriksaan yang sama menjadi semakin sulit.
Bagaimana AI Mendeteksi Produk yang Kosong di Rak?
Teknologi yang umum digunakan untuk mendeteksi kondisi rak secara visual adalah computer vision, yaitu cabang AI yang memungkinkan sistem menganalisis gambar dan mengenali objek di dalamnya.
Dalam konteks ritel, computer vision dapat digunakan untuk mengenali kemasan produk, memperkirakan posisi produk pada rak, dan membandingkan kondisi yang teramati dengan informasi referensi.
Prosesnya dapat dijelaskan melalui empat tahap.
1. Mengambil Gambar atau Video Rak
Sistem membutuhkan informasi visual mengenai kondisi rak aktual.
Informasi ini dapat berasal dari kamera smartphone, kamera khusus yang dipasang menghadap rak, atau perangkat pemindaian lainnya.
Kualitas gambar sangat penting. Agar dapat membedakan produk dengan kemasan serupa, sistem membutuhkan tampilan yang cukup jelas, terutama pada bagian depan produk.
Sudut pengambilan gambar, jarak kamera, pencahayaan, dan produk yang saling menutupi dapat memengaruhi hasil analisis.
2. Mengenali Produk Menggunakan Computer Vision
AI menganalisis gambar untuk menemukan dan mengidentifikasi produk yang terlihat.
Contohnya, pada satu rak minuman, sistem dapat mengenali beberapa jenis produk dengan ukuran dan kemasan berbeda.
Teknologi pengenalan produk juga dapat membantu membedakan SKU yang terlihat sangat mirip, walaupun tingkat keberhasilannya bergantung pada kualitas gambar dan data referensi produk.
Penelitian Pietrini dan rekan-rekannya yang diterbitkan dalam Expert Systems with Applications pada 2024 menjelaskan pendekatan pemantauan rak berbasis deep learning melalui tahapan pendeteksian baris rak, pendeteksian produk, dan identifikasi produk.
Pendekatan tersebut menunjukkan bahwa pemeriksaan rak otomatis membutuhkan pemahaman terhadap produk sekaligus struktur rak tempat produk berada.
3. Membandingkan Kondisi Rak dengan Planogram
Mengenali produk saja belum cukup untuk menentukan apakah rak sudah sesuai.
Sistem perlu mengetahui produk apa yang seharusnya tersedia dan di mana posisi yang benar.
Informasi tersebut dapat diperoleh dari planogram, yaitu rencana penempatan produk yang menetapkan susunan SKU pada rak.
Misalnya, sebuah planogram menetapkan:
- Baris pertama untuk produk sampo ukuran besar.
- Baris kedua untuk sampo ukuran kecil.
- Baris ketiga untuk kondisioner.
- Setiap SKU memiliki jumlah facing tertentu.
Jika AI mendeteksi bahwa salah satu posisi sampo kosong atau diisi produk yang berbeda, sistem dapat mengidentifikasinya sebagai masalah ketersediaan atau ketidaksesuaian planogram.
Perbandingan ini penting karena rak dapat terlihat penuh secara keseluruhan, tetapi produk yang dicari pelanggan tetap tidak tersedia di posisi yang semestinya.
4. Menghasilkan Temuan untuk Ditindaklanjuti
Setelah analisis selesai, hasilnya dapat digunakan untuk membantu staf menentukan bagian rak yang membutuhkan perhatian.
Sebagai contoh, temuan dapat menunjukkan bahwa produk tertentu tidak terlihat pada posisi yang ditentukan, sementara produk lain ditempatkan pada lokasi yang salah.
Staf kemudian memeriksa penyebabnya dan mengambil tindakan, seperti mengisi ulang rak dari backroom atau memperbaiki penempatan produk.
Dengan demikian, AI mengotomatiskan bagian analisis visual, sedangkan tindakan fisik tetap dilakukan oleh tim toko.
Bagaimana Digitalplace.ai Mendeteksi Kekosongan Stok di Rak?
Digitalplace.ai menyediakan solusi On-Shelf Availability & Planogram Compliance yang menggunakan aplikasi mobile berbasis computer vision.
Berbeda dari pendekatan yang mengandalkan kamera permanen, solusi ini menggunakan pemindaian rak terjadwal melalui perangkat mobile. Staf toko merekam video rak menggunakan aplikasi, kemudian AI menganalisis kondisi display dan membandingkannya dengan planogram yang telah disetujui.
Pendekatan tersebut dirancang agar pemeriksaan rak dapat menjadi bagian dari rutinitas operasional toko tanpa membutuhkan instalasi kamera tetap di setiap lorong.
Alur Kerja Pemeriksaan Rak
Proses pemeriksaan dapat dilakukan melalui lima tahap.
1. Menerima tugas pemeriksaan
Supervisor atau manajer toko dapat menetapkan tugas pemindaian pada rak tertentu.
Pemeriksaan dapat dijadwalkan pada pagi, siang, sore, atau frekuensi lain sesuai kebutuhan operasional. Rak dengan tingkat penjualan tinggi, misalnya, dapat diprioritaskan untuk diperiksa lebih sering.
2. Merekam video rak
Staf menggunakan kamera smartphone untuk merekam area rak yang ditugaskan.
Karena kamera dipegang langsung oleh staf, sudut pengambilan gambar dapat disesuaikan agar permukaan depan produk terlihat lebih jelas.
3. AI mendeteksi masalah
Video dianalisis menggunakan computer vision dan dibandingkan dengan planogram.
Sistem membantu mengidentifikasi berbagai masalah pada display, termasuk produk yang tidak tersedia, salah penempatan, atau susunan yang tidak sesuai standar.
4. Staf melakukan tindakan perbaikan
Aplikasi memberikan informasi mengenai ketidaksesuaian yang ditemukan sehingga operator dapat melakukan perbaikan.
Misalnya, jika produk yang hilang ternyata masih tersedia di backroom, staf dapat melakukan replenishment. Jika produk berada pada posisi yang salah, staf dapat mengembalikannya sesuai planogram.
5. Melakukan pemindaian ulang
Setelah perbaikan, staf dapat melakukan verification scan untuk memastikan perubahan sudah diterapkan.
Hasil pemeriksaan dapat digunakan untuk memantau kepatuhan planogram dan perubahan kondisi rak sebelum serta sesudah tindakan perbaikan.
Digitalplace.ai juga menyediakan kemampuan dashboard dan alur sinkronisasi data. Dukungan operasional offline tersedia dalam konfigurasi yang sesuai, dengan sinkronisasi ke cloud saat konektivitas memungkinkan.
Penting: Sistem ini melakukan analisis otomatis berdasarkan pemindaian yang dijalankan staf. Artinya, Digitalplace.ai tidak mengklaim memantau setiap rak secara real-time selama 24 jam tanpa keterlibatan manusia. Hasil pemeriksaan mencerminkan kondisi rak ketika pemindaian dilakukan.
Masalah Apa Saja yang Dapat Dideteksi?
Solusi Digitalplace.ai tidak hanya berfokus pada ruang kosong di rak. Ada beberapa masalah eksekusi toko yang dapat diperiksa dalam satu alur pemindaian.
| Jenis Masalah | Contoh Situasi | Tindakan yang Diperlukan |
|---|---|---|
| Out-of-stock di rak | Produk tidak terlihat pada posisi display yang seharusnya | Periksa stok dan lakukan replenishment bila tersedia |
| Misplacement | Produk berada di posisi SKU lain | Kembalikan produk ke lokasi yang benar |
| Unknown product | Kemasan baru atau SKU belum dikenali dalam data referensi | Periksa dan perbarui data produk |
| Over-display | Produk menempati lebih banyak facing dari ketentuan | Sesuaikan jumlah facing dan susunan rak |
| Planogram non-compliance | Susunan produk tidak sesuai rencana display | Perbaiki susunan berdasarkan planogram |
| OSA score monitoring | Hasil pemeriksaan berbeda sebelum dan sesudah perbaikan | Evaluasi pelaksanaan dan konsistensi pemeriksaan |
Pembedaan ini memiliki manfaat operasional yang besar.
Sebagai contoh, sebuah rak bisa terlihat penuh oleh produk minuman merek A. Namun, jika sebagian area tersebut sebenarnya dialokasikan untuk merek B, pelanggan yang mencari merek B tetap tidak menemukannya.
Sistem yang hanya mengukur apakah rak terisi mungkin menganggap kondisi tersebut normal.
Sebaliknya, AI yang membandingkan produk dengan planogram dapat mengidentifikasi masalah penempatan.
Dengan demikian, rak yang terisi penuh belum tentu memiliki on-shelf availability yang baik.
Mengapa Tidak Menggunakan CCTV yang Sudah Terpasang di Toko?
Salah satu pertanyaan yang sering muncul adalah apakah retailer dapat menggunakan kamera CCTV yang sudah tersedia untuk mendeteksi produk kosong.
Secara teknis, computer vision memang dapat diterapkan pada rekaman CCTV. Namun, kamera CCTV untuk keamanan dan kamera untuk pemeriksaan produk individual memiliki kebutuhan visual yang berbeda.
CCTV keamanan biasanya dipasang untuk memantau aktivitas pelanggan, pintu masuk, kasir, dan area pergerakan di dalam toko. Penempatannya belum tentu sesuai untuk mengenali setiap SKU pada rak.
Ada beberapa keterbatasan yang perlu dipertimbangkan.
1. Sudut Kamera Tidak Menghadap Langsung ke Depan Produk
Bayangkan CCTV dipasang di sudut plafon sebuah lorong supermarket.
Kamera tersebut menghadap serong ke bawah agar dapat memantau orang yang berjalan melewati lorong. Dari sudut ini, CCTV mungkin dapat melihat bahwa suatu rak berisi barang, tetapi tidak selalu dapat menangkap bagian depan kemasan setiap produk.
Masalah menjadi lebih besar ketika posisi kamera berada di samping rak.
Produk pada bagian depan dapat saling menutupi, sedangkan produk pada rak bawah mungkin terlihat dari sudut yang terlalu tinggi. Dalam kondisi seperti ini, informasi visual untuk membedakan SKU individual menjadi terbatas.
Padahal, kemasan depan sering kali memuat perbedaan penting antara dua varian produk yang tampak hampir sama.
Penelitian dalam Scientific Reports pada 2025 mengenai verifikasi planogram berbasis computer vision juga menyoroti tantangan sudut pandang yang tidak frontal, pencahayaan tidak merata, dan susunan produk yang padat. Kondisi tersebut dapat membuat sebagian produk atau facing tidak tertangkap dengan baik.
2. Jarak Kamera Terlalu Jauh untuk Mengenali SKU
CCTV dirancang untuk memantau area tertentu, bukan selalu untuk membaca detail kecil pada kemasan.
Sebagai contoh, satu kamera mungkin mencakup sepanjang lorong sepanjang beberapa meter.
Resolusi keseluruhan rekaman bisa terlihat baik, tetapi produk individual hanya menempati sebagian kecil gambar. Akibatnya, detail yang membedakan sampo ukuran 170 ml dari 340 ml atau membedakan dua varian rasa produk mungkin tidak terlihat cukup jelas.
Kamera beresolusi tinggi dan lensa yang sesuai dapat membantu mengatasi masalah tersebut. Namun, kebutuhan kameranya menjadi lebih spesifik daripada CCTV keamanan biasa.
3. Produk Dapat Terhalang oleh Pelanggan atau Objek Lain
CCTV sering merekam aktivitas toko dari posisi tetap.
Ketika pelanggan berdiri di depan rak, membawa troli, atau mengambil produk, sebagian area display bisa tertutup dari pandangan kamera.
Promotional stand, tiang rak, gantungan produk, dan susunan barang yang menonjol juga dapat menghalangi area tertentu.
Jika AI menganalisis gambar ketika pandangan kamera terhalang, sistem berisiko memperoleh informasi yang tidak lengkap.
Pada pemindaian menggunakan smartphone, staf memiliki keleluasaan untuk mengambil gambar dari sudut yang lebih sesuai atau mengulang pengambilan jika rak tidak terlihat jelas.
4. Membutuhkan Banyak Kamera untuk Memantau Seluruh Rak
Sebuah supermarket dapat memiliki puluhan lorong dan ratusan segmen rak.
Jika retailer ingin mendeteksi setiap SKU menggunakan kamera tetap, cakupan CCTV yang ada mungkin tidak mencukupi.
Penambahan kamera khusus dapat diperlukan untuk mendapatkan tampilan yang tepat pada seluruh area display.
Konsekuensinya mencakup biaya perangkat, pemasangan, jaringan, pemeliharaan, serta penyesuaian ketika layout atau planogram toko berubah.
Sistem kamera tetap yang dirancang khusus untuk pemantauan rak tetap memiliki keunggulan, terutama untuk pemantauan yang lebih kontinu. Namun, pendekatan tersebut perlu dievaluasi berdasarkan biaya dan kebutuhan cakupan di masing-masing toko.
Jadi, kelemahan utama CCTV keamanan bukan karena AI tidak bisa menganalisis videonya, melainkan karena gambar yang tersedia belum tentu cukup baik untuk memeriksa setiap produk dan posisi display secara akurat.
Metode Lain untuk Mendeteksi Kekosongan Rak dan Keterbatasannya
Selain CCTV, ada beberapa pendekatan yang dapat digunakan retailer.
| Metode | Cara Kerja | Keterbatasan Utama |
|---|---|---|
| Audit manual | Staf memeriksa rak secara langsung | Membutuhkan waktu dan hasilnya dapat berbeda antarpetugas |
| CCTV keamanan + AI | AI menganalisis rekaman CCTV yang sudah tersedia | Sudut kamera, jarak, dan resolusi sering tidak dirancang untuk identifikasi SKU |
| Kamera khusus pada rak | Kamera tetap mengamati display produk | Membutuhkan pemasangan, cakupan kamera, dan pemeliharaan perangkat |
| Smart shelf dengan sensor berat | Sensor mendeteksi perubahan berat pada area rak | Sulit membedakan SKU bila penempatan bercampur; membutuhkan sensor dan kalibrasi |
| RFID | Tag dan reader digunakan untuk mengidentifikasi barang | Membutuhkan infrastruktur pembacaan dan penandaan produk yang sesuai |
| Analisis POS dan inventory | Sistem memperkirakan potensi kekosongan dari penjualan dan stok | Tidak menunjukkan secara langsung apakah produk benar-benar terlihat di rak |
| Robot pemindai rak | Robot bergerak mengambil gambar display | Membutuhkan perangkat robotik, navigasi, serta pengelolaan hambatan di lorong |
| Mobile computer vision | Staf merekam rak; AI menganalisis hasil pemindaian | Tetap membutuhkan staf dan hanya memeriksa kondisi pada waktu pemindaian |
Tidak ada satu teknologi yang paling sesuai untuk seluruh kondisi ritel.
Kamera tetap dapat lebih tepat ketika kebutuhan utamanya adalah pemantauan kontinu pada area tertentu. Sensor rak mungkin menarik untuk kategori produk yang cocok dengan konfigurasi perangkatnya. Sementara itu, data POS tetap penting untuk memahami penjualan dan pergerakan stok.
Namun, bagi retailer yang ingin melakukan pemeriksaan visual pada banyak rak tanpa memasang perangkat tambahan secara luas, pendekatan mobile computer vision menawarkan alternatif yang lebih sederhana dari sisi infrastruktur.
Mengapa Smartphone Menjadi Pendekatan yang Praktis?
Kelebihan smartphone bukan semata-mata karena perangkat tersebut lebih murah daripada kamera khusus.
Keunggulan utamanya adalah fleksibilitas pengambilan gambar dan kemudahan mengintegrasikan pemeriksaan ke dalam pekerjaan staf toko.
Petugas dapat mendekati rak, mengarahkan kamera ke produk yang perlu diperiksa, lalu melanjutkan ke lokasi berikutnya sesuai daftar tugas.
Pendekatan ini memungkinkan retailer melakukan pengecekan berdasarkan prioritas.
Misalnya, kategori minuman yang memiliki tingkat penjualan tinggi dapat diperiksa beberapa kali dalam sehari, sedangkan kategori dengan pergerakan produk lebih lambat diperiksa dengan frekuensi lebih rendah.
Frekuensi tersebut merupakan keputusan operasional retailer, bukan sesuatu yang harus sama untuk setiap toko.
Digitalplace.ai menggunakan pendekatan ini melalui alur pemeriksaan terjadwal, sehingga proses inspeksi dapat distandarkan di berbagai lokasi.
Meski demikian, penggunaan smartphone tetap memerlukan prosedur yang konsisten. Video yang terlalu cepat, gambar buram, pencahayaan buruk, atau sudut yang tidak memperlihatkan seluruh area rak dapat mengurangi kualitas hasil pemeriksaan.
Karena itu, keberhasilan implementasi bergantung pada kombinasi teknologi AI, kualitas data produk, serta kedisiplinan proses pemeriksaan.
Bagaimana AI Membantu Mempercepat Replenishment Rak?
Menemukan kekosongan produk merupakan langkah awal. Nilai operasional yang lebih besar muncul ketika informasi tersebut digunakan untuk mempercepat tindakan perbaikan.
Pertimbangkan tiga situasi berikut.
Situasi pertama: Rak kosong, stok tersedia di backroom.
AI menemukan bahwa produk tidak terlihat pada posisi yang seharusnya. Staf memeriksa ketersediaan barang dan menemukan bahwa masih ada stok di backroom.
Tindakan yang diperlukan adalah memindahkan produk ke rak, bukan melakukan pemesanan baru.
Situasi kedua: Produk berada pada lokasi yang salah.
AI mengidentifikasi produk yang tidak sesuai dengan posisi pada planogram.
Staf kemudian memindahkan produk ke tempat yang benar. Tidak ada kekosongan stok secara keseluruhan, tetapi sebelumnya produk sulit ditemukan pelanggan.
Situasi ketiga: Rak kosong dan stok toko memang habis.
AI menunjukkan bahwa produk tidak tersedia di rak. Pemeriksaan lanjutan terhadap inventori mengonfirmasi tidak ada stok yang bisa digunakan untuk replenishment.
Dalam situasi ini, masalah perlu ditangani melalui proses pengadaan atau replenishment dari pemasok maupun pusat distribusi.
Ketiga kondisi tersebut dapat terlihat serupa bagi pelanggan, tetapi membutuhkan tindakan yang berbeda.
Computer vision membantu mengidentifikasi masalah yang terlihat di rak. Sementara itu, data inventori dan proses operasional menentukan penyebab serta tindakan yang paling tepat.
Apa yang Perlu Dipersiapkan Retailer Sebelum Menggunakan AI?
Menerapkan AI untuk mendeteksi stok kosong tidak cukup hanya dengan menyediakan aplikasi dan kamera.
Retailer juga perlu memastikan bahwa informasi referensi serta proses operasionalnya sudah memadai.
Beberapa aspek penting meliputi kualitas dan pembaruan data SKU, ketersediaan planogram yang sesuai dengan kondisi toko, prosedur pengambilan video, frekuensi inspeksi, serta penanggung jawab tindakan perbaikan.
Perubahan kemasan juga perlu diperhatikan. Produk yang mengalami perubahan desain kemasan dapat menjadi lebih sulit dikenali jika data referensinya belum diperbarui.
Selain itu, retailer harus membedakan hasil yang benar-benar menunjukkan ketidaksesuaian dari hasil yang belum dapat dipastikan karena kualitas gambar tidak memadai.
Hal ini penting agar sistem tidak menghasilkan terlalu banyak temuan yang justru menambah beban pemeriksaan staf.
Untuk jaringan multi-store, konsistensi proses menjadi semakin penting. Manajemen perlu memastikan bahwa setiap toko menggunakan prosedur yang sama, sehingga hasil pengecekan dan tindak lanjutnya dapat dibandingkan secara lebih bermakna.
Mengukur Keberhasilan AI dalam Mendeteksi Kekosongan Rak
Keberhasilan penerapan AI tidak seharusnya hanya dinilai dari kemampuan sistem mengenali kemasan produk.
Retailer juga perlu mengevaluasi apakah teknologi tersebut benar-benar membantu meningkatkan pelaksanaan operasional toko.
Beberapa indikator yang relevan adalah:
- On-Shelf Availability: Seberapa sering produk yang seharusnya tersedia benar-benar terlihat pada rak yang ditentukan.
- Planogram Compliance: Seberapa sesuai kondisi display aktual dengan susunan yang telah disetujui.
- Detection-to-Resolution Time: Waktu antara ditemukannya masalah hingga tindakan perbaikan selesai.
- Inspection Productivity: Waktu dan tenaga kerja yang dibutuhkan untuk menyelesaikan pemeriksaan rak.
- Repeat Issues: Frekuensi munculnya masalah yang sama pada lokasi atau SKU tertentu.
Untuk Digitalplace.ai, fitur compliance score serta pemindaian sebelum dan sesudah perbaikan dapat membantu memberikan visibilitas terhadap hasil pelaksanaan pemeriksaan.
Namun, peningkatan skor tidak otomatis membuktikan adanya peningkatan penjualan. Dampaknya perlu dievaluasi bersama data ketersediaan produk, perilaku pembelian, dan performa operasional toko.
Dari Deteksi Otomatis Menuju Eksekusi Rak yang Lebih Baik
AI memungkinkan retailer mendeteksi kekosongan stok di rak toko secara lebih terstruktur melalui analisis gambar atau video.
Dengan computer vision, sistem tidak hanya membantu menemukan area kosong, tetapi juga mengenali masalah penempatan produk, penyimpangan planogram, dan kondisi display lain yang dapat memengaruhi pengalaman pelanggan.
Berbagai teknologi tersedia untuk tujuan ini, mulai dari CCTV berbasis AI, kamera khusus, hingga sensor rak. Namun, masing-masing memiliki keterbatasan dalam hal cakupan visual, kebutuhan infrastruktur, biaya, dan kesesuaian terhadap operasional toko.
Pendekatan yang digunakan Digitalplace.ai melalui On-Shelf Availability & Planogram Compliance menempatkan smartphone dan AI sebagai bagian dari rutinitas pemeriksaan rak. Staf merekam video, AI mengidentifikasi masalah, kemudian tim toko melakukan tindakan perbaikan dan memverifikasi hasilnya.
Pendekatan ini tidak menggantikan seluruh aktivitas manusia dan tidak menyediakan pemantauan rak secara kontinu. Sebaliknya, teknologi membantu mengurangi pemeriksaan visual yang berulang dan membuat hasil inspeksi lebih mudah ditindaklanjuti.
Tujuan akhirnya bukan sekadar mengetahui bahwa rak kosong, tetapi memastikan masalah ketersediaan produk ditemukan lebih awal, ditangani lebih cepat, dan tidak terus berulang.
