7 примеров видеоаналитики с Big Data и Machine Learning в FMCG

Современное видеонаблюдение в ритейле – это не только обнаружение магазинных воришек, а полноценная аналитика Big Data с мощными алгоритмами Machine Learning для оперативного и стратегического управления. В этой статье мы приготовили для вас 7 сценариев практического использования технологий видеоаналитики в FMCG-секторе с реальными кейсами их внедрения в России на примере торговых сетей «Магнит», «Верный» и X5 Retail Group.

Что такое видеоаналитика или зачем вам камера с Big Data и Machine Learning

Отечественный рынок видеоаналитики непрерывно растет: ожидается, что к 2025 году его объем составит 51,75 миллиарда рублей, что в 2,75 раз больше аналогичного показателя 2019 года. При этом современные системы видеонаблюдения – это не просто камеры, а полноценные программно-аппаратные комплексы с набором интеллектуальных задач, таких как [1]:

детектирование событий;
подсчет людей;
распознавание поведения, инцидентов, изображений, лиц и предметов.

Для этого видеоаналитика автоматизирует 4 охранные функции: обнаружение, слежение, распознавание и прогнозирование. Все это выполняется непрерывно, уточняя гипотезы о количестве, местоположении и типах объектов в контролируемой зоне с учетом ложных срабатываний и шумов [2]. Передаваемый при этом объем данных и алгоритмы их обработки позволяют отнести видеоаналитику к технологиям Big Data и Machine Learning. Сегодня на рынке существует множество готовых систем видеоаналитики от отечественных и зарубежных вендоров, адаптированных к бизнес-задачам конкретной отрасли. Например, в ритейле наиболее актуальны анализ поведения потребителей и слежение за товарами. Однако, это далеко не единственные сценарии использования видеоаналитики в FMCG-сегменте. Далее мы рассмотрим, как еще кейсы применения этих технологий наиболее популярны в России.

рынок видеоаналитики, видеоаналитика, ведеонаблюдение — Обзор российского рынка видеоаналитики

Видеоаналитика в ритейле: 7 самых популярных сценариев

Все множество прикладных FMCG-кейсов с системами видеоаналитики можно разделить на 3 группы:

контроль за людьми (посетителями и персоналом);
контроль за товарами;
контроль за помещением.

Как правило, поведенческая аналитика основана самом современном методе Machine Learning – глубоком обучении искусственных нейронных сетей. Обученная на множестве разнообразных сцен нейросеть определяет положение тела, головы и конечностей людей, попавших в поле зрения видеокамеры. В результате создаются массивы данных, которые описывают определенную позу, например, поднятые вверх руки, заинтересованный взгляд и пр. Благодаря этому для определения нужной позиции достаточно задать условия, которым должны соответствовать данные с видеокамер. Так можно достаточно быстро создавать новые детекторы специфических поз, характерных для искомого поведения, не тратя время на дополнительное обучение нейросети. В розничной торговле это позволяет получить следующие полезные сведения [3]:

информация о количестве посетителей, их поле и возрасте, длине очередей и времени обслуживания;
выявление самых посещаемых мест;
определение «особых» клиентов, например, VIP-покупателей, а также реальных или потенциальных преступников;
выявление мошеннических операций кассиров;
контроль времени реакции консультантов на появление посетителя.

Например, в «Магните» подобная система видеоаналитики используется для подсчета людей в очереди к каждой кассе и перераспределения человеческих потоков. Это позволило на 70% снизить время стояния покупателей в очереди [4].

Аналогичные успехи отмечает и другой отечественный ритейлер, X5 Retail Group, запустив пилотный проект по видеоконтролю очередей в 100 своих супермаркетах в 2019 году. Алгоритмы машинного обучения в режиме онлайн анализируют видео о количестве покупателей в очереди, активность касс и загрузку кассиров. Важно, что эта Big Data система разделяет людей, не учитывая тех, кто уже оплатил товар, а также группирует клиентов, совершающих покупки вместе (семьи, друзья и пр.). Когда время ожидания и число человек в очереди превышают заданные параметры, сотрудники магазина оперативно получают уведомление об этом. 6-месячное тестирование технологии в 56 магазинах сети показало следующие результаты по сравнению с прошлым годом [5]:

снижение жалоб покупателей в 1,5–2 раза;
рост числа чеков на одну кассу 9%;
сокращение число людей, уходящих без покупок, на 10%.

Вышеупомянутые торговые сети (X5 Retail Group и Магнит), а также сеть универсамов «Верный» активно используют и другой сценарий видеоаналитики: контроль наличия товара на полке и правильности его выкладки. Размещенные над полками видеокамеры фиксируют пустоты на прилавке, а также соотносят товары с ценниками, сигнализируя персоналу об обнаруженных несоответствиях [6].

Сюда же относится проблема обеспечения качества товаров, что особенно актуально для свежих фруктов и овощей. Например, при идентификации испортившегося или потерявшего привлекательный вид продукта, Big Data система видеоаналитики уведомляет сотрудников магазина о месте, времени и типе подобного инцидента. Здесь же укажем проблему с порядком в торговом помещении: забытые тележки, рассыпанные крупы, пролитые жидкости и пр. Своевременное обнаружение и устранение таких случаев не только улучшает отношение потребителей, но и позволяет предупредить другие нарушения порядка, в т.ч. кражи. Считается, что 30% всех потерь в магазине – это результаты воровства в кассовой зоне, причем из них 32% совершают посетители, 20% — персонал и еще 20% — мошеннический сговор кассира покупателями. Видеоаналитика обеспечивает контроль кассовой зоны, в т.ч. правильность сканирования товаров, соответствие фактического и пробиваемого товара, мониторинг полной выкладки товаров из тележки на транспортную ленту. Все это позволяет ритейлерам значительно снизить долю потерь [7].

Машинное обучение, Алгоритмы Machine Learning для распознавания и классификации товаров, Big Data в ритейле, ИТ для FMCG — Контроль качества товаров с помощью видеоаналитики и алгоритмов Machine Learning

Говоря об оптимизации расходов, стоит отметить повышение эффективности труда, когда непрерывное видеонаблюдение в режиме онлайн дисциплинирует сотрудников, не позволяя им отвлекаться на личные дела в рабочее время. Это актуально не только пространства внутри торгового зала или склада, но и в зоне разгрузки товаров. Например, X5 Retail Group и сеть супермаркетов «Верный» таким образом сокращают время разгрузки товаров [6].

Пример реализации подобной Big Data системы на базе Apache Kafka, Spark Structured Streaming и NoSQL-СУБД Cassandra с нейросетями YOLO рассмотрен в нашей новой статье.

Наконец, видеоаналитика – это отличный инструмент персонализированного маркетинга, который ориентирован на потребности и интересы конкретного человека. Ведь машинное обучение позволяет не только классифицировать клиентов по полу, возрасту и прочим категориальным признакам, но и с высокой точностью идентифицировать личность. Однако, здесь уже стоит учитывать действие ФЗ-152 «О персональных данных». Про это мы расскажем в следующей статье. Еще больше реальных кейсов по применению Big Data и Machine Learning в цифровизации FMCG-бизнеса вы узнаете на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, аналитиков и Data Scientist’ов) в Москве: