Видеоаналитика в магазине: порядок внедрения и четыре типичные ошибки

Источник: Trassir

В марте 2025 года на Retail.ru был опубликован результат внедрения решений Trassir в нескольких федеральных сетях фуд-ритейла (суммарно более 45 тыс. торговых точек), в результате которого удалось добиться сокращения длины очередей на 60–70%. Но очереди сократил не алгоритм, подсчитывающий количество людей перед кассой. Их сократило внедрение и строгое следование внутренним регламентам: как только система фиксирует превышение порога по числу людей и времени ожидания, отправляется уведомление, и далее администратор открывает новую кассу. Если убрать вторую половину этой связки, то останется просто красивый дашборд, который никак не влияет на выручку.

Отсюда проистекает вся практика внедрения видеоаналитики в офлайн-магазине. Умные нейросетевые алгоритмы считают и помогают найти узкие места, а результат приносит изменение бизнес-процессов у ритейлера. Разберем, какие процессы меняются первыми, что дает самый быстрый результат и где возможны сложности.

Внедрение начинается с одного процесса

Соблазн понятный: закупить видеоаналитику сразу на весь торговый зал, раз камеры уже все равно висят. Да, камеры действительно установлены, но повешены они, в большинстве случаев, под задачи службы безопасности: обзорный ракурс, широкий угол, контроль зоны. Для подсчета посетителей нужен другой ракурс и другая точка подвеса, для контроля кассы – кадр, где видно одновременно и руки кассира, и товар, и монитор.

Работающая последовательность выглядит скучнее. Выбирается один процесс с понятной ценой ошибки: касса, вход, приемка товара. Под него дособираются камеры и лицензии, настраиваются пороги, пишется регламент реакции. Через месяц-полтора появляются первые отчеты, на основе которых уже можно вести диалог с операционным блоком. И только потом проект расширяется на соседние зоны.

Касса: видео, привязанное к строке чека

Модуль интеллектуальной видеоаналитики Trassir ActivePOS сводит воедино кассовые операции с видеоданными. Отмена позиции, ручная скидка, возврат, продажа без сканирования – каждое такое событие становится строкой в поиске, к которой прикреплен фрагмент видеоряда.

Главное отличие здесь не наличие видеозаписи, а стоимость проверки для каждого инцидента. Раньше запрос из финансовой службы «покажите, что было с этим возвратом» означал час-полтора просмотра архива с ручным поиском по видеоархиву. Теперь оператор задает условие в поиске и получает нужный эпизод. Проверять становится дешево, поэтому проверяют не по жалобе, а сплошным потоком по заданным сценариям.

Внутренние потери на кассах часто происходят по накатанным шаблонам: пробить товар по своей карте лояльности, «забыть» отсканировать нижнюю полку тележки, оформить возврат на знакомого. Такие схемы живут только до того момента, пока никто не сопоставляет чек с видео.

Вход в магазин: важны уникальные посетители, а не количество проходов

Trassir Neuro Counter считает уникальных посетителей и отделяет их от повторных проходов сотрудников и курьеров. Дальше из двух чисел – посетители и чеки – собирается конверсия по часам и дням.

Источник: Trassir

Однако это число само по себе практически бесполезно. Полезен разрыв между трафиком и чеками: в субботу с 12 до 15 в зале максимум людей, а конверсия проваливается. Дальше идет разбор причин: не хватило касс, кончился товар в промозоне, ушел персонал из торгового зала. Ни одну из этих гипотез видеокамера не подтвердит сама, но она покажет, где искать причину.

Приемка и отгрузка: вся история товара вместо часов просмотра архива

Trassir ActiveStock привязывает события к товару и его перемещению по складу магазина или распределительному центру. Приемка, перестановка, комплектация, отгрузка непрерывно отслеживаются умной видеоаналитикой. По каждой спорной позиции оператором быстро поднимается вся цепочка связанных событий, а не отдельный кадр.

Для сетевого магазина это закрывает вечный спор с поставщиком и службой логистики о том, на каком этапе потерялся или был поврежден товар. Для любого крупного склада или распределительного центра это значительно сокращает время на разбор претензий по недостачам без необходимости выездной инвентаризации.

В сети торговых точек цифры будут сопоставимы только при одинаковой настройке

Пока речь про один магазин, для анализа ситуации хватает наличия здравого смысла. На тридцати магазинах начинается другая история: конверсия в точке А выше, чем в точке Б, и непонятно, дело в мерчандайзинге или в том, что на входе в магазин Б камера стоит под другим углом и режет часть потока.

Поэтому для сети первым делом фиксируются правила: единая точка подвеса камер видеонаблюдения и ракурс на входной группе, одинаковые границы зон подсчета, общий календарь нерабочих часов, одинаковые пороги по длине очереди. Скучная методическая работа, без которой централизованный отчет превращается в набор несравнимых чисел. Заниматься ею приходится на старте внедрения видеоаналитики, потому что переделывать в уже настроенной и действующей системе видеонаблюдения в торговой сети дороже, чем грамотно настроить ее сразу.

Четыре причины, по которым внедрение не дает результата

Четыре основные причины, по которым эффективность работы умной видеоаналитики в торговых точках может быть ниже ожидаемой, повторяются от объекта к объекту:

• Отчет без владельца. Аналитика уходит в службу безопасности, а решения об открытии кассы, выкладке и графике смен принимает операционный директор. Если отчет никто не читает по должностной обязанности, через два месяца его перестают открывать вовсе.

• Сигнал без регламента. Система шлет уведомление об очереди, но не написано, кто реагирует, за сколько минут и что делает, если свободных кассиров нет. Итог: уведомления отключают, потому что они «мешают работать».

• Ложные срабатывания в первые недели. Пороги приходится настраивать под конкретный магазин: высота подвеса, освещение, контровый свет от витрины, ширина прохода. Это нормальный этап, но если его не заложили в план, команда успевает разочароваться.

• Ожидание, что нейросеть найдет все сама. Модуль интеллектуальной видеоаналитики работает по заданным сценариям. Список сценариев составляет ритейлер, исходя из своей структуры потерь. Подрядчик на это повлиять не может, это не его работа.

Что нужно посчитать до старта

Считать окупаемость внедрения видеоаналитики исходя из обещаний вендора смысла нет. При принятии решения нужно опираться на свои собственные цифры: текущие потери по инвентаризации в разрезе категорий, долю отказов от покупки из-за возникновения очередей, стоимости часа работы персонала, который сейчас вручную отсматривает архив.

Со стороны вендора при установке системы видеоаналитики для ритейла в стоимость могут входить оборудование, лицензии модулей, работы по монтажу и настройке, техническая поддержка.

Отдельная строка – серверная часть. Небольшой магазин закрывается регистратором с аналитикой на борту, для сети с централизованной отчетностью нужна другая архитектура.

Видеоаналитика сама по себе не сделает магазин прибыльным. Она убирает слепые зоны в управлении и переводит спор о причинах в разговор о цифрах и данных. Дальше решает ритейлер: кто работает с отчетом, кто отвечает за реакцию на оповещения и что конкретно меняется в работе магазина по результатам аналитической работы.

Retail.ru