Видеоаналитика в ритейле: как ИИ делает магазин умным в 2026 году

Почему Фора Софт написала это руководство для ритейла

Фора Софт разрабатывает программное обеспечение для видеонаблюдения и ИИ с 2005 года. Наша команда в области видеонаблюдения и специалисты по интеграции ИИ создают плагины для VMS, edge-решения для инференса и аналитические пайплайны на базе ONVIF — для системных интеграторов и компаний в сфере ритейл-технологий. Valt — наш проверенный временем продукт для видеонаблюдения, который используется в правоохранительных, научных и корпоративных организациях. Инженерные подходы, отработанные в Valt, успешно применяются и в ритейл-проектах.

Это руководство предназначено для CIO ритейл-компаний, руководителей служб предотвращения потерь (LP), продуктовых лидеров retail-решений и системных интеграторов, уже работающих с ритейлом. Оно отвечает на вопросы, которые мы слышим на каждом этапе согласования задач: что реально достижимо в 2026 году, а что переоценено, на какие KPI должна реально влиять платформа, как между собой распределяются задачи edge-обработки и облачной агрегации, как пройти проверку на соответствие требованиям приватности в США и ЕС, и как выглядит реалистичное внедрение в 50 магазинах с разбивкой по кварталам.

Что изменилось между 2023 и 2026 годами

Три структурных сдвига подняли видеоаналитику в ритейле до уровня стратегических решений на уровне совета директоров. Первый — кризис потерь: National Retail Federation оценила убытки розницы США в 8,4 трлн ₽ за 2022–2023 годы, причём значительную долю в них составляет организованная розничная преступность (ORC). Средний уровень потерь по отрасли — около 1,6 %, но в продуктовой, аптечной и big-box рознице он заметно выше.

Второй сдвиг — самообслуживание пошло не туда. Walmart, Target, Dollar General и другие в 2023–24 откатили расширение SCO после того, как внутренние данные показали потери в 2–7 раз выше, чем на кассах с продавцом. Решение не в том, чтобы убрать SCO — это спасательный круг для затрат на персонал, — а в том, чтобы обернуть его в компьютерное зрение.

Третий — ужесточился режим приватности. Коллективные иски по BIPA, поправки к CCPA, муниципальные запреты на распознавание лиц (Портленд, Сан-Франциско, часть Остина) и EU AI Act появились или были расширены между 2023 и 2026 годами. Всё, что выглядело как биометрическая идентификация, стало юридическим риском. Обезличенная скелетная аналитика по ключевым точкам — те же примитивы компьютерного зрения, что используются для детекции падений и анализа поведения, — стала архитектурой по умолчанию.

Какие KPI ритейла действительно сдвигает видеоаналитика

Ритейлеры покупают не камеры. Они покупают цифры в дашборде. Цифры, которые имеют значение:

1. Уровень потерь (shrinkage). Средний по отрасли — около 1,6 %; сеть из 200 магазинов с уровнем 1,8 % теряет примерно 54–67 млн ₽ в год. Хорошо настроенная система видеоаналитики позволяет снизить потери на 0,2–0,4 процентных пункта.

2. Конверсия. Трафик у входа против покупок в кассе. Видео показывает, сколько людей прошло — это знаменатель, а POS-система фиксирует, сколько купили — это числитель. Без данных с обоих источников — только догадки.

3. Отказы от очереди. Оценки показывают, что ритейлеры США теряют десятки миллиардов долларов в год из-за очередей на кассах. Данные о длине очереди в реальном времени позволяют динамически распределять персонал — это самая высокоокупаемая операционная функция в большинстве внедрений.

4. Время пребывания (dwell time) по зонам. Сколько времени покупатели проводят в отделе овощей, электроники или у промо-стенды. Это время связано с размером корзины и служит основой для решений по мерчандайзингу.

5. Соблюдение планограмм. Доля выкладок, соответствующих корпоративным стандартам. Исследования стабильно показывают рост продаж на 3–5 % в категориях, где выкладки полностью соответствуют стандартам.

6. Доступность на полке (OSA, on-shelf availability). Доля SKU, которые реально находятся на своих местах. Отсутствие товара на полке регулярно стоит ритейлерам 4–8 % потенциальной выручки в затронутых категориях.

7. Коэффициент потерь на самообслуживании. Новая ключевая метрика. Потери на самообслуживании как кратное к потерям на обычных кассах. Цель — снизить до 1,5× с помощью детекции на основе компьютерного зрения.

8. Отношение персонала к трафику. Затраты на персонал в расчёте на объём трафика. Видео показывает это в реальном времени; системы планирования рабочей силы (UKG, Kronos, Legion) используют эти данные для построения графиков.

Возможности: от подсчёта посетителей до контроля планограммы

Видеоаналитика в ритейле — это набор базовых инструментов компьютерного зрения, а не один алгоритм. Практические возможности в 2026 году:

Колонка по приватности важнее, чем кажется большинству ритейлеров. Распознавание лиц, даже по спискам «известных воришек», нарушает BIPA в Иллинойсе и запрещено в нескольких городах США. Скелетная аналитика по ключевым точкам обходит большую часть этих ограничений.

Проблема самообслуживания и как компьютерное зрение реально помогает

Потери на самообслуживании в 2–7 раз выше, чем на кассах с продавцом — в зависимости от ритейлера, ассортимента и дизайна SCO-станции. Для сети из 200 магазинов с долей самообслуживания 40% на рутинных объёмах реальные потери могут составлять от 225 до 750 млн ₽ в год.

Компьютерное зрение на SCO не пытается ловить каждое пропущенное сканирование в реальном времени. Лучший паттерн:

1. Модель синхронизации сканирования. Камера в зоне упаковки отслеживает, как товары попадают в пакет. Временная модель сравнивает количество и размер упакованных товаров с данными сканирования из POS. Если расхождение превышает порог — оператору показывается подсказка или ставится флаг для проверки после завершения операции.

2. Детекция подмены ценника (ticket-switch). Система определяет позу рук рядом с UPC-этикетками и использует модель на уровне категории, чтобы выявить случаи, когда этикетка премиум-товара заменена на этикетку более дешёвого SKU.

3. Детекция ухода без оплаты (walk-off). Покупатель покидает зону SCO с товарами, но не оплачивает их. Решение простое и эффективное: модель представляет собой линию-триггер и интеграцию с POS.

4. Дизайн подсказок оператору. Петля обратной связи важна не меньше, чем модель. Подсказки должны быть конкретными («пожалуйста, пересканируйте последний товар»), не обвиняющими и учитывать уверенность модели, чтобы оставить покупателю шанс. Доверие оператора — это и есть продукт, а не сырая точность.

Реалистичный результат: снижение коэффициента SCO-потерь на 60 % — с 5× до 2× от базовой линии — выглядит правдоподобно, с окупаемостью 6–9 месяцев в большинстве ритейл-сетей среднего сегмента.

Соблюдение планограмм и наличие товара на полке

Руководители операций в ритейле регулярно отмечают, что 40–60 % магазинов в любой момент не соответствуют планограммам — не хватает фейсингов, товары стоят не на своих местах, не выставлены промо-акции. Еженедельные полевые аудиты частично решают эту проблему; видеоаналитика обеспечивает непрерывный контроль.

Технический подход: камеры на полках направлены на приоритетные зоны — импульсные end-кап, промо-стенды и категории с высокой маржой. Модели сегментации делят полку на отдельные фейсинги, модели классификации определяют, какие товары стоят на месте, а OCR считывает цены и шелф-лейблы. Любые расхождения с эталонной планограммой фиксируются и отправляются в виде уведомлений директору магазина и команде по категориям в штаб-квартире.

Доступность на полке — та же архитектура, но с другими правилами: система обнаруживает пустые фейсинги и собирает их в список out-of-stock по SKU и зонам. Этот список передаётся в мобильное приложение для пополнения, которое персонал уже использует — новый рабочий процесс не создаётся.

Реалистичный эффект: ритейлеры стабильно отмечают рост продаж на 3–5 % в полностью соответствующих категориях, а также возвращение значительной части тех 4–8 % выручки, которые иначе теряются из-за отсутствия товара на полке (OOS). Окупаемость достигается за 6–12 месяцев в сетях среднего сегмента, а в продуктовой рознице — ещё быстрее, поскольку последствия OOS там ощутимее.

Архитектура: edge-вывод в магазине, облачная агрегация по сети

Полоса пропускания в ритейле — это ограничение, которое определяет архитектуру. Магазины в стрип-моллах часто используют единственный потребительский WAN-канал, а сельские точки полагаются на объединённые 4G/5G-соединения. Передавать необработанное видео через такой бэкхол на значительном масштабе невозможно. Паттерн, который мы применяем по умолчанию:

Edge-устройство в каждом магазине. Jetson Orin NX или AGX обрабатывает 8–16 камер в зависимости от используемых моделей. Запускает полный стек анализа: детекция, трекинг, контроль очередей, анализ полок, SCO. Выдаёт метаданные — подсчёты, гистограммы времени пребывания, события по соблюдению планограмм, флаги аномалий. Локальный NAS хранит 30–90 дней исходного видео для проверок LP.

ONVIF Profile M. Метаданные передаются по ONVIF Profile M обратно в VMS, если она подключена.

Облачная агрегация уровня сети. Метаданные из магазинов поступают в облачное хранилище (Snowflake, BigQuery или специализированный retail-аналитический SaaS). Дашборды для LP, операций и категорийного менеджмента. Ночной джоб, отправляющий ролики подтверждённых инцидентов, запускается с 02:00 до 05:00 по местному времени магазина, чтобы не мешать дневной нагрузке на сеть.

Реальные уведомления остаются локальными. Уведомления о длине очереди для сотрудников магазина, подсказки оператору SCO, флаги OSA в приложении пополнения — всё это формируется на edge. Облако — это уровень аналитики, а не среда для управления в реальном времени.

Инженерные детали инференса в реальном времени на этом стеке — в наших лучших практиках обработки видео в реальном времени с использованием ИИ.

Железо: камеры и edge-устройство

Камеры. Используем смесь IP-камер с разрешением 2,8–5 Мп, поддерживающих ONVIF Profile M, с питанием по PoE. Работают камеры от Axis, Hanwha, Hikvision, Dahua, Uniview — выбирайте не по бренду, а по удобству сервисного обслуживания и доступности. Старые аналоговые камеры можно подключить через IP-энкодер, но из-за ограничения разрешения аналитика на уровне полки не работает — планируйте замену тех 30–40 % камер, где это особенно важно.

Edge-устройство. Семейство Jetson Orin — стандарт на 2026 год. Orin Nano подходит для 1–2 точек в киосках, Orin NX — для 2–4 точек в небольших магазинах, Orin AGX — для 8–12 точек в полноценных ритейл-объёмах. Hailo-8 — реальная альтернатива с меньшим энергопотреблением, если нужна только детекция. Стоимость компьютера — от 30 000 до 187 500 ₽ на магазин, в зависимости от количества станций.

Правило большого пальца для типичного магазина специализированной розницы с 8 камерами: один Jetson Orin NX или AGX, PoE-свитч, локальный NAS и софт-стек. 300–600 тыс. ₽ на оборудование плюс монтаж — до установки софта.

POS, инвентарь, персонал: интеграции, которые превращают аналитику в действия

Видеоаналитика без интеграции с POS — это просто дашборд. Видеоаналитика с POS, инвентарём и данными о персонале — это полноценная система для принятия решений. Интеграции, которые мы подключаем на каждом ритейл-проекте:

POS. NCR Voyix, Oracle Micros / MICROS Simphony, Square / Block, Shopify POS, Toast (в сфере F&B). Поток транзакций формирует знаменатель конверсии и служит сигналом синхронизации сканирования для SCO. У большинства систем есть REST или webhook API; старые установки NCR передают данные через плоские файлы.

Инвентарь / мерчандайзинг. SAP Retail, Oracle Retail, Blue Yonder (ранее JDA), Relex. Мастер-данные планограмм и списки SKU поступают в модель контроля заполненности полок; события OSA возвращаются для планирования пополнения.

Персонал / графики. UKG (Kronos), Legion, Reflexis. Глубина очереди и трафик позволяют оперативно корректировать штат в течение дня; показатели пребывания и конверсии — оптимизировать графики на еженедельной основе.

Кейс-менеджмент LP. Appriss Retail, LP Innovations, внутренние очереди в Zendesk / ServiceNow. Алерты об аномалиях превращаются в расследования с приложенными видео.

Планируйте 2–4 недели на первую интеграцию и вдвое меньше — на вторую. Работа по интеграции составляет основную часть «мягкой» стоимости проекта.

Retail-first платформы vs. общие VMS: где покупать, а где строить

Две категории поставщиков доминируют на рынке. Они решают разные задачи, а ритейлеры часто выбирают не ту.

Общие VMS-платформы — Milestone XProtect, Genetec Security Center, Avigilon Control Center, Network Optix Nx Witness — отлично подходят для видеонаблюдения, проверки LP и задач безопасности. Но «из коробки» они не работают с ритейл-метриками. Чтобы они начали показывать конверсию, время пребывания клиентов и соблюдение планограмм, потребуется серьёзная настройка через плагины.

Retail-first аналитические платформы — Solink, RetailNext (Sensormatic), Prism.ai, Envision.ai, retail-модули Hanwha Vision, AiFi, Standard AI — поставляются с интеграцией POS, готовыми шаблонами планограмм и дашбордами, ориентированными на категорийных и операционных руководителей. Они плохо подходят для полноценной замены VMS в расследованиях LP; большинство ритейлеров используют обе системы параллельно.

Когда строить. Если вы — retail-tech компания, которая работает с ритейлом, «строить» означает создание собственного аналитического слоя поверх ONVIF / VMS-инфраструктуры. Мы это делаем регулярно: клиент сохраняет продуктовую дифференциацию, а мы — контроль над видеоинженерным слоем.

Приватность: BIPA, CCPA, GDPR и дизайнерские решения, прошедшие проверку

Закон о приватности в ритейле — лоскутное одеяло. Дизайнерские решения, которые проходят почти всё:

1. Без распознавания лиц по умолчанию. Используйте скелетную аналитику по ключевым точкам для анализа поведения и детекцию по позе для выявления аномалий SCO и LP. Не создавайте базу face-print без явного согласия и юридической основы.

2. Только обезличенные демографические корзины. Возраст и пол оцениваются в виде агрегированных групп (18–34, 35–54, 55+) для маркетинговых целей. Эти данные никогда не привязываются к конкретному человеку и не сохраняются в связке с личностью.

3. Хранение в первую очередь метаданных. Храните подсчёты, гистограммы пребывания и события. Сырое видео — только 30–90 дней и только там, где это необходимо для LP. Удаляйте видео, не связанные с подтверждёнными инцидентами, по расписанию.

4. Инференс на устройстве. Запускайте детекцию, трекинг и распознавание позы на edge-устройствах. Храните персональные данные локально; отправляйте в облако только агрегированные метрики. Полное соответствие GDPR; ещё более строгое — по BIPA.

5. Понятные таблички + позиция по DPA. Стандартные таблички с уведомлением о камерах у входа; клиентская информация о конфиденциальности на сайте ритейлера; DPA подписаны с каждым облачным процессором. Юристы спросят — будьте готовы ответить заранее.

Стоимость и ROI для сети из 50 магазинов

Ориентировочная экономия для бизнес-кейса в сети из 50 магазинов специализированной розницы или продуктового ритейла:

Со стороны эффекта, консервативно сложенного:

• Снижение потерь (0,3 пункта на сети с оборотом 22,5 млрд ₽): ~13 млн ₽ в год.
• Сокращение SCO-потерь (60 % от подверженной базы 37–60 млн ₽): 22–37 млн ₽ в год.
• Снижение отказов от очереди (2–3 пункта трения на кассе): 5,6–11 млн ₽ в год.
• Прирост от планограмм / OSA (3–5 % роста продаж категории): 11–22 млн ₽ в год.

Консервативная оценка годового эффекта — 52–82 млн ₽ против 48–82 млн ₽ затрат в первый год. Окупаемость за 10–14 месяцев реалистична для специализированной и продуктовой розницы; в аптечной и convenience-рознице она часто наступает быстрее, поскольку базовые уровни потерь выше.

Мини-кейс: аналитика в ритейле на основе мультисайтового VMS-развёртывания

Ситуация. Системный интегратор, работающий с мультисайтовым специализированным ритейлером, хотел внедрить ритейл-аналитику — подсчёт людей, анализ времени пребывания, контроль очередей, выявление потерь на SCO и проверку заполненности полок — поверх уже существующего VMS-развёртывания, не заменяя камеры и не нарушая текущие LP-процессы. Директора магазинов и так были перегружены, поэтому новая система должна была генерировать меньше уведомлений, а не больше.

План на 12 недель. Недели 1–2: аудит камер в двух пилотных магазинах, разметка 30 дней записанного видео по магазину, определение базовой «нормы» для каждой камеры. Недели 3–5: установка edge-устройства Jetson Orin AGX на каждый магазин, детекция на YOLOv8, трекинг с DeepSORT, оценка позы, публикация метаданных по ONVIF Profile M, дашборд по магазину. Недели 6–7: интеграция плагина с VMS (Milestone XProtect), подключение к POS для анализа конверсии и синхронизации с SCO scan-логами, настройка webhook для алертов по LP. Недели 8–10: калибровка системы — устранение ложных срабатываний от теней, фильтрация вибраций камер, настройка порогов по зонам, еженедельное переобучение модели на новых SCO-образцах. Недели 11–12: поэтапный запуск за фича-флагом, обучение директоров магазинов, внедрение регламента квартальной переразметки данных.

Результат. Пилотные магазины показали заметный рост числа SCO-флагов в неделю уже в первый месяц. Количество ложных срабатываний на поведенческие аномалии снизилось с 6–8 на камеру в день в первую неделю до менее чем одного на камеру в день после калибровки. Оценка соблюдения планограмм перешла с квартальных ручных проверок на ежедневную метрику в дашборде. Масштабирование прошло по всей сети магазинов в следующем квартале.

Решение в пяти вопросах — прежде чем приступать к скоупингу

1. Какой KPI ведущий? Потери → LP-стек с детекцией аномалий по позе. Конверсия / персонал → стек с фокусом на очередь и трафик. Продажи категории → стек с фокусом на полки и планограммы. Не пытайтесь запускать все три сразу.

2. Купить retail-first SaaS, подключить VMS или строить кастом? Ритейлеры с менее чем 50 магазинами и без инженерной команды выбирают retail-first SaaS. Те, у кого уже есть инвестиции в VMS, подключают аналитический плагин. Вендоры retail-решений и сети из более чем 500 магазинов разрабатывают решения на заказ — ради дифференциации и экономии на каждом магазине.

3. Каков периметр приватности? Присутствие в Иллинойсе → базовая аналитика, без распознавания лиц. Магазины в ЕС → обработка данных на устройстве, DPA с каждым облачным процессором. Муниципальные запреты (Портленд, части Сан-Франциско) → никакого распознавания лиц, точка.

4. Интеграция с POS и инвентарём в первый день или на втором этапе? Для LP и операционных KPI — POS в первый день. Планограммы / OSA могут подождать второй этап, если только категорийный менеджмент не требует срочной покупки.

5. Кто владеет калибровкой? После установки каждому магазину требуется 4–8 недель на настройку порогов. Решите заранее: будет ли этим заниматься внутренняя команда LP или ops, сторонний сервис от вендора или комбинация обоих подходов. Если калибровкой никто не занимается — развёртывание провалится.

Пять ловушек, которые топят проекты по видеоаналитике в ритейле

1. Применять лабораторные бенчмарки к боевым камерам. Модели, обученные на чистых датасетах, теряют 10–20 пунктов точности на парках ритейл-камер с разным качеством. Планируйте сайт-специфичный файнтюнинг с самого начала; относитесь к демонстрации вендора как к максимуму, а не к минимуму.

2. Смещение демографических моделей. Оценщики возраста и пола, обученные на ограниченных популяциях, хуже работают на не-Западных группах, при более тёмной коже и у пожилых людей. Тестируйте на репрезентативных выборках реального трафика, пересматривайте результаты ежеквартально.

3. Силос LP против силоса операций. LP отвечает за потери; ops — за персонал и мерчандайзинг; категория — за соблюдение полочного плана. Единая аналитическая платформа, которая не объединяет три силоса, застревает на этапе закупок. Создайте кросс-функциональный руководящий комитет до оценки поставщиков, а не после.

4. Усталость от алёртов на уровне магазина. Если директор получает больше пары алёртов в день — канал просто замьютят. Чётко разделите по важности: операционные алёрты направляйте в ops, а LP-алёрты — в LP. Вместо сырых баллов показывайте корзины с оценкой уверенности.

5. Нет регулярного переобучения. Перепланировки магазинов, сезонные изменения освещения и сдвиги в ассортименте постепенно снижают точность моделей. Закладывайте квартальное переобучение в операционный регламент, а не в дорожную карту.

Какие KPI отслеживать после запуска

KPI качества. Точность подсчёта людей по сравнению с эталонным счётчиком на двери (цель — не менее 95 %). Точность определения очереди по еженедельной выборке видео (цель — не менее 90 %). Точность флагов SCO (цель — не менее 75 %, иначе доверие оператора снижается).

Бизнес-цели. Уровень потерь по квартилям магазинов (цель — заметное снижение за два квартала). Соотношение SCO-потерь к потерям на обычных кассах (цель — не более 2×). Доля магазинов, соблюдающих планограммы (цель — не менее 85% по сети за два квартала). Доля отказов от очереди (цель — не более 1,5%).

KPI принятия. Еженедельная вовлечённость директоров в дашборд (цель — не менее 80 % активных). Время закрытия LP-кейсов (цель — ниже базового уровня до внедрения). Доля замьюченных алёртов (цель — 0 %; муты — это молчаливые отказы продукта).

Когда НЕ запускать видеоаналитику в ритейле прямо сейчас

Если парк камер в основном старый аналоговый, а переход на IP не запланирован — сначала потратьте деньги на камеры. Аналитика не спасёт плохое качество входных данных, в которых теряются важные детали. Если сегодня команды по логистике и операционным процессам не работают слаженно, аналитика только усугубит разрыв, прежде чем поможет его закрыть — сначала наладьте управление. Если вы скоро внедряете новую POS-систему — подождите: интеграционные усилия, которые вы сейчас делаете, всё равно придётся переделывать. И если ваш юрист по приватности принципиально не чувствует себя комфортно с использованием аналитики на камерах — это сигнал замедлить темп и сузить пилот, а не форсировать внедрение.

Реалистичный 12-недельный план пилота

Рисунок 1. 12-недельный пилот выводит функцию ритейл-аналитики уровня продакшена в 1–2 магазинах. Раскатка по сети из 50 магазинов обычно занимает ещё 4–6 месяцев — в зависимости от региональной фазировки.

FAQ

Нужно ли распознавание лиц для эффективной видеоаналитики в ритейле?

Нет — и почти наверняка не стоит. Скелетная аналитика по ключевым точкам и оценка позы позволяют отслеживать количество людей, время пребывания, очереди, мониторинг SCO и аномалии LP. Обезличенная оценка возрастной и гендерной структуры даёт маркетинговые сигналы без идентификации конкретных лиц. Такая комбинация соответствует требованиям BIPA, CCPA, GDPR и муниципальным запретам на распознавание лиц с гораздо меньшим сопротивлением.

Какой реалистичный срок окупаемости при развёртывании в 50 магазинах?

10–14 месяцев для специализированной и продуктовой розницы, быстрее (6–10 месяцев) — в аптечной и convenience, где базовые уровни потерь выше. Потери и SCO-потери сами по себе окупают бизнес-кейс; планограммы / OSA / персонал — это ростовые возможности второй фазы.

Можно ли запустить это поверх существующей системы Milestone / Genetec VMS?

Да — через аналитический плагин и метаданные ONVIF Profile M. VMS обрабатывает проверки LP и запись; аналитический слой отвечает за ритейл-метрики и дашборды. Закладывайте 2–3 недели на интеграционное тестирование под конкретную версию VMS в вашей сети.

Как интегрироваться с NCR, Oracle Micros или Square POS?

NCR Voyix и Oracle Micros передают потоки событий через стандартные API; Square / Block — через REST-вебхуки; старые установки NCR часто выдают плоские файлы. Слой интеграций сопоставляет трафик с транзакциями для расчёта метрик конверсии и среднего чека, а также связывает события SCO со сканированиями. На подключение первого ритейлера закладывайте 2–4 недели, на последующие — вдвое меньше, если используется та же POS-система.

Какая правильная политика хранения для видео в ритейле?

30–90 дней для сырого видео на локальном NAS, постоянное хранение метаданных (подсчёты, пребывание, оценки соблюдения). Сырые ролики, привязанные к подтверждённым инцидентам LP, храним дольше — по юридическому требованию. Всё остальное удаляем по расписанию. Такая политика сразу снимает большинство вопросов регуляторов.

Можно ли подключить старые аналоговые камеры к пайплайну аналитики?

Через IP-энкодер — да, но потолок разрешения (часто эффективные 480p) мешает аналитике на уровне полки и выявлению SCO-потерь. На практике планируйте обновить 30–40 % парка камер, сосредоточившись на входе в магазин, SCO-зонах и категориях с высокой маржой; старые камеры оставьте для общего обзора. Заложите обновление в бюджет и сроки.

Как связаны видеоаналитика в ритейле и общая детекция аномалий?

Аналитика ритейла использует те же базовые технологии — детекцию, трекинг и распознавание позы, — но применяет их к задачам, специфичным для торговли: конверсия, очереди, планограммы, SCO, состояние полок. Общая система обнаружения аномалий охватывает более широкий спектр ситуаций — вторжения, падения, скопления людей, наличие оружия — и предназначена для использования в не-ритейловых средах.

Сколько Фора Софт делает пилот?

10–14 недель на запуск пилотного проекта в 1–2 магазинах командой Фора Софт с инструментами Agent Engineering: обследование объекта, установка edge-оборудования, интеграция VMS и POS, калибровка, обучение директоров магазинов, поэтапный запуск. Расширение на 50 магазинов занимает дополнительно 4–6 месяцев в зависимости от региональной фазировки.

Что почитать дальше

Готовы превратить камеры в магазинах в реальную систему для принятия решений?

Видеоаналитика в ритейле в 2026 году — это в первую очередь инструмент для KPI, а уже во вторую очередь — система наблюдения. Успешная модель — выполнение анализа на краю сети (edge-first) на оборудовании уровня Jetson, передача метаданных по стандарту ONVIF Profile M в ту VMS, которой ритейлер уже пользуется, интеграция с POS-системой с первого дня для получения данных о конверсии и показателе SCO, а также архитектура с защитой приватности по умолчанию (privacy-by-design), соответствующая требованиям BIPA, CCPA, GDPR и местным запретам на распознавание лиц без отдельного согласования. Начните с анализа потерь и показателя SCO-loss — обычно именно они сами обосновывают бизнес-ценность, — а затем добавьте контроль за соблюдением планограмм, наличие товаров на полках, управление очередями и оптимизацию работы персонала на втором этапе.

Команды, которые здесь побеждают, выстраивают управление — LP, ops, категория, приватность — ещё до выбора поставщиков. Они настраивают каждый магазин в течение 4–8 недель после запуска, а не считают его завершённым сразу. И они внимательно следят за долей замьюченных алёртов так же, как за уровнем потерь, потому что замьюченный канал — это молчаливый отказ продукта. Мы применяли этот подход в мультисайтовом ритейле и в retail-тех-продуктах: продакшен-пилот стартует за 10–14 недель, а масштабирование по сети занимает ещё 4–6 месяцев.