Slik bruker Tradesolution digitalisering og maskinlæring til stor gevinst for en hel bransje
Mediastore er historien om hvordan dagligvarebransjen gikk sammen om å utvikle en felles bildetjeneste på toppen av delte data. Ved å utforske helt nye muligheter i maskinlæring lyktes bransjen med å spare mye tid og penger – samtidig som bildene er blitt bedre.
Bakgrunn og konkurransesituasjon
Norges krevende geografi og spredte befolkning lærte tidlig den norske dagligvarebransjen å samarbeide om en del felles prosesser, standarder og tjenester.
Tradesolution eies av aktørene i dagligvarebransjen og etablerte sitt første register med informasjon om norske butikker i 1985. I dag sitter Tradesolution på strukturert data om 1200 leverandører i en bransje med 270 milliarder kroner i omsetning, 3000 leveringssteder, og 100.000 produkter. På toppen av dette har selskapet utviklet en omfattende portefølje av digitale tjenester som ifølge Tradesolutions ringvirkningsregnskap sparte bransjen for 1470 millioner kroner i fjor.
-De reelle besparelsene er sannsynligvis langt større. Det er de felles dataene som skaper mulighetene til nye produkter og tjenester. Vårt overordnede mål er å koble vår eksisterende datainfrastruktur med ny teknologi for å levere nye bransjeløsninger, samt løsninger som kan skreddersys de enkeltes behov, sier administrerende direktør i Tradesolution, Sigmund Berle Jensen.
Utfordringer: Gode og rimelige produktbilder
I disse digitale tider har dagligvarebransjen behov for langt flere produktbilder og bedre kvalitet enn for bare noen år siden. Produktbildene brukes på langt flere flater og kanaler enn tidligere, og skal kunne brukes på både mobilapper som Æ og Kolonial.no, på store boards og i magasiner. Tilgjengeligheten må også være mer umiddelbar og strømlinjeformet. Samtidig var det i bransjen svært mange måter å lage produktbilder, fra hundre fotografer som leverte på hundre måter med ulike fokus og vinkler og skygger. Ofte så de ulike kjedene og distributørene seg nødt til å ta egne bilder og bygge opp egne media-arkiver.
– Det kostet mye og frustrasjonen var stor. Vi mente det lå store besparelser og forenklinger i å harmonisere tilbudet, sier Gaute Norderhaug, som er IT-sjef i Tradesolution.
Først fikk Tradesolution bransjen til å legge vekk sine måter å gjøre produktbilder på, og enes om noen felles tekniske og visuelle standarder for produktbilder. De opprettet tjenesten Mediastore, som la seg mellom produsentene som tradisjonelt hadde betalt egne fotografer for å ta produktbilder, og utsalgsstedene ved å love riktig bilde av rett produkt til riktig tid i en felles mediabase i skyen.
Tradesolution bygget også et felles fotostudio med egne produktfotografer der produsentene kunne sende nye produkter for fotografering. Prisen på produktbilder ble umiddelbart halvert.
– Hele bransjen gikk over til å bruke Mediastore for produktbilder, sier Norderhaug.
Overordnet mål for prosjekt: Teste maskinlæring
Samtidig som etterspørselen på bilder fra Mediastore eksploderte måtte alle bildene gjennom en tungvint manuell bilderedigering før de kunne legges opp i bildebasen og lastes ned av sluttbrukerne. Hvert bilde må for eksempel utstyres med metadata og lagres i ulike versjoner med og uten gjennomsiktig bakgrunn, justeres for skarphet, farger, lyssetting og støv. Dette skjedde for det meste i Bangladesh, før hvert bilde igjen ble kvalitetssikret en siste gang da det kom tilbake til Mediastore.
Prosessen tok gjerne mer enn et døgn, og med mange titalls tusen bilder hvert år representerte prosessen en stor kostnad. Det tidkrevende arbeidet gjorde i tillegg at det kunne bli stort trykk rundt de tre årlige periodene bransjen gjerne lanserer nye produkter.
Gaute Norderhaug var kommet i kontakt med et miljø, Inmeta, som har spesialisert seg på maskinlæring – som går ut på at dataprogrammer (algoritmer) bruker strukturerte data til å trenes opp i og forbedre automatiske prosesser. Foreløpig er maskinlæring lite i bruk i varehandelen, men etter å ha blitt kurset ytterligere i hva den er kapabel til, bestemte Norderhaug og Sigmund Berle Jensen seg for å teste ut teknologien på å frigjøre ressurser i Mediastores bildebehandling.
Prosessen: Tydelig definisjon av data
– Maskinlæring er et nytt felt og vi var nødt til å lære mens vi gikk. Det var viktig for oss å sette så tydelige mål for hva vi ville oppnå som mulig. Her var det viktig for oss å ha tilgang til rådgivere som forstod hva teknologien var kapabel til, sier Gaute Norderhaug.
De delte opp bildebehandlingen i sine ulike bestanddeler, og bestemte seg for å begynne med «enklere» prosesser som uklarheter i bildene, uklare kanter og gjenskinn i overflaten på produktene. De første resultatene var ikke gode nok. Årsaken var at datagrunnlaget ikke var godt nok.
-Kjernen i maskinlæring er at algoritmene skal kunne generalisere om hva som er riktig ut fra en del data om bildene. For produktbilder ligger det beste datagrunnlaget i å kunne sammenligne bilder av ubearbeidede bilder med ferdigbehandlede bilder. Dermed kan den identifisere mønstrene som gjør at den kan justere bildene. Vi hadde dessverre ikke tatt vare på de ubehandlede filene, de vi hadde sendt til Bangladesh. Dermed hadde maskinene begrenset med læringsdata å jobbe med.
– Mediastore har masse data, der er de forbilledlige. Men data er bare data. Det er den riktige dataen sammen med en smart algoritme som er gullet, sier Lars Joakim Nilsson i Inmeta.
Dermed satte de programmet på vent mens Mediastore begynte å oppdatere datasettene sine for å gi algoritmene noe å trene på. I praksis betød det at de tok vare på både de ubearbeidede filene og sluttresultatet etter at de kom tilbake fra Bangladesh. Parallelt begynte de å utvikle løsninger for de mer komplekse bildebehandlingsprosessene som fjerning av støv og beskjæring av bildene. Norderhaug demonstrerer hvordan et produktbilde av en brusflaske måtte dypetses for hånd og korrigeres for gjenskinn.
En viktig egenskap ved maskinlæring er at dataprogrammene skal kunne mates med ny data å trene på, slik at programmene skal bli bedre til å gjennomføre oppgavene. Høsten 2018 hadde Mediastore fått såpass mye rikere datasett at de kjørte en såkalt retrening på systemet. Det tok omtrent en uke.
– Med det nye datagrunnlaget ble kvaliteten på bildebehandlingen veldig god, sier Gaute Norderhaug.
I dag er målet å sende samtlige bilder automatisk fra studio til beskjæring og behandling i det nye dataprogrammet. 70 prosent av bildebehandlingen vil da skje helt automatisk.
Istedenfor 24 timer tar det nå bare noen minutter fra bildene kommer fra studio til de lastes opp i skyen.
– I fremtiden henger Bangladesh i en tynn tråd, sier Sigmund Berle Jensen.
Skalering
Snart skal systemet trenes en gang til, med nye og enda større datasett. Målet er da at også treningen skal automatiseres – slik at systemet trener seg selv.
Mediastore har investert i en fotorobot som tar mengebilder av produktene og som raskt kan fotografere dem i 360 grader. Også disse bildene plugges inn i maskinlæringsprogrammet, noe som gir muligheter for blant annet bruk av AR i nettbutikker, film og animasjon.
Tradesolution vurderer om løsningene kan produktifiseres og selges til andre bransjer og markeder.
Forankring i bransjen
Dagligvarebransjen har gjennom Tradesolution hatt et godt grunnlag for å bygge felles digitale tjenester, fordi de lenge har delt mye data med hverandre.
– Det er ganske store investeringer og mye energi som skal til for å få digitalisering til å spille skikkelig. Men heldigvis har vi vist bransjen så store gevinster at ryggdekningen for videre utvikling er tydelig, sier Berle Jensen.
– Det ligger en del utfordringer i å få skarpe konkurrenter til å samarbeide, og det finnes noen områder der ikke alle er overbevist om at det lønner seg. Men prosjekter som Mediastore demonstrerer at det ligger lønnsomhet i samarbeid så lenge ingen gir fra seg konkurransefortrinn.
Berle Jensen delte nylig erfaringene sine med oljebransjen, som lenge har vært preget av en viss deleangst, men som har innledet flere samarbeid rundt data og tjenester.
– Oljebransjen har ikke det samme datafundamentet som dagligvarebransjen. Men de har det viktigste på plass: viljen til å samarbeide. Det å sørge for at du hjelper din egen bransje, hjelper alle i den internasjonale konkurransen, og sørger for at bransjeglidningen går din vei, sier Berle Jensen.
Effekter av prosjektet
– Kostnadene for bildebehandling er redusert med minst 50 prosent.
– Tiden det tar å få bilder ut er kraftig redusert, noe som har verdi for alle i kjeden og reduserer faren for at Tradesolution blir en flaskehals i hektiske lanseringsperioder.
– Tradesolution har lært mye om hvordan maskinlæring kan ha verdi på mange andre tjenesteområder.
– Det er skapt en mulighet for å bruke manuelle ressurser bedre til salgsfremmende tiltak for hele bransjen, for eksempel bedre digital og fysisk presentasjon av varene.
– Digitaliseringen har gjort det mulig å ‘homesource’ tjenester og gjøre det meste lokalt og støttet av teknologi.
Tre kjappe
Hva lærte dere av arbeidet som dere tar med dere videre?
Vi ser at vi skal bruke maskinlæring i de øvrige kvalitetssikringsprosessene vi har i Tradesolution, for dette funker. Men det er mye arbeid og krever høye investeringer å få en god løsning. Du skal være ganske tydelig på effekten du ønsker deg før du begynner. Og du må vite at du har treningsdata, og at du trenger masse før- og etter-data. En god maskinlæringsløsning krever kontinuerlig retrening.
Hva ville dere gjort annerledes om dere fikk starte på nytt?
I dag hadde vi satt målsettingen enda nøyere. Og vi hadde tatt vare på alle bildedataene i alle prosessene fra første stund.
Hva kan andre lære av dette?
Ta vare på dataene, du kan aldri ha for mye. Og tørre å eksperimentere. Skal man få til noe må man våge å lære mens man går. Det er ikke alltid gitt at du på forhånd vet hva du kan gjøre med de dataene du har, så la andre se på de dataene med nye øyne og se muligheter du ikke hadde tenkt på. Da kan du forstå at bedriften kan gjøre ting på nye måter.
TRADESOLUTION AS
- Stiftet i sin nåværende form i 1994 (den gang Markeds-Service AS), og eies i dag av Dagligvareleverandørenes Servicekontor (DLS), Coop Norge Handel AS, NorgesGruppen ASA og Rema Distribusjon AS.
- Deres tjenester og kompetanse skal skape vekst, effektivisering og forbedring i varehandelen.
- Beregninger viser at bransjen årlig oppnår nyttegevinst på mellom 800 – 1500 millioner på Tradesolutions løsninger.
Ansatte: 54
Administrerende direktør: Sigmund Berle Jensen
Omsetning 2018: 112 millioner kroner
Resultat 2018: ca 20 millioner kroner før skatt
Digitaliseringen av samfunnet gjør at det kreves mye mer informasjon om et produkt.
-Før sto alt du vi trengte på pakningen. Men sitter du hjemme i sofaen og handler vil du etterspørre mye mer informasjon, om for eksempel helse, etikk og dyrevelferd. Du kan bare bøtte på med data inn i systemet, sier Sigmund Berle Jensen.
Med bransjebasene i bunnen har Tradesolution lite konkurranse i Norge om å utvikle nyttige digitale tjenester. Derfor har selskapet jobbet for å være foroverlent i møte med muliggjørende teknologi.
-Det er viktig for Tradesolution å ha tjenester i forretningsområder med tøff konkurranse, som for eksempel business intelligence. Erfaring og læring, kombinert med krevende kunder, stimulerer til innovasjon om også er til beste for bransjetjenestene, sier Gaute Norderhaug.
