Видеоаналитика в ритейле: подсчёт и теплокарты

Это инженерное руководство, а не юридическая консультация. Уточняйте детали у квалифицированного юриста.

Кратко

Видеоаналитика в ритейле превращает уже установленные в магазине камеры в четыре измеримые задачи: считать людей, понимать, куда они идут, следить за очередями и ловить потери у полки и на кассе. Ни одна из этих задач не работает со «100%-й точностью»: правильно установленный счётчик посетителей даёт около 90–98% при хороших условиях и теряет точность при скученности, тенях и неудачном угле, поэтому диапазон и условия важнее любого одного числа. Эталонная схема – это не одна камера на всё: камера над входом считает, потолочные камеры питают тепловые карты, камеры над кассами ловят непробитый товар, и только специальные камеры высокого разрешения могут опознать лицо – ведь опознать человека требует примерно в десять раз большей плотности пикселей, чем просто обнаружить его. Граница, что определяет ваши юридические риски, – считаете ли вы только анонимные тела (обычно вне закона о биометрии) или сверяете лица со списком (это сразу попадает под GDPR ст. 9 и Illinois BIPA), поэтому проводите эту границу осознанно, а не случайно.

Почему это важно

Если вы управляете операциями ритейла, строите платформу видеоменеджмента или интегрируете камеры для торговых сетей, «добавьте аналитику» – самый частый запрос и самый частый источник разочарования. Разочарование почти всегда в ожиданиях: счётчик установлен не на той высоте, единственный процент точности принят за истину, функция предотвращения потерь тихо требует проверки на соответствие закону о биометрии, или камеру купили «под аналитику», хотя она никогда не была достаточно резкой, чтобы кого-то опознать. Эта статья даёт вендор-нейтральную эталонную схему – что делает каждый вид аналитики, где стоят камеры, где идёт обработка, какую точность ждать и где проходит граница приватности – чтобы вы могли спланировать проект, говорить с инженерами и избежать ошибок, которые превращают шестизначный бюджет в полку неиспользуемых функций.

Стек аналитики ритейла: четыре задачи, один конвейер

Уберите маркетинг – и видеоаналитика ритейла делает четыре дела. Она считает людей (сколько вошло, и арифметика конверсии, что следует за этим). Она картирует их (тепловые карты того, куда они идут и где задерживаются). Она следит за потоком (длина очереди и время ожидания на кассе). И она ловит потери (непробитый товар на кассе, «сметание» с полки и организованные кражи). Каждая из этих задач работает на одном и том же конвейере.

У конвейера пять стадий. Камера снимает сцену. Модель детекции находит людей (а иногда и объекты) в каждом кадре. Трекер связывает эти детекции между кадрами в траекторию по магазину. Слой агрегации собирает эти траектории в счётчики, время задержки и активность зон за минуты, часы и дни. И система видеоменеджмента – программа, что принимает и записывает множество потоков камер, называемая VMS, – выводит результат как число, тепловую карту или алерт. Детекция и трекинг всё чаще идут на самой камере; агрегация и отчётность – на сервере или в облаке.

Нажмите, чтобы увеличить

Оговорка о границах темы. Сами модели детекции и трекинга – как сеть находит человека или повторно опознаёт того же покупателя на двух камерах – это отдельные инженерные темы, разобранные в нашей карте видеоаналитики и в разделе AI for Video Engineering. Здесь фокус – применение в ритейле: где стоят камеры, где идёт обработка, какую точность реально получает магазин и какую позицию по приватности занимает серьёзный ритейлер.

Подсчёт людей: как это работает и насколько точно на самом деле

Подсчёт людей – фундамент, потому что почти каждая метрика ритейла – это отношение со счётчиком в знаменателе. Конверсия – это транзакции, делённые на посетителей. Продажи на посетителя, коэффициент захвата и нормы персонала – всё начинается с надёжного счёта.

Архитектур камеры две. 2D-счётчик (моноскопический) использует один потолочный сенсор и опознаёт людей по их размеру и движению при пересечении виртуальной линии. 3D-счётчик (стереоскопический) использует два сенсора в нескольких сантиметрах друг от друга и строит карту глубины – так же, как два ваших глаза оценивают расстояние. Карта глубины позволяет игнорировать тени и яркое солнце, которые 2D-система может принять за человека, и исключать объекты ниже заданной высоты, так что тележка или ребёнок в коляске не считаются за взрослого. Стереосистемы лучше работают в толпе и при бликах; 2D дешевле и при правильной установке очень хороши.

Установка – то, где чаще всего ломается счёт. Рекомендации вендоров едины: камера ставится строго над головой, объективом вертикально вниз, линия подсчёта – поперёк направления движения. Axis задаёт минимальную высоту монтажа 2,7 метра (около 8,9 фута) для своего приложения подсчёта и, как правило, ширину покрытия примерно равную высоте монтажа. Наклоните камеру, повесьте слишком низко или под углом – и точность рушится, потому что два идущих рядом человека сливаются в одно пятно.

Теперь число, которого все хотят, – честно. Хорошо установленные счётчики дают 90–98% при хороших условиях. Axis публикует точность своего счётчика около 95% при правильной установке; RetailNext контрактно гарантирует минимум 95%, проверяемых аудитом после монтажа. Но полезнее всего по точности – сам Axis, который отказывается публиковать единое число точности, говоря, что оно «верно лишь в лабораторной тестовой постановке» и что точность подсчёта «ни может, ни должна сводиться к общему проценту точности». RetailNext бьёт в ту же точку прямо: вендоры заявляют «97, 98 и даже 100% – но подумайте: насколько точны эти уровни точности?» Честная формулировка – диапазон, что падает при скученности, освещении и угле, никогда единственное идеальное число.

Свою точность можно измерить, не доверяя ни одному даташиту. Считайте людей на входе и выходе раздельно, затем проверьте баланс. За полный день дверь должна видеть почти столько же выходов, сколько входов.

Проверка баланса входов/выходов (один вход, один день):
  Записано IN  = 4 820
  Записано OUT = 4 790
  Дисбаланс    = |IN − OUT| ÷ среднее((IN + OUT)/2)
               = 30 ÷ 4 805
               ≈ 0,6%  → в пределах допуска

Стойкий дисбаланс выше нескольких процентов означает, что счётчик пропускает пересечения – обычно проблема высоты, угла или скученности, а не баг в софте. Разберитесь с установкой до того, как доверять отчёту о конверсии, построенному поверх неё.

Тепловые карты: превращаем траектории в картину магазина

Тепловая карта – это слой агрегации, сделанный видимым. Система берёт тысячи отслеженных траекторий за часы или дни и рисует их цветовым градиентом поверх плана магазина – тёплые цвета там, где активность высока, холодные – где низка. В ритейле важны два вида. Карта трафика показывает, сколько людей прошло через каждую зону. Карта задержки (dwell) показывает, где люди останавливались и насколько, где время задержки – средняя продолжительность пребывания покупателя в зоне.

Ценность – в решениях, а не в украшении. Горячие и холодные зоны показывают, совпадает ли планировка магазина с тем, как люди реально движутся. Высокомаржинальный торцевой стеллаж в холодной зоне стоит не там. Рекламную выкладку можно оценить по задержке, что она создаёт, до и после кампании. Решения по планограмме – какой товар на какую полку – перестают быть догадками. Поскольку тепловая карта строится из тех же детекций и треков, что и счётчик, она добавляет ценность аналитики без новых камер, если потолочные камеры уже покрывают зал.

Очередь и задержка: измеряем ожидание

Аналитика очереди считает людей, стоящих на кассе, оценивает ожидание и запускает триггер персонала – «откройте ещё кассу» – когда очередь переходит порог. Логика ритейла прямая: длинные очереди – там, где завершившие покупки бросают полные корзины, поэтому ожидание, за которым никто не следит, – это потерянная выручка в самый дорогой момент. Эмпирические правила вендоров кладут точку отказа около семи человек в очереди или нескольких минут ожидания; считайте их ориентиром, а не измеренным законом, потому что реальный порог зависит от магазина. Аналитика очереди и задержки больше всего выигрывает от работы на edge – на камере или рядом, – чтобы алерт о персонале приходил близко к моменту нужды, а не после похода в облако.

Предотвращение потерь: от непробитого товара до организованной кражи

Предотвращение потерь – там, где аналитика ритейла отбивает бюджет, потому что потери (shrink) – товар, утраченный из-за кражи, мошенничества и ошибок, – большое и растущее число. Самая цитируемая цифра по США – от Национальной федерации ритейла (NRF): потери достигли 1,6% продаж в 2022 финансовом году, около $112,1 млрд, против 1,4% годом ранее. Обращайтесь с этим числом осторожно: NRF свернула свой давний ежегодный обзор безопасности в 2024 году, заменив его более узким отчётом «Impact of Retail Theft and Violence», где число инцидентов краж выросло примерно на 93% в 2023 году против 2019-го. Скептически относитесь к круглым цифрам «глобальных потерь», что гуляют по сети, – многие восходят к агрегациям, а не первичным обзорам; цитируйте первичное число NRF с указанием года.

Аналитика бьёт по потерям в двух точках. На кассе компьютерное зрение связывает видео расчёта с журналом транзакций и помечает непробитый товар – предмет, что пересёк сканер, но не пробился, – и «сладкие сделки» (sweethearting), когда кассир намеренно недопробивает в пользу сообщника. Зрелая версия этого – отчётность по исключениям (exception-based reporting): софт помечает подозрительные транзакции (отмены, ручные правки цены, лишние возвраты) и автоматически связывает каждую с её видеоклипом, так что проверяющий смотрит тридцать секунд вместо тридцати часов. В торговом зале модели распознавания жестов и поведения помечают сокрытие и «сметание» с полки и шлют короткий видеоалерт на телефон менеджера. Self-checkout, переложивший труд сканирования на покупателя, переложил туда же и риск потерь и стал главной целью аналитики непробитого товара.

Здесь нужны две оговорки о честности. Во-первых, вендоры предотвращения потерь приводят эффектные цифры – «снижение потерь до 50%», «детекция 99%», – которые самозаявлены и не проверены аудитом; считайте их маркетингом, а не измерением. Во-вторых, как только предотвращение потерь переходит от детекции поведения к опознанию человека – сверке лица со списком известных нарушителей – оно пересекает юридическую границу, не имеющую отношения к тому, работает ли технология. Эту границу мы проведём явно ниже.

Таблица 1. Каталог аналитики ритейла. Точность – диапазон, зависящий от сцены и настройки, а вес приватности резко растёт на последней строке – единственной, что опознаёт конкретного человека. О дисциплине precision/recall за этой аналитикой см. настройку аналитики: ложные тревоги и точность.

Нажмите, чтобы увеличить

Где стоят камеры: эталонная схема ритейла

Это сердце эталонной схемы Блока 8 и одна идея, что спасает больше всего проектов: камера, что считает людей, – не та, что опознаёт вора. Это разные установки с разной оптикой, на разной высоте, в разных местах.

Причина – плотность пикселей: сколько пикселей попадает на цель, в пикселях на метр ширины цели. Стандарт IEC 62676-4 (шкала DORI – Detect, Observe, Recognise, Identify) задаёт пороги: обнаружить (Detect) человека нужно около 25 пикселей на метр; узнать (Recognise) того, кого вы уже знаете, – 125; опознать (Identify) незнакомца по записи – 250. Опознать лицо – это примерно в десять раз больше плотности пикселей, чем обнаружить тело. Камера над входом, кадрированная достаточно широко, чтобы считать всех проходящих, по построению далеко не резкая настолько, чтобы кого-то из них опознать, – и это нормально, ведь подсчёту личность не нужна.

Поэтому в эталонном магазине камеры сгруппированы по задачам:

• Счётчик на входе – одна камера строго над дверью, ~2,7–4 м, объективом вниз, кадр на порог. Достаточно разрешения уровня обнаружения.
• Камеры зала – потолочные камеры, покрывающие торговый зал, питают теплокарты и задержку. Уровень обнаружения, широкое покрытие.
• Камеры на кассах – над каждой кассой и self-checkout, кадр на зону сканирования, для аналитики непробитого товара и «сладких сделок», связанной с журналом POS.
• Камеры охраны и опознания – в узких точках (вход на уровне лица, выходы, дорогие витрины), при плотности пикселей уровня узнавания или опознания, для охранной и доказательной задачи. Это единственные камеры, что могут поддержать сценарий с лицом, – и они несут весь юридический вес, что с ним приходит.

Нажмите, чтобы увеличить

Edge или облако: где идёт обработка

Современные камеры с аналитикой выполняют детекцию и подсчёт на самой камере – на edge. Axis Object Analytics, например, поставляется предустановленной и считает людей и транспорт на камере, так что «единственные данные, покидающие камеру, – метаданные, описывающие сосчитанные объекты». Этот один выбор архитектуры определяет экономику развёртывания в сети магазинов.

Арифметика – это трафик. Одна непрерывно передаваемая камера потребляет серьёзную ёмкость сети; потолочная 4K-камера может идти 12–15 Mbps видео. Метаданные, описывающие то, что эта камера сосчитала, – текущий счёт входов и выходов – остаются заметно ниже 100 kbps. Слать счёт вместо видео потому на два порядка дешевле по проводу.

Сбор по магазину, 12 камер аналитики:
  Слать всё видео в HQ:   12 × ~12 Mbps   ≈ 144 Mbps  (непрактично на магазин)
  Слать только метаданные:12 × <0,1 Mbps  <  1,2 Mbps  (тривиально)
  Экономия на WAN:        ~99% трафика

Для сети шаблон ясен: писать видео локально в каждом магазине, выполнять детекцию на edge и слать в центральное облако только счётчики, агрегаты теплокарт и события потерь, где дашборд собирает сотни магазинов в один вид. Это розничное лицо решения edge против облака, вокруг которого вращается весь раздел.

Как эти счётчики и события доходят до VMS вендор-нейтрально? Через ONVIF Profile M – профиль ONVIF (выпущен в июне 2021), что стандартизирует транспорт метаданных и событий аналитики – включая подсчёт и классификацию объектов – между камерами и VMS, в том числе JSON-события поверх лёгкого протокола обмена сообщениями MQTT. Критическая оговорка, что упускают большинство статей: Profile M стандартизирует транспорт события, а не точность детекции за ним. Две камеры с Profile M могут обе слать событие «подсчёт людей», считая при очень разной точности. Совместимость – это не сопоставимое качество. О том, как события и метаданные идут от камеры к VMS, см. события, метаданные и интерфейс аналитики ONVIF и коммерческий обзор профилей ONVIF в системах безопасности.

Нажмите, чтобы увеличить

Граница приватности: анонимный подсчёт против опознания покупателей

Вот различие, что определяет ваши юридические риски, и оно резче, чем думает большинство ритейлеров. Подсчёт анонимных людей и опознание конкретных людей – разные действия по закону о данных, даже на одной камере.

По общеевропейскому регламенту GDPR (Regulation (EU) 2016/679) и Guidelines 3/2019 Европейского совета по защите данных (EDPB) о видеоустройствах запись, на которой человека нельзя опознать, выпадает из-под регламента целиком. А данные становятся специальной категорией – биометрическими по ст. 9 – лишь когда выполнены все три условия: они касаются физических или поведенческих характеристик, получены специальной технической обработкой, и эта обработка – с целью уникально опознать человека. Анонимный подсчёт людей проваливает третий тест – он считает тела, никого не выделяя, – поэтому обычно это не обработка по ст. 9, и хорошо спроектированный счётчик может вообще не хранить персональные данные.

Добавьте сверку лица со списком – и все три условия выполняются разом. Система теперь обрабатывает биометрию для уникального опознания человека, что запускает весь режим ст. 9: правовое основание, условие ст. 9, оценку воздействия на защиту данных (DPIA) и тест необходимости и соразмерности. Реальность правоприменения не теоретическая. В феврале 2024 года британский регулятор ICO предписал Serco Leisure прекратить распознавание лиц для контроля персонала на 38 объектах – своё первое такое действие против работодателя. Внимание ICO к розничной системе распознавания Facewatch в том же году завершилось сужением применения до серьёзных или повторных нарушителей. В США Illinois Biometric Information Privacy Act (BIPA, 740 ILCS 14) несёт частное право иска и установленные законом убытки $1 000 за неосторожное и $5 000 за безрассудное нарушение – двигатель девятизначных мировых соглашений, – так что сверка лиц для предотвращения потерь в Иллинойсе – это судебное решение, а не только продуктовое.

Нажмите, чтобы увеличить

«Частая ошибка: считать «добавить распознавание лиц для предотвращения потерь» переключателем функции. Это юридический шлюз. Тот же магазин может вести подсчёт людей, теплокарты и аналитику очереди с малым весом приватности, а затем перейти под GDPR ст. 9 и риски BIPA в момент включения одной сверки со списком. Решите, на какой стороне границы стоит ваш продукт, до того как строить, и проводите любой биометрический сценарий через распознавание лиц в видеонаблюдении, GDPR для видеонаблюдения и BIPA и биометрические законы США – с юристом.»

Рабочий пример: камеры, стоимость и возврат

Положим числа на средний магазин. Скажем, в нём 10 камер, из которых 4 – выделенные каналы аналитики (один счётчик входа, два теплокарты, один POS), и магазин делает $5 млн в год выручки.

Хранение / трафик (локальная запись, H.265, движение + событие):
  10 камер × ~4 Mbps в среднем        = 40 Mbps пишется локально
  Метаданные аналитики в облако:       4 × <0,1 Mbps  < 0,4 Mbps

Лицензии аналитики (порядок величины):
  4 канала аналитики × ~$300/канал     ≈ $1 200 единовременно (часто в комплекте бесплатно)

ROI предотвращения потерь:
  Выручка магазина                     = $5 000 000 / год
  Потери при 1,6% (ставка NRF FY2022)  = $80 000 / год утрачено
  Консервативное снижение на 20%       = $16 000 / год возвращено

Годовой возврат потерь в $16 000 от четырёхзначных вложений в аналитику – это тот возврат, что делает аналитику предотвращения потерь самым лёгким для обоснования кейсом ритейла, – и это до прироста конверсии от действий по данным подсчёта и теплокарт. Цифры стоимости – порядок величины и сильно зависят от региона и вендора; считайте проект нашей моделью стоимости видеонаблюдения и рабочим листом планирования аналитики ритейла ниже, что кладёт план камер-по-задаче, цели DORI и шлюз приватности на одну страницу.

Где здесь Фора Софт

Фора Софт строит софт для видеостриминга, реального времени и компьютерного зрения с 2005 года, в 250+ проектах, и аналитика ритейла стоит на пересечении всех трёх. Когда мы строим систему подсчёта или предотвращения потерь, мы ведём с того, как она ведёт себя под реальной нагрузкой – диапазон точности счётчика на реальной высоте монтажа и плотности толпы, уровень ложных срабатываний, с которым будет жить персонал, реальный трафик сбора по сети магазинов, – и лишь затем со списка функций. Мы трактуем границу приватности как архитектурное решение, принятое рано, а не как комплаенс-аврал поздно, потому что продукт аналитики ритейла, что чисто отгружает анонимный подсчёт и осознанно ограждает свои биометрические функции, – тот, что переживёт и загруженную субботу, и вопрос регулятора.

Ключевые выводы

• Аналитика ритейла делает четыре задачи на одном конвейере: счёт, карта, очередь, потери.
• Подсчёт даёт ~90–98% при верной установке; никогда не «100%» – давайте диапазон и условия.
• Камера подсчёта – не камера опознания: обнаружить нужно ~25 px/м, опознать ~250.
• Считайте на edge; шлите метаданные, не видео – срез трафика WAN ~99% на магазин.
• Анонимный счёт обычно вне ст. 9; сверка лица со списком переходит в GDPR ст. 9 и BIPA.
• Аналитика потерь окупается быстро, но сверка лиц – юридический шлюз, не переключатель.

Что почитать дальше

• Периметр и детекция вторжений – следующая эталонная схема в блоке.
• Аналитика на edge против облака – где должна работать аналитика ритейла и почему.
• Оценка проекта видеонаблюдения: от объёма к числу – превратите эту схему в стоимость.