Видеоаналитика для ритейла: руководство 2026 года по умному магазину на базе ИИ

Почему Фора Софт написала это руководство для ритейла

Фора Софт разрабатывает программное обеспечение для видеонаблюдения и AI с 2005 года. Наша практика в видеонаблюдении и команда AI-интеграции выпускают плагины для VMS, edge-стеки инференса и аналитические пайплайны на базе ONVIF для системных интеграторов и retail-tech компаний. Valt — наш многолетний продукт для видеонаблюдения, используется в правоохранительной, научной и корпоративной среде; инженерные паттерны прямо переносятся на ритейл-внедрения.

Это руководство написано для CIO ритейл-компаний, руководителей служб предотвращения потерь (LP), продуктовых лидеров retail-tech и системных интеграторов, которые уже работают с ритейлом. Оно отвечает на вопросы, которые мы слышим на каждом скоупинг-звонке: что в 2026 году реально, а что переоценено, на какие KPI платформа должна действительно влиять, как edge-инференс и облачная агрегация делят работу между собой, как пройти проверку приватности в США и ЕС и как выглядит реалистичное развёртывание в 50 магазинах с разбивкой по кварталам.

Что изменилось между 2023 и 2026 годами

Три структурных сдвига вывели видеоаналитику в ритейле на уровень совета директоров. Первый — кризис потерь: National Retail Federation оценила потери розницы США примерно в 8,4 трлн ₽ за 2022–23, причём организованная розничная преступность (ORC) даёт непропорционально большую долю. Уровень потерь по индустрии — около 1,6 %, в продуктовой, аптечной и big-box рознице — 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, превратилось в юридический риск. 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 индустрии — около 1,6 %; сеть из 200 магазинов с 1,8 % теряет ориентировочно 54–67 млн ₽ в год. Хорошо настроенный пайплайн видеоаналитики реально снимает 0,2–0,4 пункта.

2. Конверсия. Трафик у входа против транзакций на кассе. Видео даёт знаменатель, POS — числитель. Без обоих — гадание.

3. Отказы от очереди. Оценки показывают, что ритейлеры США теряют десятки миллиардов долларов в год из-за трения на кассах. Реал-тайм глубина очереди запускает динамическое распределение персонала — самая высокоокупаемая операционная функция в большинстве внедрений.

4. Время пребывания (dwell time) по зонам. Сколько покупатели проводят в овощах, электронике или у промо end-cap. Коррелирует с размером корзины; сырьё для решений по мерчандайзингу.

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

6. Доступность на полке (OSA, on-shelf availability). Доля SKU, фактически присутствующих на своих местах. Out-of-stock регулярно стоит ритейлерам 4–8 % потенциальной выручки в затронутых категориях.

7. Коэффициент потерь на самообслуживании. Новая ключевая метрика. Потери на SCO как кратное к потерям на обычных кассах. Цель: снизить до 1,5× с помощью детекции на компьютерном зрении.

8. Отношение персонала к трафику. Затраты на персонал к объёму трафика. Видео даёт это в реальном времени; системы планирования рабочей силы (UKG, Kronos, Legion) потребляют для графиков.

Возможности: от подсчёта людей до контроля планограмм

Видеоаналитика в ритейле — это стек примитивов 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», задевает 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, микса категорий и дизайна SCO-станции. Для сети из 200 магазинов с 40 % доли SCO на рутинных объёмах подверженные потери реалистично попадают в диапазон 225–750 млн ₽ в год.

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

1. Модель синхронизации сканирования. Камера у зоны упаковки следит за тем, как товары попадают в пакет. Временная модель сравнивает число и размер упакованных товаров с потоком сканирований из POS. Расхождение выше порога вызывает подсказку оператору или флаг для постфактум-проверки.

2. Детекция подмены ценника (ticket-switch). Детекция позы рук около UPC-этикеток в связке с моделью категорийного уровня, которая сигнализирует, когда этикетка премиум-товара заменена на этикетку более дешёвого SKU.

3. Детекция ухода без оплаты (walk-off). Покупатель покидает зону SCO с товарами, но без завершённой транзакции. Просто и эффективно; модель — это линия-триггер плюс хук в POS.

4. Дизайн подсказок оператору. Петля обратной связи важна не меньше модели. Подсказки должны быть конкретными («пожалуйста, пересканируйте последний товар»), не обвиняющими, и учитывать уверенность модели, чтобы оставлять 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 — это правдоподобно, с окупаемостью 6–9 месяцев в большинстве ритейл-сетей среднего сегмента.

Соблюдение планограмм и доступность на полке

Руководители операций в ритейле регулярно оценивают, что 40–60 % их магазинов в любой момент не соответствуют планограммам — отсутствующие фейсинги, не на месте SKU, не выставленные промо. Еженедельные полевые аудиты частично закрывают этот разрыв; видеоаналитика закрывает его непрерывно.

Технический подход: камеры на полках направлены на приоритетные секции (импульсные end-cap, промозоны, высокомаржинальные категории). Модели сегментации делят полку на фейсинги; модели классификации опознают, что там стоит; OCR читает цены и шелф-теги. Расхождения с авторитетной планограммой выдают алёрты директору магазина и категорийной команде в штаб-квартире.

Доступность на полке — та же архитектура с другим набором правил: детекция пустых фейсингов с агрегацией в список out-of-stock по SKU и зонам. Этот список подаётся в мобильное приложение для пополнения, которым персонал уже пользуется, — нового рабочего процесса не появляется.

Реалистичный эффект: ритейлеры стабильно сообщают о росте продаж на 3–5 % в полностью соответствующих категориях, плюс возвращение значимой части тех 4–8 % выручки категории, которые иначе теряются из-за OOS. Окупаемость попадает в окно 6–12 месяцев для сетей среднего сегмента, короче — в продуктовой рознице, где экономика OOS жёстче.

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

Полоса пропускания в ритейле — это ограничение, которое формирует архитектуру. Магазины в стрип-моллах часто работают через единственный потребительский WAN-канал; сельские локации полагаются на бондированные 4G/5G. Гонять сырое видео через такой бэкхол на сколько-нибудь серьёзном масштабе невозможно. Паттерн, который мы выкатываем по умолчанию:

Edge-устройство в каждом магазине. Jetson Orin NX или AGX обрабатывает 8–16 камер в зависимости от микса моделей. Запускает весь стек инференса — детекция, трекинг, очередь, полки, SCO. Выдаёт метаданные: подсчёты, гистограммы пребывания, события соблюдения планограмм, флаги аномалий. Локальный NAS буферизует 30–90 дней сырого видео для проверок LP.

ONVIF Profile M. Метаданные едут по ONVIF Profile M обратно в VMS, если она есть.

Облачная агрегация уровня сети. Метаданные из магазинов поступают в облачное хранилище (Snowflake, BigQuery или специализированный retail-analytics SaaS). Дашборды для LP, операций, категорийного менеджмента. Ночной джоб, отгружающий ролики подтверждённых инцидентов, идёт в 02:00–05:00 по местному времени магазина, чтобы не конкурировать за полосу днём.

Реал-тайм алёрты остаются локальными. Алёрты о глубине очереди для персонала магазина, подсказки оператору SCO, OSA-флаги в приложение пополнения — всё это рождается на edge. Облако — это слой аналитики, а не плоскость управления реал-таймом.

Инженерные детали инференса в реальном времени на этом стеке — в наших лучших практиках real-time видеообработки с AI.

Железо: камеры и edge-устройство

Камеры. Микс IP-камер 2,8–5 МП с поддержкой ONVIF Profile M, питание PoE. Axis, Hanwha, Hikvision, Dahua, Uniview — все работают; выбирайте по сервисным отношениям и доступности, а не по бренду. Старые аналоговые камеры можно подключить через IP-энкодер, но потолок разрешения убивает аналитику уровня полки — планируйте обновление тех 30–40 % камер, которые больше всего этого требуют.

Edge-устройство. Семейство Jetson Orin — стандарт в 2026 году. Orin Nano закрывает 1–2 потока для киосков, Orin NX — 2–4 потока для маленьких магазинов, Orin AGX — 8–12 потоков для полноценного ритейла. Hailo-8 — жизнеспособная альтернатива с меньшим энергопотреблением, когда нужны только нагрузки уровня детекции. Бюджет — около 30 000–187 500 ₽ на магазин только за компьют, в зависимости от числа 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. ₽ железа плюс монтаж — до софта.

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

Видеоаналитика без интеграции с POS — это дашборд. Видеоаналитика с POS, инвентарём и персоналом — это система принятия решений. Интеграции, которые мы делаем на каждом ритейл-проекте:

POS. NCR Voyix, Oracle Micros / MICROS Simphony, Square / Block, Shopify POS, Toast (смежно с F&B). Поток транзакций даёт знаменатель конверсии и сигнал синхронизации сканирования для SCO. У большинства есть REST или webhook API; старые установки NCR отгружают плоские файлы.

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

Персонал / графики. UKG (Kronos), Legion, Reflexis. Глубина очереди и трафик питают внутридневные корректировки штата; пребывание и конверсия — еженедельную оптимизацию графика.

Кейс-менеджмент LP. Appriss Retail, LP Innovations, внутренние очереди в Zendesk / ServiceNow. Алёрты об аномалиях становятся расследованиями с приложенными роликами.

Планируйте 2–4 недели на интеграцию для первого прохода, в два раза меньше — на втором ритейлере. Работа по интеграциям — основная часть «мягкой» стоимости проекта.

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

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

Общие VMS-платформы — Milestone XProtect, Genetec Security Center, Avigilon Control Center, Network Optix Nx Witness — отличны для наблюдения, проверок LP и операций безопасности. Из коробки они плохо ложатся на ритейл-KPI. Ожидайте серьёзной работы с плагинами, чтобы они заговорили на языке конверсии, пребывания и соблюдения планограмм.

Retail-first аналитические платформы — Solink, RetailNext (Sensormatic), Prism.ai, Envision.ai, retail-модули Hanwha Vision, AiFi, Standard AI — поставляются с интеграциями POS, шаблонами планограмм и дашбордами, рассчитанными на категорийных и операционных руководителей. Они с трудом заменяют полноценную VMS для LP-расследований; большинство ритейлеров держат обе.

Когда строить. Если вы — retail-tech компания, которая продаёт в ритейл, «строить» означает строить собственный аналитический слой поверх ONVIF / VMS-плумбинга. Мы это регулярно делаем — клиент удерживает продуктовую дифференциацию, мы владеем слоем видеоинженерии.

Приватность: BIPA, CCPA, GDPR и дизайнерские решения, проходящие 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 поведения, детекцию по позе для аномалий SCO и LP. Не строите базу face-print без явного процесса согласия и юридического запаса.

2. Только обезличенные демографические корзины. Оценка возраста / пола как агрегированные корзины (18–34, 35–54, 55+) для маркетингового сигнала. Никогда не привязывается к конкретному человеку, никогда не сохраняется против идентичности.

3. Хранение в первую очередь метаданных. Храните подсчёты, гистограммы пребывания, события. Сырое видео — только 30–90 дней и только там, где это нужно LP. Удаляйте ролики, не привязанные к подтверждённым инцидентам, по расписанию.

4. Инференс на устройстве. Запускайте детекцию / трекинг / позу на edge. Держите персональные данные в магазине; отгружайте в облако только агрегированные метрики. Чистая история по GDPR; ещё более чистая — по BIPA.

5. Понятные таблички + позиция по DPA. Стандартные таблички уведомления о камерах у входа; клиентская заметка о приватности на сайте ритейлера; DPA подписаны с каждым облачным процессором. Юристы спросят — имейте ответ заранее.

Стоимость и ROI для сети из 50 магазинов

Ориентировочная экономика 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 (доля 3–5 % роста продаж категории): 11–22 млн ₽ в год.

Консервативно сложенный годовой эффект 52–82 млн ₽ против 48–82 млн ₽ затрат в первый год. Окупаемость 10–14 месяцев реалистична для специализированной и продуктовой розницы; в аптечной и convenience часто быстрее, потому что базовые уровни потерь выше.

Мини-кейс: аналитика ритейла поверх мультисайтового VMS-развёртывания

Ситуация. Системный интегратор, работающий с мультисайтовым специализированным ритейлером, хотел добавить ритейл-аналитику — подсчёт людей, пребывание, очередь, потери на SCO, соблюдение полок — поверх существующего VMS-развёртывания, не выдирая камеры и не ломая LP-процессы. Директора магазинов и так были перегружены; новая функция должна была генерировать меньше алёртов, а не больше.

План на 12 недель. Недели 1–2: аудит камер в двух пилотных магазинах, разметка 30 дней записанного видео на магазин, базовая «норма» для каждой позиции камеры. Недели 3–5: edge-устройство Jetson Orin AGX на магазин, детекция на YOLOv8 + трекинг DeepSORT + оценка позы, публикатор метаданных ONVIF Profile M, дашборд по магазину. Недели 6–7: интеграция плагина с VMS (Milestone XProtect), связка с POS для конверсии и SCO scan-sync, webhook для LP-алёртов. Недели 8–10: проход калибровки — подавление теней, фильтр вибрации камер, пороги по зонам, еженедельная петля переобучения на SCO-паттернах. Недели 11–12: поэтапная выкатка за фича-флагом, обучение директоров магазинов, регламент квартальной ребазовой переразметки.

Результат. Пилотные магазины показали ощутимый скачок числа SCO-флагов в неделю в первый месяц. Уровень ложных срабатываний на поведенческих аномалиях упал с 6–8 на камеру в день в первую неделю до меньше 1 на камеру в день после прохода калибровки. Оценка соблюдения планограмм перешла с квартальных ручных аудитов на ежедневную метрику дашборда. Выкатка распространилась на остальную сеть 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 < 50 магазинов и без инженерной команды покупают retail-first SaaS. Ритейлеры с существующей инвестицией в VMS добавляют аналитический плагин. Retail-tech вендоры и сети > 500 магазинов строят на заказ ради дифференциации и экономики на каждый магазин.

3. Каков периметр приватности? Есть присутствие в Иллинойсе → скелетная аналитика, без лиц. Магазины в ЕС → инференс 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 фазы, если только категорийный менеджмент не толкает покупку.

5. Кто владеет калибровкой? Каждый магазин требует 4–8 недель тюнинга порогов после установки. Решайте заранее: внутренняя LP / ops-команда, управляемый сервис от вендора или гибрид. Бесхозная калибровка = провальное развёртывание.

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 смешанных по качеству парках ритейл-камер. Планируйте сайт-специфичный файнтюнинг с первого дня; относитесь к демке вендора как к потолку, а не к полу.

2. Смещение демографических моделей. Оценщики возраста / пола, обученные на ограниченных популяциях, работают хуже на не-западных демографиях, более тёмной коже и пожилых людях. Тестируйте на репрезентативных выборках реального трафика; ревизуйте ежеквартально.

3. Силос LP против силоса операций. LP владеет потерями; ops — персоналом и мерчандайзингом; категория — соблюдением полок. Единая аналитическая платформа, которая не сшивает три силоса, застревает в закупках. Соберите кросс-функциональный руководящий комитет до оценки вендоров, а не после.

4. Усталость от алёртов на уровне магазина. Больше горстки ежедневных алёртов на директора — и канал замьютят. Иерархизируйте серьёзность, маршрутизируйте операционные алёрты в ops, а LP-алёрты — в LP, показывайте корзины уверенности вместо сырых баллов.

5. Нет регулярного переобучения. Перепланировки магазинов, сезонные изменения освещения и сдвиги в продуктовом миксе тихо снижают точность моделей. Закладывайте квартальную петлю переобучения в операционный регламент, а не в роадмап.

Какие KPI отслеживать после запуска

KPI качества. Точность подсчёта людей против эталона счётчика на двери (цель ≥ 95 %). Точность детекции очереди на еженедельной выборке видео (цель ≥ 90 %). Точность SCO-флагов (цель ≥ 75 % — ниже доверие оператора рушится).

Бизнес-KPI. Уровень потерь по квартилям магазинов (цель — значимое падение за два квартала). Множитель SCO-потерь к обычным кассам (цель ≤ 2×). Оценка соблюдения планограмм (цель ≥ 85 % по сети за два квартала). Отказы от очереди (цель ≤ 1,5 %).

KPI принятия. Еженедельная вовлечённость директоров в дашборд (цель ≥ 80 % активных). Время закрытия LP-кейсов (цель — меньше, чем базовая линия до внедрения). Доля замьюченных алёртов (цель 0 %; муты — это молчаливые отказы продукта).

Когда НЕ запускать видеоаналитику в ритейле прямо сейчас

Если парк камер преимущественно старый аналоговый и обновления на IP в роадмапе нет — потратьте деньги сначала на камеры. Аналитика не компенсирует входные данные, в которых теряются нужные детали. Если ваши LP и ops-команды сегодня не координируются, аналитика расширит этот разрыв, прежде чем закроет его — сначала сделайте работу по управлению. Если вы вот-вот развернёте новую POS-систему — подождите: интеграционная работа, которую вы делаете сейчас, всё равно будет переделана. И если ваш юрист по приватности в принципе не комфортен с аналитикой на камерах, это сигнал замедлиться и сузить пилот, а не продавливать.

Реалистичный 12-недельный план пилота

Рисунок 1. 12-недельный пилот выводит продакшен-уровневую функцию ритейл-аналитики 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 плюс оценка позы закрывают подсчёт людей, пребывание, очередь, мониторинг SCO и аномалии LP. Обезличенная оценка возрастной / гендерной корзины даёт маркетинговый сигнал без идентификации. Такая комбинация проходит BIPA, CCPA, GDPR и муниципальные запреты на распознавание лиц с гораздо меньшим трением.

Какой реалистичный срок окупаемости для развёртывания 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 плюс SCO-потери обычно сами по себе вытягивают бизнес-кейс; планограммы / OSA / персонал — апсайд второй фазы.

Можно ли запустить это поверх существующей Milestone / Genetec VMS?

Да — через аналитический плагин и метаданные ONVIF Profile M. VMS обрабатывает проверки LP и запись; аналитический слой отвечает за ритейл-KPI 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 отдают потоки событий через стандартные API; Square / Block — через REST-вебхуки; старые установки NCR часто отгружают плоские файлы. Слой интеграций коррелирует трафик с транзакциями для метрик конверсии и размера корзины, а также связывает SCO-события со сканированиями. Закладывайте 2–4 недели на первого ритейлера и в два раза меньше на последующие выкатки на той же POS.

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, держим дольше — по юридическому требованию. Всё остальное удаляем по расписанию. Такая позиция снимает большинство вопросов регуляторов сразу.

Можно ли подключить старые аналоговые камеры к пайплайну аналитики?

Через IP-энкодер — да, но потолок разрешения (часто эффективные 480p) рушит аналитику уровня полки и детекцию SCO-потерь. На практике планируйте обновить 30–40 % парка камер, целясь во фронт магазина, SCO-зоны и высокомаржинальные категории; оставьте старые камеры на общем покрытии. Заложите обновление в бюджет и сроки.

Как связаны видеоаналитика в ритейле и общая детекция аномалий?

Аналитика ритейла использует многие из тех же примитивов (детекция, трекинг, поза), но применяет их к специфическим задачам ритейла: конверсия, очередь, планограмма, SCO, полка. Общая детекция аномалий охватывает более широкий набор — вторжения, падения, толпа, оружие — и подходит для не-ритейл сред.

Сколько Фора Софт делает пилот?

10–14 недель на продакшен-пилот в 1–2 магазинах командой Фора Софт с инструментами Agent Engineering: обследование объекта, edge-железо, интеграция VMS + POS, калибровка, обучение директоров магазинов, поэтапная выкатка. Расширение по сети добавляет 4–6 месяцев на 50 магазинов в зависимости от региональной фазировки.

Что почитать дальше

Готовы превратить камеры в магазинах в реальную систему принятия решений?

Видеоаналитика в ритейле в 2026 году — это в первую очередь KPI-движок и только во вторую — система наблюдения. Выигрышный паттерн — edge-first инференс на железе класса Jetson, метаданные ONVIF Profile M в ту VMS, которой ритейлер уже доверяет, интеграция с POS в первый день ради сигналов конверсии и SCO, и архитектура privacy-by-design, которая проходит BIPA, CCPA, GDPR и муниципальные запреты на распознавание лиц без отдельного проекта. Начните с потерь и SCO-loss — обычно они сами вытягивают бизнес-кейс, — а затем добавьте соблюдение планограмм, доступность на полке, управление очередями и оптимизацию персонала на втором этапе.

Команды, которые здесь побеждают, выстраивают управление — LP, ops, категория, приватность — до того, как оценивают вендоров. Они калибруют каждый магазин 4–8 недель после установки, а не считают запуск финишной чертой. И они мониторят долю замьюченных алёртов так же внимательно, как уровень потерь, потому что замьюченный канал — это молчаливый отказ продукта. Мы выкатывали этот паттерн в мультисайтовый ритейл и в retail-tech продукты; продакшен-пилот стартует за 10–14 недель, раскатка по сети — ещё 4–6 месяцев после этого.