Главные выводы
• Потери ритейла в США в 2024 году достигли 8,4 трлн ₽ (по данным NRF). Это 1,5–2,5 % выручки в среднем по отрасли — настолько устойчивая величина, что AI-системы для предотвращения потерь стали капитальной строкой бюджета на уровне совета директоров в среднем сегменте розницы. AI стабильно даёт сокращение потерь на 20–30 % с окупаемостью 4–9 месяцев при стоимости 2,2–4,5 млн ₽ на магазин «под ключ».
• Пять сценариев дают 80 % эффекта. Sweet-hearting на кассах самообслуживания, кражи на выходе, ошибки приёмки, недобросовестность сотрудников и организованная преступность в ритейле (organised retail crime, ORC). У каждого — своя архитектура, своя экономика и свой подход к приватности; небрежно сваливать их в одну кучу — верный способ провалить пилот вендора.
• Архитектура 2026 года — это шесть слоёв. Парк камер, edge AI-устройство, кастомная YOLO-модель с трекингом, корреляция событий с POS-системой, очередь для оператора и интеграция с POS. Edge-инференс выигрывает потому, что стоимость стриминга каждой камеры в облако быстро ломает юнит-экономику.
• Приватность — это жёсткое требование, а не пожелание. Закон Иллинойса BIPA позволяет штрафовать на 75 000–375 000 ₽ за каждое нарушение в отношении одного человека. В Техасе, Вашингтоне, Нью-Йорке и ряде других штатов действуют законы о биометрических данных. GDPR Евросоюза вместе с AI Act ужесточают требования ещё сильнее. Жизнеспособная архитектура 2026 года либо отказывается от распознавания лиц, либо жёстко его ограничивает и опирается на поведенческий анализ, который остаётся в рамках закона.
• Кастомная интеграция выигрывает у вендоров «под ключ» на масштабе. Everseen, Sensormatic, Tyco доминируют в детекции мошенничества на кассах самообслуживания, но поставляются в виде «чёрного ящика» с подпиской за каждую кассу. Для сетей продуктовых и круглосуточных магазинов с несколькими локациями подход кастомного интегратора — с кейсом сокращения потерь на 23 % (продуктовая сеть из 47 магазинов под NDA) — обычно окупается за девять месяцев против вендорского варианта.
Почему Фора Софт написала этот плейбук
Фора Софт уже больше десяти лет занимается видеонаблюдением и компьютерным зрением. Мы построили и поддерживаем системы наблюдения на edge AI совместно с производителями оборудования класса EyeBuild, развернули мультимагазинные пайплайны предотвращения потерь для продуктовой сети из 47 магазинов под NDA (сокращение потерь на 23 % за двенадцать месяцев, около 66 млн ₽ возвращённых средств) и поставили интеграции систем управления видео для крупных POS-вендоров. Мы — та команда, которая в продакшене связывает edge AI с кастомными YOLO-моделями, корреляцией событий POS и UX очереди для оператора.
Помимо собственных проектов мы провели аудит двух retail-AI-стартапов на этапе due diligence перед раундом pre-Series A и выпустили модуль детекции sweet-hearting поверх существующей VMS. Эти паттерны также опираются на публичные источники — обзор National Retail Security Survey от NRF, материалы вендоров Everseen / Sensormatic / Tyco, технические брифы Hailo-8L и NVIDIA Jetson Orin, а также судебную практику по BIPA в Иллинойсе, которая определила архитектуру retail-AI в 2024–2026 годах.
Если вы — директор по предотвращению потерь, вице-президент по технологиям безопасности, оператор сети из нескольких локаций, продуктовая сеть или сеть круглосуточных магазинов, этот гайд даёт вам сценарии, архитектуру, реальную картину по приватности, расчёт ROI на магазин и шестнадцатинедельный план развёртывания, который мы используем со своими клиентами.
Сократить потери на 20–30 % за 16 недель?
Пришлите количество камер и данные по потерям за последние 6 месяцев — мы вернёмся в течение 48 часов с прогнозом ROI и шестнадцатинедельным планом развёртывания. Бесплатно.
Кризис потерь 2026 года
National Retail Security Survey от NRF за 2024 год оценил годовые потери ритейла в США в 8,4 трлн ₽ — против 7 трлн ₽ в 2021 и 4,5 трлн ₽ в 2018. По компонентам это примерно 36 % — внешние кражи (организованная преступность, шоплифтинг), 29 % — кражи сотрудников, 26 % — процессные и административные ошибки, 9 % — прочее. Цифры различаются по сегментам: продуктовые сети и аптеки — 1,8–3,2 % выручки; одежда — 0,9–1,6 %; круглосуточные магазины — 1,5–2,4 %; масс-маркет — 0,7–1,4 %.
Главный структурный драйвер — распространение касс самообслуживания. Доля транзакций через SCO в США превысила 35 % от всех походов в продуктовые магазины в 2024 году и продолжает расти; уровень потерь на SCO в 5–15 раз выше, чем на кассах с кассирами, и заметная часть — это «честные ошибки», а не злой умысел. Опросы NRF также показывают, что инцидентов ORC за пять лет стало на 60 % больше, и удар приходится непропорционально на средние сети, потому что они не могут позволить себе LP-команду размером с команду Walmart.
Walmart, Target, Kroger и другие ритейлеры первого эшелона уже несколько лет ведут программы AI loss prevention. Средний сегмент — региональные сети из 30–200 магазинов — это волна внедрения 2026 года: инструменты дозрели, экономика на магазин складывается, а альтернатива (наращивать LP-штат и терпеть потери) — нет.
Пять сценариев предотвращения потерь
Пять сценариев ниже покрывают примерно 80 % возвратимых потерь в продуктовых, круглосуточных, масс-маркете и аптечных сетях. У каждого — свой набор камер и моделей, своя экономика и своя позиция по приватности. Стройте программу вокруг сценариев, а не вокруг тех камер, что у вас уже есть.
Сценарий 1 — Sweet-hearting на кассе самообслуживания
Sweet-hearting — общий термин для разных видов мошенничества на SCO: покупатель делает вид, что сканирует товар, но не сканирует («ghost scan»), сканирует дешёвый товар, упаковывая дорогой («banana trick»), подменяет дорогой PLU-код овощей дешёвым или вовсе пропускает товар, складывая его в пакет. Большинство магазинов классифицируют ошибки и кражи вместе — операционная реакция одинакова.
Архитектура — это камера сверху над каждой SCO-кассой плюс корреляция событий с лентой сканирований POS: каждое событие сканирования с кассы должно совпадать с детекцией «товар-в-пакете» с камеры. Несовпадения уходят оператору SCO примерно за 2 секунды — со стоп-кадром и проблемным SKU. Классические внедрения (Everseen, Sensormatic) работают уже годами; среднему сегменту нужна более тесная интеграция с конкретной POS сети и UX оператора, чистый с точки зрения приватности.
Берите детекцию sweet-hearting на SCO, когда: SCO даёт более 25 % походов, средний уровень потерь на SCO-кассах превышает 1,5 % оборота или операторы говорят, что сотрудники не успевают отрабатывать каждое срабатывание.
Сценарий 2 — Кражи на выходе
Кражи на выходе — более широкая категория: покупатель уходит, не заплатив за товары в тележке или при себе. Детекция работает как видеоаналитика на дверях: то, что выносят из магазина, сравнивается с чеками за последние N секунд на кассах. Цена ложного срабатывания высока — обвинить заплатившего покупателя означает катастрофу для бренда и юридические последствия; модель 2026 года передаёт событие сотруднику LP с полным видеоконтекстом и никогда не вступает в конфронтацию с покупателем напрямую через автоматику.
Обработка «честных ошибок» заложена в дизайн: покупатель забыл купон, положил бутылку в сумку и собирался её оплатить, отвлёкся на ребёнка — система передаёт событие, оператор разбирается без конфронтации, а команда операций со временем подтягивает порог.
Сценарий 3 — Ошибки приёмки
Ошибки приёмки и потери в подсобке отвечают за те самые 26 % «процессных и административных» из данных NRF. Классические паттерны — недосчёт паллет, недопоставка от поставщика, увод сотрудниками во время разгрузки и прямая кража с разгрузочной зоны. Паттерн детекции — камеры сверху и сбоку на разгрузочной зоне, связанные с потоком приёмочных документов (DSD или WMS) для перекрёстной проверки.
Сценарий рычажный: эффект на одно событие большой (упущенная паллета — это потери в шестизначных рублях), а количество истинных срабатываний на камеру в месяц управляемое. К тому же приватность здесь самая лёгкая — поверхность операционная и закрытая.
Сценарий 4 — Недобросовестность сотрудников
Кражи сотрудников — второй по объёму вклад в потери (29 % по NRF) и операционно самый чувствительный. Паттерны: возвраты-фантомы (без фактического возврата товара), злоупотребление скидками, эксплойты «void / no-sale», ручной ввод PLU дорогого товара как дешёвого и прямая кража из кассового ящика.
Детекция работает на уровне касс и камер в подсобке вместе с анализом событий POS (возвраты, voids, ручные скидки помечаются для просмотра видео). Чувствительность к ложным срабатываниям предельная — ошибочно обвинить кассира с большим стажем означает HR-катастрофу. Стройте систему так, чтобы она показывала паттерны во времени (несколько событий на одной кассе, статистические выбросы), а не отправляла менеджеру алерт на каждое событие.
Берите паттерн-мониторинг сотрудников, когда: возвраты-фантомы и злоупотребление voids уже подтверждены аналитикой по данным POS, в сети есть концентрация потерь на конкретных кассах или HR и руководитель по работе с персоналом подписались на сам процесс.
Сценарий 5 — Организованная преступность в ритейле (ORC)
Организованная преступность в ритейле — это длинный хвост крупных потерь. Группы целятся на дорогие SKU (стиральный порошок, детское питание, безрецептурные лекарства, электронику, дизайнерскую одежду) и сбывают их через онлайн-маркетплейсы. NRF сообщает, что 71 % ритейлеров видели рост ORC год к году в 2024 году.
На уровне магазина детектируются паттерны поведения, характерные для ORC: быстрое сокрытие товара в отделе детского питания, координация в группе, повторные визиты в разные магазины сети, паттерны прибытия на одной машине. Данные часто шарятся (с надлежащим согласием и контрактами) в общеотраслевых платформах вроде ALTO Global Processing или каналах ORC ФБР.
Эталонная архитектура — стек из шести слоёв
В наших проектах архитектура схлопывается до шести слоёв. Та же форма работает и при использовании уже установленных IP-камер с устаревшими NVR, и при установке свежего edge-стека с нуля.
Слой 1 — Парк камер (имеющийся или новый)
У большинства сетей уже есть парк IP-камер (Axis, Hikvision, Hanwha / Wisenet, Bosch, Avigilon). Архитектура подключается к нему через ONVIF или RTSP, а не сносит и заменяет всё подряд. Там, где нужны новые камеры (сверху над каждой SCO-кассой, на выходе с обзором в полный рост, сверху над разгрузочной зоной), берите сенсоры с глобальным затвором на 5 Мп и выше с поддержкой WDR — освещение в торговом зале сильно меняется.
Полосу пропускания от камер до edge-устройства считайте аккуратно. Двенадцать камер по H.265 на одно edge-устройство — реально; двадцать четыре по H.264 — уже начинает ломаться. Современная архитектура VMS покрывает более широкую видеоинфраструктуру, в которую этот слой встраивается.
Слой 2 — Edge AI-устройство (Hailo, Jetson)
Стоимость облачного инференса на камеру в месяц ломается выше 4 камер — вы платите тысячи рублей за камеру в месяц за вычисления, которые edge-устройство съедает за 2 250–4 500 ₽ амортизированно. Дефолтные edge-устройства 2026 года — это NVIDIA Jetson Orin Nano / NX (широкая поддержка фреймворков, 20–100 TOPS), Hailo-8 / Hailo-8L (специализированный AI-ускоритель, 13–26 TOPS, низкое энергопотребление) или небольшая x86-машина с интегрированным GPU Intel и OpenVINO для сетей, у которых уже есть x86 on-prem.
Бюджет на магазин: один Jetson Orin NX или два Hailo-8L на 12–20 камер, безвентиляторный промышленный корпус, два сетевых интерфейса (VLAN камер + VLAN управления), ИБП на случай регулярных перебоев питания в подсобке. Сразу стройте плоскость удалённого управления (через WireGuard или вендорский туннель), чтобы парк edge-устройств можно было патчить без выезда в магазин.
Выбирайте Hailo-8L вместо Jetson, когда: тепловой бюджет на магазин жёсткий (в подсобке регулярно выше 35 °C), набор моделей зафиксирован на нескольких детекторах, а целевая цена за AI-устройство не превышает 135 000 ₽.
Слой 3 — Кастомный YOLO + трекинг
Детекторы класса YOLO (YOLOv8, YOLO-NAS, RT-DETR) плюс трекер (ByteTrack, BoT-SORT) — это базовая линия для retail-видеоаналитики в 2026 году. Готовых моделей, обученных на COCO, для ритейла недостаточно: их нужно дообучать на retail-специфичных датасетах (содержимое тележки, SKU на полках, паттерны движения «сканирую / не сканирую», позы рук кассира) и обязательно добавлять трекинг, чтобы сопровождать конкретного человека по магазину как минимум на 10 fps и ловить моменты сокрытия товара.
Прагматичная сборка датасета: 30–60 часов внутримагазинного видео на каждый класс детектора, разметка через подрядчика по labelling-ops (Scale AI, Labelbox или собственная in-house команда), 5–15 % откладывается на оценку, дообучение под конкретный магазин — только если планировка сильно отличается от типовой по сети. Паттерны детекции аномалий, которые мы публиковали ранее, питают неконтролируемую часть этой работы.
Слой 4 — Корреляция событий с POS
Корреляция событий — это слой, который превращает видео в реальную ценность для предотвращения потерь. Каждое сканирование, каждый void, каждый возврат, каждый ручной ввод PLU на POS становится событием в движке корреляции; каждая детекция «товар положили в пакет», «товар покинул тележку», «человек на выходе» с камеры — другим событием. Движок корреляции связывает их по времени и по кассе/линии и выдаёт алерт по уровням.
Архитектурный паттерн — стриминговый пайплайн на каждый магазин (Kafka или Redpanda для событий, потоковый процессор Flink или Python-сервис per-store для джойна) плюс правила, которые формализуют «совпадение в пределах 2 секунд» или «больше 3 несовпадений за 30 минут». Сложная часть интеграции — это поток с POS; видеосторона интегрируется проще.
Слой 5 — Очередь сортировки для оператора
Очередь сортировки — человеческая поверхность, от которой зависит, полюбит систему персонал магазина или возненавидит. Три уровня, по той модели, что работает в наших внедрениях. Красный: немедленное вмешательство — активный sweet-hearting на SCO, который сотрудник может остановить. Жёлтый: разобрать в течение смены — аномалия по возвратам, которую менеджер расследует к обеду. Зелёный: анализ трендов — LP-команда смотрит еженедельно, чтобы выявлять паттерны на конкретных кассах или магазинах.
Делайте UX сортировки так, чтобы каждый алерт приходил с видеоклипом на 6–10 секунд, контекстом события POS, рекомендованным действием и кнопкой обратной связи в один клик: «истинно положительный / ложно положительный / неоднозначно». Эта обратная связь переобучает порог ранжирования. Без неё цикл по снижению ложных срабатываний не замыкается, и система деградирует.
Берите многоуровневую сортировку с обратной связью оператора, когда: поток алертов превышает примерно 30 за смену на магазин, доля ложных срабатываний выше 25 % подрывает доверие операторов или горячие точки потерь сильно различаются между магазинами.
Слой 6 — Паттерны интеграции с POS (NCR, Toshiba, Square)
Интеграция с POS — точка трения, которая определяет скорость проекта. NCR ScoT и NCR Voyix отдают потоки данных IFSF / NRF Open POS и более современный REST API. Toshiba TCx Sky предоставляет похожий поток. Diebold-Nixdorf BEETLE / TPiV работает с фидами на основе DSP. У Square чистый современный набор API. Независимые продуктовые сети часто используют Auto-Star, ECRS, ITRetail или региональные POS — у них API слабее и кастомная интеграция требует больше работы.
Планируйте интеграцию с POS как многомесячный трек на каждую сеть. У каждой версии прошивки кассы может быть свой подход; у каждой сети — свой контракт на выгрузку данных с вендором POS; некоторые сети используют несколько POS-систем после поглощения других сетей. Закладывайте 25–35 % усилий проекта на этот слой; AI на его фоне — лёгкая часть.
Приватность — BIPA, распознавание лиц, законы штатов
Приватность — архитектурная ось, от которой зависит, проживёт ли ваша программа предотвращения потерь 24 месяца. Закон Иллинойса о биометрической информации (Biometric Information Privacy Act, BIPA) предусматривает штрафы 75 000 ₽ за неосторожное и 375 000 ₽ за умышленное нарушение в отношении одного человека; экспозиция по групповым искам в делах по ритейлу регулярно уходит в девятизначные суммы в долларах. В Техасе, Вашингтоне, Нью-Йорке, Мэриленде и ряде других штатов действуют биометрические законы разной строгости. AI Act Евросоюза относит биометрическую идентификацию в реальном времени в общественных местах к «высокому риску» с прямыми запретами, которые жёстко бьют по сценариям с распознаванием лиц в ритейле.
Архитектурное решение: используете ли вы вообще распознавание лиц и если да, то как? Многие внедрения 2026 года полностью отказываются от биометрических шаблонов лиц. Поведенческий анализ (зависание у отдела детского питания, быстрое сокрытие товара, скоординированные действия группы) не хранит биометрические шаблоны и не подпадает под BIPA. Там, где идентификация по лицу всё же используется — например, чтобы распознавать рецидивистов из ORC, — её разворачивают с явными вывесками, документированной политикой хранения и удаления, в идеале с хешированием биометрических шаблонов и хранением только on-prem.
В ЕС массовый биометрический мониторинг в ритейле в основном запрещён AI Act. Поведенческий анализ без присвоения идентичности остаётся применимым; архитектурное упрощение в том, чтобы каждая модель детектировала события, а не людей, а присвоение идентичности отдавалось на ручные процессы LP-офицера.
Расчёт ROI — кейс сокращения потерь на 23 %
У региональной продуктовой сети из 47 магазинов, с которой мы работали, базовый уровень потерь был 2,9 % выручки по всей сети (годовой оборот 9,7 млрд ₽, годовые потери около 282 млн ₽). Сеть использовала гибрид: вендорские модули предотвращения потерь на SCO и собственный процесс выгрузки и просмотра видео для краж на выходе и подсобки. LP-команда была малочисленной, текучка высокой.
Мы развернули наш стек из шести слоёв в 47 магазинах за 22 недели: edge-устройства Hailo-8L в каждом магазине поверх существующего парка IP-камер, кастомные YOLO-модели, дообученные на видео конкретно этой сети, корреляция с фидом POS NCR, очередь сортировки, привязанная к существующему центру оперативного управления безопасностью сети, и архитектура приватности, полностью без распознавания лиц (только поведенческий анализ).
Через двенадцать месяцев: потери — 2,23 % (сокращение на 23 %), абсолютный возврат потерь около 66 млн ₽ против разовых затрат на развёртывание около 97 млн ₽ и операционных расходов около 16 млн ₽ в год. Окупаемость по всей сети — в пределах первых 16 месяцев; первый магазин окупился за 7 месяцев. Потери на SCO упали на 41 %; потери в подсобке — на 18 %; детекция инцидентов ORC выросла в 3,4 раза. Хотите аналогичный проект? Свяжитесь с нами — телефон и почта в конце статьи.
Модель затрат — экономика на магазин
| Статья | Разовые на магазин | Год 1, эксплуатация на магазин | Примечания |
|---|---|---|---|
| Edge AI-устройство (Hailo-8L / Jetson Orin) | 90 000–210 000 ₽ | 18 000 ₽ (поддержка / запчасти) | Промышленный корпус включён |
| Новые камеры (на каждую SCO-линию) | 16 500–39 000 ₽ | 3 000 ₽ (PoE-коммутатор + обслуживание) | Если нет камеры сверху |
| Монтаж + кабельные работы | 135 000–337 000 ₽ | 0 ₽ | Местный подрядчик по слаботочке |
| Интеграция / настройка | 187 000–375 000 ₽ | 90 000 ₽ (переобучение модели, поддержка) | Первый магазин дороже |
| Облако / общесетевая агрегация | 0 ₽ (амортизируется на уровне сети) | 90 000–180 000 ₽ / магазин | Хранилище + дашборд |
| Итого «под ключ» на магазин | ~2,2–4,5 млн ₽ | ~225 000–450 000 ₽ | Путь кастомного интегратора |
Альтернативы «под ключ» от вендоров (Everseen, Sensormatic) обычно стоят 6 000–13 500 ₽ за SCO-линию в месяц по подписке плюс монтаж. Для сети из 47 магазинов с 4 SCO-линиями в каждом это 13–30 млн ₽ в год только за подписки — без дополнительных модулей по выходу, сотрудникам, ORC. Экономика кастомного интегратора, как правило, выигрывает на сетях больше примерно 25 магазинов.
Build vs Everseen vs Sensormatic vs кастом
Сильные стороны вендоров: у Everseen самая глубокая библиотека моделей детекции sweet-hearting на SCO и лучшие референсы у продуктовых сетей первого эшелона. Sensormatic / Tyco увязывают аппаратное EAS (RFID-рамки, белые антикражные стойки) с видеоаналитикой. NCR Halo всё чаще идёт в комплекте с эстейтом касс самообслуживания NCR. Pinpoint, Veesion и другие нацелены на конкретные вертикали (Veesion — на SCO и сокрытие товара).
Кастом выигрывает в сетях из 25–200 магазинов, где (а) подписка за линию съедает маржу, (б) специфичные SKU и планировки сети требуют конкретного дообучения, (в) контроль над данными и аудитом важен для HR и юридической позиции, и (г) LP-команда хочет сама управлять порогами алертов и кривой ложных срабатываний. Логика build vs buy применяется послойно.
Мини-кейс — продуктовая сеть из 47 магазинов, 66 млн ₽ экономии
Резюме внедрения: региональная продуктовая сеть из 47 магазинов, базовый уровень потерь 2,9 %, развёртывание за 22 недели, кастомный YOLO + ByteTrack на edge-устройствах Hailo-8L, корреляция с фидом POS NCR, только поведенческий анализ (без распознавания лиц), очередь сортировки в стиле SOC, увязанная с существующей LP-командой сети.
Результаты через двенадцать месяцев: сокращение потерь на 23 % (около 66 млн ₽ возвращено), на SCO-кассах конкретно — 41 %, в подсобке — 18 %, детекция ORC выросла в 3,4 раза, ни одного инцидента по приватности, окупаемость по сети в пределах 16 месяцев, окупаемость первого магазина — за 7 месяцев, доля ложных срабатываний снизилась с 38 % (1-й месяц) до 11 % (12-й) благодаря петле обратной связи от операторов.
Внедрение также дало дашборд по потерям по всей сети, который директор по LP использует для отчётности перед советом директоров, и поматричное представление по магазинам, которое региональные вице-президенты применяют для адресной работы. По полезности дашборд оценили вторым по значимости после самого сокращения потерь.
Хотите бесплатный прогноз ROI для вашей сети?
Пришлите количество камер и данные по потерям за 6 месяцев — мы вернёмся через 48 часов с картой сценариев, планом развёртывания и прогнозом сокращения потерь, опираясь на цифры с проекта в продуктовой сети из 47 магазинов.
Фреймворк решения в пяти вопросах
1. Сколько у вас магазинов и каков текущий процент потерь? До 15 магазинов — быстрее всего вендорский модуль SCO поверх существующей POS. 15–200 магазинов — обычно правильный путь — кастомный интегратор на edge-устройствах Hailo / Jetson с моделью под конкретную сеть. 200+ — устойчивый ответ — гибрид собственной команды и интегратора.
2. С каких сценариев начинать? Sweet-hearting на SCO и кражи на выходе покрывают около 60 % возвратимых потерь в продуктовых и круглосуточных сетях; подсобка добавляет ещё 20 %. Не запускайте все пять одновременно — выстраивайте последовательность так, чтобы первое внедрение запустилось за 16 недель и заработало бюджет на следующее.
3. Какой у вас POS-эстейт? NCR / Toshiba / Square / Diebold / региональный POS — слой интеграции определяет сроки сильнее, чем сам AI. Контракт на выгрузку данных с вендором POS изучайте заранее.
4. Какова ваша позиция по приватности? Штаты со строгими биометрическими законами (Иллинойс, Техас, Вашингтон) и юрисдикции ЕС требуют либо чисто поведенческого анализа, либо строгой работы с шаблонами лиц. Делайте это архитектурным ограничением, а не сноской мелким шрифтом.
5. Кто разбирает алерты? Без LP-команды или внешнего SOC, способного переварить очередь, проект умирает на стороне оператора. Сторону оператора планируйте до подписания договора на внедрение.
Подводные камни
1. Облачный инференс на каждую камеру. Юнит-экономика ломается выше 4 камер. Только edge-первая архитектура масштабируется по экономике на сети из 47 магазинов.
2. Игнорирование объёма работ по интеграции с POS. Видеосторона — простая часть. Интеграция с фидом POS — там, где проекты сдвигаются на месяцы. Закладывайте бюджет и сроки соответственно.
3. Конфронтация с покупателем через автоматику. Система никогда не вступает в конфронтацию с покупателем напрямую. Цена ложного срабатывания слишком высока. Решает оператор; система только показывает.
4. Распознавание лиц без плана по приватности. Экспозиция по BIPA может быть больше, чем сэкономленные потери. Безопасный архитектурный дефолт — только поведенческий анализ.
5. Отсутствие петли обратной связи от оператора. Без кнопки «истинно / ложно / неоднозначно» на каждом алерте доля ложных срабатываний остаётся высокой, а недоверие операторов копится. Стройте петлю с первого дня.
Какие KPI замерять
KPI качества. Полнота детекции (recall) выше 88 % по каждому сценарию, доля ложных срабатываний снижается квартал за кварталом (цель — ниже 15 % к шестому месяцу), сквозная задержка алерта на SCO — меньше 4 секунд, доступность выгрузки видеоклипов для просмотра LP-офицером — выше 99,9 %.
Бизнес-KPI. Потери в процентах от выручки снижаются на 15–30 % от базы за 12 месяцев, окупаемость на уровне сети — меньше 12 месяцев (меньше 9 месяцев для первого магазина), ROI на магазин — больше 4-кратной стоимости первого года, рост детекции инцидентов ORC — больше чем в 2 раза год к году, продуктивность LP-команды (закрытых дел на час офицера) — плюс 50 % и больше.
KPI надёжности. Время доступности edge-устройства на магазин — выше 99,5 %, доступность камер — выше 99 %, успешность выкатки версий моделей — выше 99,5 %, ноль инцидентов по приватности по всей сети за год, полнота аудит-лога — выше 99,9 %.
FAQ
Everseen vs кастом — когда выигрывает разработка?
Everseen выигрывает у ритейлеров первого эшелона с сотнями магазинов, которым нужно нулевое инженерное участие при развёртывании готового модуля SCO. Кастомный интегратор выигрывает на сетях из 25–200 магазинов, где подписка за каждую линию съедает экономию, набор сценариев шире SCO, сеть хочет сама управлять порогами алертов, а архитектурная позиция по приватности требует именно архитектурного выбора, а не вендорских дефолтов.
Что такое sweet-hearting и как его детектировать?
Sweet-hearting — общий термин для мошенничества на SCO: покупатель делает вид, что сканирует товар, но не сканирует, сканирует дешёвый товар, упаковывая дорогой, или подменяет дорогой PLU-код овощей дешёвым. Детекция работает как видеоаналитика сверху на каждой SCO-кассе, связанная с лентой сканирований POS: каждое сканирование должно совпадать с детекцией «товар-в-пакете» с камеры. Несовпадения уходят оператору SCO примерно за 2 секунды.
BIPA — единственный закон, о котором стоит беспокоиться?
Нет. В Техасе, Вашингтоне, Нью-Йорке, Мэриленде и других штатах есть отдельные законы о биометрических данных; в Колорадо, Коннектикуте, Калифорнии, Виргинии и Юте — более широкие законы о приватности, которые тоже задевают AI-видеонаблюдение в ритейле. В юрисдикциях ЕС действуют GDPR и AI Act, который запрещает большинство сценариев биометрической ID в реальном времени в общественных местах. Архитектурное упрощение: проектируйте каждую модель на детекцию событий и поведения, а не идентичностей — и позиция по приватности заметно проще.
Сколько камер на магазин нужно?
У большинства сетей в продуктовом магазине уже 16–30 IP-камер, в больших форматах — больше. AI для предотвращения потерь обычно использует 8–14 из них: над каждой SCO-кассой (по одной), на двери выхода, на разгрузочной двери, в ключевых отделах (детское питание, аптека, электроника), в подсобке. Установка новых камер обычно ограничивается верхней камерой на SCO-линии, если её не было.
Каков типичный срок окупаемости?
4–9 месяцев на первом магазине после развёртывания; 9–16 месяцев по всей сети с учётом первоначальной интеграции и обучения моделей. Точная цифра зависит от базового уровня потерь, доли SCO в походах и того, насколько активно LP-команда использует новый инструмент. На кейсе с продуктовой сетью из 47 магазинов окупаемость по сети заняла 16 месяцев.
Поддерживаете ли вы старые парки NVR?
Да. Мы забираем живые потоки через ONVIF / RTSP и оставляем NVR как слой записи. Edge AI-устройство работает рядом с NVR, а не вместо него. Некоторые сети со временем модернизируют NVR в рамках более широкого обновления VMS; мы работаем с любой VMS, которая стоит у сети (Milestone, Genetec, Avigilon, Hanwha Wisenet, ExacqVision и т. д.).
Можно ли использовать систему для дисциплинарных мер в отношении сотрудников?
Система показывает паттерны LP- и HR-командам; дисциплинарный процесс — это рабочий процесс с человеком в петле, регулируемый стандартными политиками сети и применимым трудовым законодательством. Система никогда не рекомендует дисциплинарные меры напрямую. Большинство сетей используют AI-поверхность, чтобы выявлять «горячие» кассы и поддерживать расследование, а не как единственное основание для действий в отношении сотрудника.
Когда AI-предотвращение потерь — плохой выбор?
Одиночные независимые магазины (инженерия плохо амортизируется), сети без SCO и с минимальной экспозицией по потерям, юрисдикции, где режим приватности фактически закрывает поведенческий анализ (редко в 2026 году, но проверять стоит), и сети, где нет LP-персонала для разбора алертов. Меньше примерно 15 магазинов или ниже 0,7 % потерь — экономика тонкая, и часто проще обойтись EAS-аппаратурой плюс вендорским модулем SCO.
Что почитать дальше
Смежная опора
Архитектура edge AI-видеонаблюдения
Паттерны edge-инференса, на которых сходится экономика AI на каждый магазин в ритейле.
Аномалии
Детекция аномалий в видеонаблюдении
Неконтролируемая сторона retail-видеоаналитики — выявление поведения, которому YOLO-модель не училась.
Смежная тема
AI-видеоаналитика — архитектура и ROI
Более широкий паттерн AI-поверх-видео в наблюдении, умных городах и ритейле.
Архитектура VMS
Архитектура систем управления видео (VMS) в 2026
Слой VMS, поверх которого живёт стек предотвращения потерь: камеры, NVR, запись, ONVIF.
Инструмент решения
Build vs buy — фреймворк решения для SDK
Логика build vs buy послойно: камеры, edge AI, модели, интеграции и UX сортировки.
Готовы вернуть 20–30 % потерь?
Программа предотвращения потерь в ритейле в 2026 году — это шестислойный edge-AI-стек с моделью детекции, ставящей приватность в основу, и многоуровневой очередью сортировки для оператора. Пять сценариев дают основной эффект — sweet-hearting, кражи на выходе, ошибки приёмки, недобросовестность сотрудников, ORC. Откажитесь от распознавания лиц; опирайтесь на поведенческий анализ и корреляцию событий POS; стройте петлю обратной связи оператора с первого дня — и сокращение потерь на 23 %, которое мы получили в продуктовой сети из 47 магазинов, становится повторяемым результатом, а не разовой удачей.
Фора Софт реализовала эту поверхность в проекте на 47 магазинов и в других retail-проектах. Паттерны проверены боевой эксплуатацией. Если вам нужен план предотвращения потерь по всей сети с бесплатным прогнозом ROI, основанным на ваших реальных данных по потерям, мы пришлём шестнадцатинедельный план развёртывания на почту в течение 48 часов.
Пришлите данные по потерям — получите бесплатный прогноз ROI
Бесплатная 30-минутная консультация. Мы оценим масштаб развёртывания по сети, наметим последовательность сценариев и пришлём план поставки с теми же паттернами, по которым вернули 66 млн ₽ продуктовой сети из 47 магазинов.
