AI для снижения потерь в ритейле в 2026: SCO, выход, персонал, ORC

Почему Фора Софт написала этот плейбук

Фора Софт уже более десяти лет работает в сфере видеонаблюдения и компьютерного зрения. Мы разрабатываем и поддерживаем системы наблюдения на базе edge AI совместно с производителями оборудования класса EyeBuild, внедряем мультимагазинные решения по предотвращению потерь для продуктовой сети из 47 магазинов (по условиям NDA: снижение потерь на 23% за год, возвращено около 66 млн ₽) и интегрируем системы управления видео с крупными поставщиками POS-решений. Наша команда — та, что в продакшене связывает edge AI с кастомными YOLO-моделями, анализирует корреляцию событий в POS и отслеживает UX-очереди для операторов.

Помимо собственных проектов мы провели аудит двух retail-стартапов с использованием искусственного интеллекта на этапе due diligence перед раундом pre-Series A и разработали модуль для выявления sweet-hearting поверх существующей системы видеонаблюдения (VMS). Эти решения основаны на открытых источниках — обзоре National Retail Security Survey от NRF, материалах вендоров Everseen / Sensormatic / Tyco, технических брифах Hailo-8L и NVIDIA Jetson Orin, а также судебной практике по BIPA в Иллинойсе, которая определила архитектуру retail-решений на основе ИИ 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.

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 сотрудниками, 26 % — ошибки в процессах и администрировании, 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 значительная 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 такого же размера, как у Walmart.

Walmart, Target, Kroger и другие крупные ритейлеры уже несколько лет используют программы AI loss prevention. Средний сегмент — региональные сети с 30–200 магазинами — станет волной внедрения в 2026 году: технологии достаточно созрели, экономика по одному магазину окупается, а альтернативы (увеличивать штат по борьбе с потерями и терпеть убытки) больше нет.

Пять сценариев предотвращения потерь

Пять сценариев ниже покрывают примерно 80 % возвратимых потерь в продуктовых, круглосуточных, масс-маркетах и аптеках. У каждого — свой набор камер, моделей, своя экономика и подход к приватности. Строить программу стоит вокруг сценариев, а не вокруг тех камер, что уже есть.

Сценарий 1 — Sweet-hearting на кассе самообслуживания

Sweet-hearting — общий термин для разных видов мошенничества на кассе: 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, кладя его в пакет. Большинство магазинов объединяют ошибки и кражи — реакция на них одинакова.

Архитектура включает камеру сверху над каждой SCO-кассой и сопоставление событий с лентой сканирований POS: каждое сканирование на кассе должно соответствовать обнаружению «товар в пакете» с камеры. Несовпадения передаются оператору SCO примерно за 2 секунды — вместе со стоп-кадром и проблемным SKU. Классические решения (Everseen, Sensormatic) работают уже много лет; среднему сегменту требуется более глубокая интеграция с конкретной POS-сетью и удобным интерфейсом оператора, а также полная прозрачность с точки зрения приватности.

Сценарий 2 — Кражи на выходе

Кражи на выходе — более широкая категория: покупатель уходит, не оплатив 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 корректирует порог.

Сценарий 3 — Ошибки приёмки

Ошибки при приёмке и потери в подсобке объясняют те самые 26 % «процессных и административных» потерь по данным NRF. Типичные причины — недосчёт паллет, неполная поставка от поставщика, увод товара сотрудниками во время разгрузки и прямая кража с разгрузочной зоны. Для выявления таких случаев используются камеры сверху и сбоку на разгрузочной зоне, подключённые к потоку приёмочных документов (DSD или WMS) для взаимной проверки.

Сценарий рычажный: эффект от одного события большой (упущенная паллетка — это потери в шестизначных рублях), а количество реальных срабатываний на камеру в месяц остаётся под контролем. К тому же приватность здесь проще всего обеспечить — зона наблюдения операционная и закрытая.

Сценарий 4 — Недобросовестность сотрудников

Кражи сотрудниками — второй по объёму источник потерь (29 % по данным NRF) и самый чувствительный с операционной точки зрения. Типичные схемы: «фантомные возвраты» (возврат средств без возврата товара), злоупотребление скидками, использование ошибок в системе «void / no-sale», ручной ввод PLU-кода дорогого товара как дешёвого и прямая кража из кассы.

Детекция работает на уровне касс и камер в подсобке, параллельно анализируя события POS: возвраты, отмены (voids), ручные скидки — всё это помечается для последующего просмотра видео. Чувствительность к ложным срабатываниям должна быть максимальной — ошибочно обвинить опытного кассира может привести к серьёзной HR-проблеме. Система должна выявлять паттерны во времени (несколько подозрительных событий на одной кассе, статистические выбросы), а не отправлять менеджеру оповещение на каждое отдельное событие.

Сценарий 5 — Организованная преступность в розничной торговле (ORC)

Организованная преступность в ритейле — это длинный хвост крупных потерь. Преступные группы чаще всего выбирают дорогие товары (стиральный порошок, детское питание, безрецептурные лекарства, электронику, дизайнерскую одежду) и реализуют их через онлайн-маркетплейсы. По данным NRF, 71 % ритейлеров зафиксировали рост организованной преступности в 2024 году по сравнению с прошлым годом.

На уровне магазина выявляются поведенческие паттерны, характерные для ORC: быстрое скрытие товара в отделе детского питания, согласованные действия в группе, повторные визиты в разные магазины сети, признаки прибытия на одном транспорте. Эти данные часто передаются (с соблюдением согласия и контрактных обязательств) в отраслевые платформы, такие как ALTO Global Processing, или в каналы обмена информацией с ФБР по ORC.

Эталонная архитектура — это стек из шести слоёв

В наших проектах архитектура сводится к шести слоям. Та же структура работает как с уже установленными IP-камерами и устаревшими NVR, так и при развертывании нового edge-стека с нуля.

Слой 1 — Парк камер (существующий или новый)

У большинства сетей уже есть парк IP-камер (Axis, Hikvision, Hanwha / Wisenet, Bosch, Avigilon). Архитектура подключается к ним через ONVIF или RTSP, не требуя полной замены оборудования. Там, где нужны новые камеры — над каждой SCO-кассой, на выходе с обзором в полный рост, над разгрузочной зоной — выбирайте модели с глобальным затвором, разрешением 5 Мп и выше, с поддержкой WDR. Освещение в торговом зале сильно меняется, поэтому это важно.

Полосу пропускания от камер до edge-устройства рассчитывайте аккуратно. Двенадцать камер в формате H.265 на одно edge-устройство — реально; двадцать четыре по H.264 — уже вызывает проблемы. Современная архитектура VMS охватывает более широкую видеоинфраструктуру, в которую этот слой интегрируется.

Слой 2 — Edge AI-устройство (Hailo, Jetson)

Стоимость облачного инференса на одну камеру в месяц становится слишком высокой при количестве камер больше четырёх — вы платите тысячи рублей за камеру в месяц за вычисления, которые edge-устройство покрывает за 2 250–4 500 ₽ в амортизированном расчёте. Стандартные 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 моделей, которые уже работают на x86 в on-prem-среде.

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 с питанием в подсобке. Сразу реализуйте удалённое управление (через WireGuard или вендорский туннель), чтобы обновлять парк edge-устройств без выездов в магазин.

Слой 3 — Кастомный YOLO + трекинг

Детекторы класса YOLO (YOLOv8, YOLO-NAS, RT-DETR) в связке с трекерами (ByteTrack, BoT-SORT) — это базовая конфигурация для видеоанализ в ритейле в 2026 году. Готовые модели, обученные на COCO, для ритейла не подходят — их нужно дообучать на специализированных датасетах: содержимое тележек, SKU на полках, поведение «сканирую / не сканирую», позы рук кассира. Обязательно добавляется трекинг, чтобы отслеживать конкретного человека по магазину хотя бы на 10 кадров в секунду и фиксировать 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 — поток с POS; видеосторона интегрируется проще.

Слой 5 — Очередь сортировки для оператора

Очередь сортировки — это то, как система выглядит для сотрудников магазина: от неё зависит, полюбят они её или нет. В наших внедрениях используется три уровня по этой модели. Красный: требуется немедленное вмешательство — активный sweet-hearting на SCO, который сотрудник может остановить. Жёлтый: нужно разобраться за смену — аномалия по возвратам, которую менеджер расследует до обеда. Зелёный: анализ трендов — LP-команда проверяет еженедельно, чтобы выявлять закономерности на конкретных кассах или в магазинах.

Делайте UX сортировки так, чтобы каждый алерт сопровождался видеоклипом длительностью 6–10 секунд, контекстом события POS, рекомендованным действием и кнопкой обратной связи в один клик: «истинно положительный / ложно положительный / неоднозначно». Эта обратная связь используется для переобучения порога ранжирования. Без неё цикл по снижению ложных срабатываний не замыкается, и система начинает деградировать.

Слой 6 — Паттерны интеграции с POS (NCR, Toshiba, Square)

Интеграция с POS — это ключевой момент, от которого зависит скорость реализации проекта. NCR ScoT и NCR Voyix передают данные через IFSF / NRF Open POS и современный REST API. Toshiba TCx Sky поддерживает аналогичный формат. Diebold-Нixdorf BEETLE / TPiV работает с фидами на основе DSP. У Square — чистый и современный набор API. Независимые продуктовые сети часто используют Auto-Star, ECRS, ITRetail или региональные POS-системы, у которых API слабее, и кастомная интеграция требует больше усилий.

Планируйте интеграцию с POS как многомесячный проект для каждой сети. У каждой версии прошивки кассы может быть свой способ подключения; у каждой сети — свои условия по передаче данных с поставщиком POS; некоторые сети используют несколько POS-систем после поглощения других компаний. Закладывайте 25–35 % усилий проекта на этот этап; по сравнению с ним работа с ИИ — задача попроще.

Приватность — BIPA, распознавание лиц, законы штатов

Приватность — ключевой элемент архитектуры, от которого зависит, продержится ли ваша программа по снижению потерь хотя бы 24 месяца. Закон Иллинойса о биометрической информации (Biometric Information Privacy Act, BIPA) предусматривает штрафы в размере 75 000 долларов за неосторожное и 375 000 долларов за умышленное нарушение прав одного человека; в делах о массовых исках в ритейле суммы ущерба регулярно достигают девятизначных значений в долларах. В Техасе, Вашингтоне, Нью-Йорке, Мэриленде и других штатах действуют законы о биометрических данных разной степени строгости. AI Act Европейского союза относит биометрическую идентификацию в реальном времени в общественных местах к категории «высокого риска» с прямыми запретами, которые серьёзно ограничивают использование распознавания 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 привязки к личности остаётся допустимым; архитектурное упрощение достигается за счёт того, что каждая модель распознаёт события, а не людей, а привязка к личности остаётся за ручными процессами LP-офицера.

Расчёт ROI — кейс сокращения потерь на 23 %

У региональной продуктовой сети из 47 магазинов, с которой мы работали, базовый уровень потерь составлял 2,9 % от выручки по всей сети (годовой оборот — 9,7 млрд ₽, годовые потери — около 282 млн ₽). Сеть использовала гибридный подход: модули предотвращения потерь от вендора на платформе SCO и собственный процесс выгрузки и просмотра видео для анализа краж на выходе и в подсобках. Команда по борьбе с потерями была небольшой, а текучесть кадров — высокой.

Мы развернули шестислойный стек в 47 магазинах за 22 недели: edge-устройства Hailo-8L в каждом магазине поверх существующей сети IP-камер, кастомные YOLO-модели, дообученные на видео этой сети, корреляция с данными POS-системы NCR, очередь сортировки, подключённая к текущему центру оперативного управления безопасностью, и архитектура приватности, работающая без распознавания лиц — только поведенческий анализ.

Через двенадцать месяцев: потери снизились на 2,23 % (на 23 % меньше), абсолютный возврат составил около 66 млн ₽ против разовых затрат на внедрение — около 97 млн ₽ и годовых операционных расходов — около 16 млн ₽. Окупаемость по всей сети — в течение первых 16 месяцев; первый магазин окупился за 7 месяцев. Потери на SCO сократились на 41 %, в подсобке — на 18 %, количество выявленных инцидентов ORC выросло в 3,4 раза. Хотите аналогичный проект? Свяжитесь с нами — телефон и почта указаны в конце статьи.

Модель затрат — экономика на магазин

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 на подписки — без учёта дополнительных модулей для контроля выхода, сотрудников и ORC. Экономика кастомного интегратора, как правило, выгоднее при сетях из более чем 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 кейсы внедрения в продуктовых сетях первого эшелона. Sensormatic / Tyco интегрируют аппаратное EAS (RFID-рамки, белые антикражные стойки) с видеоаналитикой. NCR Halo всё чаще поставляется в комплекте с оборудованием касс самообслуживания NCR. Pinpoint, Veesion и другие ориентированы на конкретные отрасли (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 требуют отдельного дообучения, (в) контроль над данными и аудитом важен для HR и юридической команды, 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 — 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.

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 сразу — стройте последовательность так, чтобы первое внедрение заняло 16 недель и принесло бюджет на следующее.

3. Какой у вас POS-эстейт? NCR / Toshiba / Square / Diebold / региональный POS — именно слой интеграции влияет на сроки сильнее, чем сам ИИ. Контракт на выгрузку данных с поставщиком POS изучайте заранее.

4. Какова ваша позиция по приватности? Штаты со строгими законами о биометрии (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 справиться с потоком задач, проект не пойдёт дальше этапа оператора. Планируйте эту сторону заранее — до подписания договора на внедрение.

Подводные камни

1. Облачный инференс на каждую камеру. Юнит-экономика не работает при более чем 4 камерах. Только edge-первичная архитектура масштабируется с точки зрения экономики 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 конфликт с покупателем напрямую. Цена ошибки слишком высока. Решение принимает оператор; система лишь показывает информацию.

4. Распознавание лиц без плана по приватности. Риски по BIPA могут превысить выгоду от экономии. Безопасный подход по умолчанию — 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 растёт. Петлю обратной связи нужно строить с самого начала.

Какие KPI замерять

KPI качества. Полнота обнаружения (recall) превышает 88 % по каждому сценарию, доля ложных срабатываний постепенно снижается (цель — ниже 15 % к шестому месяцу), сквозная задержка алерта на SCO составляет менее 4 секунд, доступность выгрузки видеоклипов для просмотра LP-офицером — выше 99,9 %.

Бизнес-метрики. Потери в процентах от выручки снижаются на 15–30 % от базового уровня за 12 месяцев, окупаемость проекта на уровне сети — менее 12 месяцев (менее 9 месяцев для первого магазина), ROI на магазин — выше 4-кратной стоимости первого года, рост числа выявленных инцидентов ORC — более чем в 2 раза по сравнению с прошлым годом, продуктивность команды LP (закрытые дела на час работы офицера) — рост на 50 % и выше.

KPI надёжности. Время доступности edge-устройства на магазин — выше 99,5 %, доступность камер — выше 99 %, успешность обновления версий моделей — выше 99,5 %, инцидентов по приватности в сети за год не было, полнота аудит-логов — выше 99,9 %.

FAQ

Что почитать дальше

Готовы вернуть 20–30 % потерь?

Программа предотвращения потерь в ритейле в 2026 году — это шестислойный edge-стек на основе ИИ с моделью детекции, построенной на принципах приватности, и многоуровневой системой сортировки задач для оператора. Пять ключевых сценариев дают основной эффект: «любимчики» у кассы, кражи при выходе, ошибки при приёмке товара, недобросовестность сотрудников и ORC. Откажитесь от распознавания лиц, используйте поведенческий анализ и корреляцию событий из POS-системы, и с первого дня внедряйте обратную связь с оператором — и сокращение потерь на 23 %, которое мы достигли в продуктовой сети из 47 магазинов, станет стабильным результатом, а не разовой удачей.

Фора Софт реализовала эту систему в проекте на 47 магазинах и в других розничных проектах. Паттерны проверены реальной эксплуатацией. Если вам нужен план по снижению потерь по всей сети с бесплатным прогнозом ROI, основанным на ваших реальных данных, мы отправим шестнадцатинедельный план внедрения на почту в течение 48 часов.