Sensormatic Solutions incorpora aprendizaje automático a Shrink Analyzer

Las nuevas funciones ayudan a los minoristas a identificar con precisión las pérdidas internas para comprender, documentar y abordar mejor la delincuencia, el fraude y las pérdidas. Sensormatic Solutions prevé que estas funciones basadas en aprendizaje automático estén disponibles a finales de 2025.

Sensormatic Solutions sigue mejorando las capacidades de su aplicación en la nube para la prevención de pérdidas con Shrink Analyzer. Las recientes mejoras de la aplicación optimizan el análisis interno de robos, utilizando el aprendizaje automático para ayudar continuamente a mejorar la precisión de la identificación de eventos de pérdida, acelerar los procesos de construcción de pruebas para ayudar en el enjuiciamiento, y apoyar la detección temprana y la remediación.

«Para abordar con eficacia las pérdidas totales en el retail, los ecosistemas de datos deben tener contexto», afirma Tony D’Onofrio, presidente de Sensormatic Solutions. «Necesitan visibilidad completa de sus operaciones – desde el piso de ventas hasta el almacén y más allá – y evolucionar junto con las necesidades cambiantes. Las nuevas capacidades de aprendizaje automático de Shrink Analyzer representan un avance significativo en la forma en que los equipos de Prevención de Pérdidas pueden identificar, validar y acelerar los esfuerzos de creación de casos.»

Desde su lanzamiento el año pasado, Shrink Analyzer ha ayudado a los retailers a comprender mejor cómo se produce la pérdida desconocida en las tiendas, cuáles son los artículos de mayor riesgo y cómo contribuyen los empleados a las pérdidas. Utilizando etiquetas de identificación por radiofrecuencia (RFID) y sensores para los artículos, Shrink Analyzer puede convertir la infraestructura analítica existente en potentes conocimientos de prevención de pérdidas para ayudar a los retailers a mejorar el valor de sus inversiones.

La incorporación del aprendizaje automático permite a Shrink Analyzer aprender de lo que ocurre en la tienda y ayudar a separar los eventos de pérdida significativos y los patrones relevantes del ruido de las operaciones diarias. Como resultado, la solución optimizada ayudará a los retailers a:

• Mejorar la integridad de los datos. La tecnología RFID captura cientos de datos por segundo, muchos más de los que cualquier persona puede filtrar. La nueva función Shrink Confidence Score de Shrink Analyzer basada en aprendizaje automático, ayuda a simplificar los procesos de agregar y depurar datos para aumentar la precisión y elevar el valor de los casos. Según un estudio reciente de VDC Research, este es un objetivo prioritario para el 49% de los minoristas que utilizan RFID para prevención de pérdidas.
• Identificar y abordar los comportamientos sospechosos de los empleados de la tienda. La función Sweetheart Detection permite visualizar claramente el impacto financiero de prácticas como el «sweethearting» (colusión entre empleados y clientes) y el fraude en cajas de autoservicio, además de identificar a los infractores reincidentes. Al combinar aprendizaje automático con datos de ventas, inventario, salidas y comportamiento de empleados y compradores a nivel de artículo, Shrink Analyzer mejora la capacidad de los retailers para detectar tácticas en evolución y tomar medidas preventivas.
• Optimizar la eficacia y los resultados de las investigaciones. VDC Research indica que el 50% de los minoristas desea utilizar RFID para mejorar la productividad y eficacia de los equipos de investigación, y el 37% espera acelerar los plazos de enjuiciamiento. Las capacidades del aprendizaje automático de Shrink Analyzer pueden identificar eventos de pérdida previamente difíciles de detectar, facilitando el indexado de video y la automatización en la construcción de casos, lo que aumenta la productividad y acelera los procesos legales.

Al igual que las iteraciones anteriores, la aplicación recién mejorada es independiente de la plataforma de inventario, compatible con el conjunto de hardware RFID de Sensormatic Solutions y puede integrarse con cualquier ecosistema de análisis.