LASSIC Media らしくメディア
棚割・欠品検知AI｜棚のカメラ画像で売場を見守る
小売の店頭では、売れた商品を補充し、乱れた陳列を整え、価格表示を確かめる——こうした棚まわりの点検が日々欠かせません。人手が足りない売場では見回りが追いつかず、欠品のまま売り逃す、陳列が崩れて売上に響く、といったことが起こります。そこで注目されているのが、棚をカメラで撮った画像から欠品や陳列の乱れを見つける、棚割・欠品検知AIです。
ただ、棚割・欠品検知AIは、店内のカメラを使う「人流解析AI」や、発注を担う「在庫最適化AI」としばしば一緒に語られますが、担う役割は別物です。役割を取り違えたまま要件を固めると、狙った効果が出ません。本記事では、小売業や店舗向けのシステム化を検討する発注担当者に向けて、棚割・欠品検知AIの位置づけ・できること・扱うデータ・進め方の勘所を整理します。
目次
棚割・欠品検知AIとは——人流解析・在庫最適化との違い
棚割・欠品検知AIとは、売場の棚をカメラで撮った画像を解析し、商品が切れていないか（欠品）、決められた陳列（棚割）どおりか、フェイス数（棚に並ぶ商品の面の数）が保たれているか、といった棚の状態を読み取って、売場の点検を支える仕組みを指します。店舗でよく話題にのぼる2つのAIと並べると、役割の違いがはっきりします。
人流解析AIは、同じ店内のカメラを使っても、来店客の人数や動線、混雑を見る仕組みで、対象は「客」です。一方在庫最適化AIは、需要をもとに「いつ・いくつ発注するか」を決める仕組みで、扱うのは在庫の数字です。これらに対して棚割・欠品検知AIは、「棚そのものの状態」を画像で見て気づく部分を担います。客を見るのでも数字を計算するのでもなく、目の前の棚が正しい状態かを画像で確かめる——ここに違いがあります。
実際には、これらは組み合わせて使われることもあります。棚割・欠品検知AIが欠品に気づき、在庫最適化AIが補充や発注の判断につなげる、といった連携です。自社が棚の何を楽にしたいのかを見極めておくと、要件を絞り込みやすくなります。
この記事のポイント
- 棚割・欠品検知AIは、客を見る人流解析や発注を決める在庫最適化とは別に、棚の状態を画像で見る部分を担います。
- 欠品の検知、棚割（陳列）どおりかの確認、フェイス数や価格表示のチェックが代表的な使いどころです。
- 商品の見た目の多様さや照明のばらつきが大きく、気づいた後の補充・是正は店員が行う運用が前提になります。
何ができるのか
棚割・欠品検知AIが担える作業は、大きく次のように整理できます。自社の売場の負担がどこにあるかと照らし合わせると、優先順位を付けやすくなります。
| できること | 内容 | 軽くなる作業 |
|---|---|---|
| 欠品の検知 | 商品が切れている棚や場所を画像から見つける | 売場の見回り・欠品チェック |
| 棚割の確認 | 決められた陳列（棚割）どおりに並んでいるかを照合する | 陳列の点検・是正の指示 |
| フェイス数の把握 | 棚に並ぶ商品の面の数や前出しの状態を確認する | 品出し・前出しの判断 |
| 価格表示の確認 | プライスカードの有無や取り違えを見つける | 値札の点検 |
いずれも、AIが気づきの当たりを付け、実際の補充や是正は店員が行うという役割分担が基本です。AIが要対応の棚を絞り込んでくれるだけでも、広い売場を一律に見て回る負担を減らす助けになります。
仕組み——棚の画像から何を見るか
棚割・欠品検知AIは、棚に取り付けた定点カメラや、店員・ロボットが巡回して撮った画像を解析し、商品の並びを読み取ります。過去の棚画像と、その正しい状態（どこに何がいくつ並んでいるべきか）を学べば、欠品している場所や、棚割から外れた並び、フェイス数の乱れを見分けられるようになるのが特徴です。棚割のマスタ（陳列の設計図）と照らし合わせて、ズレを指摘する使い方もあります。
押さえておきたいのは、AIが示すのは「気づき」であって「確定した判断」ではないことです。確からしさが高い棚は自動で通知し、判断に迷う棚は店員が現物で確かめる、といった運用にすると、誤った通知を抑えやすくなります。処理の流れを図にすると次のとおりです。棚の画像から状態を読み取り、要対応の棚を通知し、店員が補充・是正を行い、その結果を学習に戻す——この流れが基本になります。
精度と運用の難しさ
棚割・欠品検知AIを機能させるうえで、想定しておきたい論点がいくつかあります。着手前に押さえておくと、導入後のつまずきを避けやすくなります。
一つ目は、商品の見た目の多様さです。パッケージの変更や季節商品の入れ替わり、似た見た目の商品の並びは、取り違えの原因になります。二つ目は、撮影の条件です。店内の照明や棚の反射、客や什器による隠れがあると、画像から棚の状態を正しく読み取りにくくなります。どこにどうカメラを置くか、どう巡回して撮るかといった撮影の設計が、精度を左右します。三つ目は、誤検知への対応です。欠品でないのに欠品と通知したり、その逆が起きたりすると、店員の手間が増えます。確からしさが低い棚は店員が確かめる運用にして、影響を抑えることが求められます。四つ目は、現場の運用への組み込みです。気づいて終わりではなく、通知を受けた店員が補充や是正につなげる流れまで整えないと、売場では使われません。
導入で扱うデータと前提
棚割・欠品検知AIの精度は、学習に使う画像の質と量に大きく左右されます。着手前に、次のようなデータや前提がどこまで整っているかを確認しておくと見通しが立てやすくなります。
基本になるのは、自社の売場で撮った棚の画像と、その正しい状態の情報です。加えて、棚割のマスタ（どの商品をどこにどれだけ並べるかの設計図）や、扱う商品の一覧があると、照合の土台になります。注意したいのは、自社の店舗や商品で学習・検証することです。店舗の作りや扱う商品、陳列の仕方は企業ごとに異なるため、他社の画像だけで作ったものは自社の売場に合わないことがあります。また、店内のカメラが客や従業員を映す場合は、個人情報やプライバシーへの配慮が必要で、収集や利用は個人情報保護法などの枠組みに沿って進める必要があります。
外注時に確認しておきたい点
棚割・欠品検知AIの開発や導入を外部に委託する場合は、次の点を事前にすり合わせておくと、認識のずれを防ぎやすくなります。まず、対象とする棚や商品の範囲と、何を検知したいか。欠品なのか、棚割の遵守なのか、フェイス数なのかによって、必要なデータも作り方も変わります。次に、撮影の方法。定点カメラか巡回撮影かで、設置や運用の負担が変わります。
さらに、既存のPOSや在庫の仕組みとどうつなぐか、そしてAIの通知を店員がどう確かめて補充・是正につなげるかという運用の流れも、あらかじめ整理しておきたい点です。棚割・欠品検知AIは、一度作って終わりではなく、商品の入れ替わりに合わせて精度を保ち続ける取り組みになります。開発までを切り出すのか、運用や見直しまで含めて依頼するのかを明確にしておくと、導入後のつまずきを抑えやすくなります。
まとめ：棚割・欠品検知AIで押さえる3つの視点
棚割・欠品検知AIは、人流解析や在庫最適化とは役割の異なる「棚の状態を画像で見る」部分を担う仕組みです。検討するうえで押さえたい視点は3つに整理できます。第一に、客を見る人流解析、発注を決める在庫最適化、棚を見る棚割・欠品検知を切り分け、自社が楽にしたいのがどれなのかを見極めること。第二に、欠品・棚割・フェイス数のうち、いちばん負担の大きい点検から絞って始めること。第三に、商品の見た目や照明のばらつきを前提に、AIの通知は気づきと捉え、店員が現物で確かめて補充・是正する運用を組むこと。この3点を踏まえておけば、「気づきは出るが売場で使われない」というつまずきを避けやすくなります。自社売場での学習や既存システムとの連携に不安があれば、要件整理の段階から外部の知見を借りるのも一つの選択肢です。
よくある質問
棚割・欠品検知AIと人流解析AIは何が違うのですか。
同じ店内のカメラを使っても、対象が異なります。人流解析AIは来店客の人数や動線、混雑を見る仕組みで対象は「客」です。棚割・欠品検知AIは棚そのものの状態を画像で見て、欠品や陳列の乱れに気づく仕組みで、対象は「棚」です。目的が違うため、必要に応じてそれぞれを検討することになります。
在庫最適化AIがあれば欠品は防げますか。
在庫最適化AIは需要をもとにいつ・いくつ発注するかを決める仕組みで、扱うのは在庫の数字です。棚割・欠品検知AIは、実際の棚で商品が切れていないかを画像で確かめる仕組みです。発注の数字は合っていても棚が乱れることはあるため、両者は役割が異なり、組み合わせて使われることもあります。
どんな点検から始めるのがよいですか。
欠品の検知・棚割の確認・フェイス数の把握・価格表示の確認のうち、自社の売場でいちばん負担の大きい点検を一つ選んで始めるのが現実的です。一部の売場や商品カテゴリに絞って試し、店員が結果を確かめながら精度と使い勝手を見極めていくとよいでしょう。
AIの通知はそのまま使ってよいですか。
商品の見た目の多様さや照明のばらつきで、AIが取り違える場面もあります。AIの通知は気づきと位置づけ、確からしさが低い棚は店員が現物で確かめる運用が基本です。誤った通知は手間を増やすため、人が確かめる前提で使うことで、売場でも受け入れられやすくなります。
外注する場合、どこまで依頼できますか。
画像データの棚卸しや要件整理といった上流から、検知ロジックの設計、撮影方法の検討、既存のPOSや在庫の仕組みとの連携、運用や見直しの仕組みづくりまで、範囲を分けて依頼できます。検知したいことと撮影の方法、学習に使える画像の状況をあらかじめすり合わせておくと進めやすくなります。
著者：テレリモ総研編集部 鈴木 亮佑
棚割・欠品検知AIの導入・運用のご相談はLASSICへ
元請（プライムベンダー）として、画像データの棚卸しから検知ロジックの設計・既存システム連携・売場運用まで、貴社の課題に合わせてご提案します。まずはお気軽にご相談ください。
ご不明な点はお問い合わせフォームからもご連絡いただけます。
- *1 出典：個人情報保護委員会「個人情報保護法について」（https://www.ppc.go.jp/personalinfo/）
