Директор по продажам крупного FMCG-производителя открывает Excel и видит: доля полки по ключевой категории упала на три процентных пункта. Он отправляет запрос мерчандайзинговому агентству, которое поднимает фотоотчеты. Фотографии сделаны три дня назад, часть из них нечеткая, часть снята не под тем углом. И получить полную картину ситуации на полках уже невозможно. Пока менеджеры разбираются в причинах, товар конкурента занял освободившееся место. И такое происходит каждый день в сотнях торговых точек.
Технологии компьютерного зрения сегодня помогают решить эту проблему. Они дают бизнесу актуальные, точные данные о полке без зависимости от скорости обработки фото супервайзером. Но вокруг темы компьютерного зрения в ритейле накопилось много размытых объяснений и завышенных ожиданий. В этой статье разберем, как работает компьютерное зрение в рознице на практике, какие задачи оно решает и чего от него ждать не стоит.
О чем мы расскажем в статье:
- Что такое компьютерное зрение простыми словами
- Как работает компьютерное зрение: объяснение без технических деталей
- Где компьютерное зрение уже реально помогает ритейлу
- Компьютерное зрение и мерчандайзинг: как это связано с Goods Checker
- Какие выгоды дает компьютерное зрение бизнесу
- С чего начать внедрение компьютерного зрения в сети
- Распространенные ошибки и ожидания, которые лучше скорректировать заранее
- Компьютерное зрение уже стало рабочим инструментом
Что такое компьютерное зрение простыми словами
Компьютерное зрение — это одно из направлений искусственного интеллекта, которое помогает ИТ-решению понимать, что изображено на фотографии или видеозаписи. Камера или смартфон делает снимок, и система самостоятельно определяет, какие товары на нем есть, на своих ли они местах, нет ли пустот, верно ли указан ценник. Другими словами, это технология, которая позволяет ИИ «видеть» окружающий мир через камеры.
Хороший бытовой аналог — функция распознавания лиц на смартфоне. Телефон сопоставляет черты лица с теми, которые уже знает, и определяет конкретного человека. Примерно так же работает распознавание товаров на полке: система сравнивает изображение SKU с базой и определяет, что именно стоит на полке и в каком количестве.
Для ритейла и мерчандайзинга технологии компьютерного зрения позволяют решать несколько классов задач:
- Распознавание объектов. Товары, ценники, POSM-материалы, тележки, люди — система умеет находить их на снимке и классифицировать.
- Проверка присутствия. Есть ли товар на месте? Не образовалась ли пустая зона? Сколько фейсингов стоит вместо положенных?
- Отслеживание движения. Куда идут покупатели, где они останавливаются, какие зоны магазина не привлекают внимания.
Видеоаналитика в ритейле и статичный анализ фото — это два разных применения одной технологии. Оба используют одни и те же принципы, но решают разные операционные задачи.
Как работает компьютерное зрение: объяснение без технических деталей
Представьте, что вы нанимаете нового сотрудника на склад и учите его распознавать ассортимент. Первые несколько недель показываете ему сотни упаковок молока, кефира, творога разных брендов и говорите: «Вот это — нужный SKU, а вот это — нет». Постепенно сотрудник запоминает отличия и начинает работать самостоятельно.
Система компьютерного зрения обучается примерно так же. Ей показывают тысячи фотографий товаров в разных условиях, например, при разном освещении, под разными углами, с разными соседями на полке. После обучения система умеет находить знакомые SKU на новых фотографиях, которые раньше не видела.
«В SaaS-модели это выглядит следующим образом. Мерчандайзер делает фото полки в мобильном приложении, снимок отправляется на сервер, нейросеть обрабатывает его за несколько секунд и возвращает результат: что распознано, где товар отсутствует, насколько выкладка соответствует планограмме. Менеджер видит готовый отчет в браузере, а не сотни необработанных фотографий.»
Точность распознавания в коммерческих решениях для FMCG сегодня превышает 95% при хорошем качестве исходного снимка. Именно качество фото становится одним из ключевых ограничений на практике.
Где компьютерное зрение уже реально помогает ритейлу
Сценариев применения несколько, и они закрывают разные операционные задачи. Одни касаются полки и мерчандайзинга, другие — касс и потерь, третьи — покупательского поведения. Ниже разберем каждый из них и покажем, какую бизнес-проблему он решает.
Контроль полок и выкладки по фото
Это наиболее зрелое применение технологий компьютерного зрения в рознице. Система получает фото полки, распознает товары на уровне SKU, сравнивает расположение с планограммой и формирует отчет об отклонениях.
Бизнес-проблема заключается в следующем. Пустые полки — это отсутствие продаж и финансовые потери, а неверная выкладка нарушает договоренности с производителями и снижает объем продаж по приоритетным SKU. При ручном контроле мерчандайзер может допускать ошибки из-за усталости или нехватки времени, а супервайзер физически не успевает просматривать все поступающие фото.
«Одно из украинских мерчандайзинговых агентств, Lex Marketing, автоматизировало этот процесс с помощью Goods Checker. До внедрения каждый мерчандайзер тратил около часа в день только на отчетность по одной торговой точке. После внедрения — около 20 минут. Это позволило команде увеличить количество посещаемых точек без найма новых сотрудников, а менеджеры получили актуальные данные по всей сети, а не выборочные сводки трехдневной давности.»
Ценники и промо-зоны
Система распознает ценники на полке и сопоставляет их с ценами в учетной системе. Если ценник отсутствует, поврежден или указывает неверную цену — это фиксируется автоматически.
Несоответствие цены на полке и в чеке для бизнеса означает конфликты с покупателями, жалобы и регуляторные риски. Особенно остро это проявляется во время промокампаний, когда нужно одновременно обновить ценники в сотнях точек. Ручная проверка не успевает за темпом промоакций.
Очереди, кассы и кассы самообслуживания
Видеоаналитика в ритейле хорошо справляется с задачами мониторинга очередей: система считает людей в очереди в режиме реального времени и отправляет сигнал открыть дополнительную кассу при превышении порога. Это снижает время ожидания и уменьшает отток покупателей из-за длинных очередей.
Отдельная область — антифрод на кассах самообслуживания. Система отслеживает нестандартные действия, например, имитацию сканирования, подмену товара, попытку вынести неоплаченный товар. По данным ряда ритейлеров, внедрение видеоаналитики на кассах самообслуживания позволяет сократить потери от краж на 20–40%, хотя более точные показатели зависят от формата магазина и объема товаропотока.
Поведение покупателей и тепловые карты
Анализ покупательского потока — еще один сценарий, где компьютерное зрение в розничной торговле дает данные, которые раньше было сложно или дорого собирать.
Тепловые карты (heat maps) показывают, как покупатели перемещаются по магазину: какие зоны они проходят без остановки, где задерживаются дольше, какие стеллажи практически не привлекают внимания. Это напрямую влияет на расстановку приоритетных SKU, размещение промо-островов и арендную стоимость «горячих» мест для брендов.
Крупные торговые сети используют эти данные при перепланировке торгового зала и при переговорах с поставщиками о плате за размещение.
Контроль качества при приемке
Компьютерное зрение умеет выявлять дефекты упаковки: повреждения, деформацию, несоответствие маркировки стандарту. Это актуально при приемке товара на склад, особенно в сегментах с высоким риском брака, например в свежих продуктах или напитках в стекле.
Автоматизация этого процесса снижает долю некачественного товара, который попадает на полку, и уменьшает количество возвратов и претензий от покупателей.
Компьютерное зрение и мерчандайзинг: как это связано с Goods Checker
Goods Checker — это SaaS-платформа на базе компьютерного зрения, которая автоматизирует контроль выкладки в FMCG и ритейле. Система получает фото полок от мерчандайзеров, распознает товары на уровне SKU с точностью выше 95%, сравнивает результат с планограммой и формирует аналитические отчеты с нужными KPI, такими как доля полки, наличие товара, процент соответствия планограмме.
«Данные становятся доступны менеджеру сразу после обработки фото, а не на следующий день или даже через несколько дней после объезда точек. Goods Checker интегрируется с существующими ИТ-системами по API, что позволяет встроить ее в текущий рабочий процесс без замены инфраструктуры.»
Какие выгоды дает компьютерное зрение бизнесу
Перечислим основные эффекты, которые фиксируют ритейлеры и производители FMCG при внедрении решений на базе компьютерного зрения.
- Рост продаж за счет сокращения out of stock. По данным отраслевых исследований, пустая полка стоит ритейлеру в среднем 4% потенциальных продаж по категории. Автоматический контроль позволяет найти пропуски товаров раньше, чем это замечает мерчандайзер при плановом обходе, и, соответственно, быстрее реагировать. Ряд ритейлеров сообщает о росте товарооборота на 2–5% после внедрения систем контроля выкладки.
- Снижение потерь. Это включает кражи на кассах самообслуживания, ошибки в ценах, некачественный товар на полке. Каждый из этих источников потерь поддается автоматизированному контролю.
- Экономия рабочего времени. Мерчандайзер перестает тратить час в день на ручное заполнение отчетов и больше времени проводит непосредственно в точке. Супервайзер не просматривает сотни фото вручную, так как система уже выделила, что нужно исправить.
- Качество данных. Управленческие решения принимаются на основе актуальной информации, а не на основе отчетов недельной давности. Это особенно критично для категорийных менеджеров и трейд-маркетологов, которым важно видеть реальную картину по сети, а не выборку.
С чего начать внедрение компьютерного зрения в сети
Компании, которые начинают проект с выбора технологии, а не с формулировки задачи, часто получают работающую систему без понятного результата. Сначала нужно ответить на вопрос, что именно требует улучшения и по каким показателям будем оценивать эффект. И только после этого выбирать инструмент и партнера.
Шаг 1. Определить задачи и KPI
Первый вопрос не «какую технологию выбрать», а «что именно нас беспокоит». Это могут быть пустые полки в ключевых категориях, расхождение выкладки с планограммой, потери на кассах самообслуживания или нехватка данных о покупательском потоке. Каждая задача предполагает разный набор инструментов и разные метрики результата.
Если нет четких KPI до старта проекта — нет и способа оценить его окупаемость после.
Шаг 2. Выбрать сценарии и пилот
Не стоит пытаться автоматизировать все сразу. Лучше выбрать один-два сценария, которые дадут измеримый результат, и запустить пилот на ограниченном количестве торговых точек.
Например, контроль выкладки в двух-трех ключевых категориях в десяти магазинах даст понятную базу для сравнения «до и после» и позволит оценить экономику проекта до масштабирования
Шаг 3. Выбрать технологического партнера
При выборе ИТ-партнера необходимо обратить внимание на следующие показатели:
- точность распознавания на реальных данных:
- скорость обработки фото
- удобство интерфейса для мерчандайзеров и менеджеров
- наличие кейсов в аналогичном формате ритейла или категории.
Шаг 4. Запустить пилот и измерить результат
Пилот должен заканчиваться не презентацией с красивыми графиками, а понятным расчетом: как изменились KPI, сколько рабочих часов сэкономлено, насколько сократился уровень OOS и как это повлияло на оборот. Только с этими данными имеет смысл принимать решение о масштабировании.
Распространенные ошибки и ожидания, которые лучше скорректировать заранее
Компьютерное зрение работает ровно так, как его настроили и как им пользуются. Если процессы вокруг системы не выстроены, даже точная и быстрая аналитика не даст результата. Вот что чаще всего мешает получить отдачу от проекта.
«Поставим систему, и все наладится само». Компьютерное зрение фиксирует нарушение, но не исправляет его. Если мерчандайзер получает уведомление о пустой полке, но не реагирует — технология не поможет. Операционный процесс нужно настраивать параллельно.
Плохое качество исходных данных. Снимок, сделанный в темном углу магазина под острым углом к полке, даст плохой результат, даже если модель сильная. Качество фото — это часть операционного стандарта, и его нужно контролировать отдельно.
Внедрение без вовлечения операционной команды. Если система внедрена «для отчетности наверх», а мерчандайзеры и супервайзеры не понимают, зачем им новый инструмент, то пользы от него будет немного. Изменение поведения команды важнее технического запуска.
Подход «сначала купим оборудование, потом решим, зачем». Правильный порядок обратный: сначала формулируем задачу и KPI, потом выбираем инструмент под конкретный сценарий.
Компьютерное зрение уже стало рабочим инструментом
Пять лет назад внедрение систем компьютерного зрения в мерчандайзинге было дорогим и долгим проектом с непредсказуемым результатом. Сейчас это SaaS с пилотным запуском за несколько недель и понятной экономикой. Для большинства средних и крупных торговых сетей и FMCG-производителей этот инструмент перестал быть вопросом «внедрять или нет» и стал вопросом «с какого сценария начать».
Для руководителя важно не понимать алгоритм нейросети, а понимать, какую задачу система решает, по каким KPI измеряется эффект и как это встраивается в операционный процесс.
Если вашей компании важно получать объективные данные о состоянии полки, быстрее выявлять OOS и контролировать выполнение стандартов выкладки, стоит рассмотреть современные SaaS-решения на базе компьютерного зрения. Они позволяют принимать решения на основе данных практически в режиме реального времени, а не на основании выборочных фотоотчетов и ручных проверок.
