ИИ-анализ поведения офлайн-покупателей
E-commerce знает о каждом клике: сколько времени пользователь смотрел на товар, куда перешёл, что добавил в корзину и бросил. Офлайн-ретейл до сих пор работает в тёмной зоне — есть данные на входе и данные на кассе, а всё, что между ними, — чёрный ящик. Системы анализа поведения покупателей закрывают этот разрыв.
Metrics, которые реально меняют решения
Прежде чем строить систему, нужно понять, какие данные нужны и зачем. Бессмысленно собирать тепловую карту ради тепловой карты.
Actionable метрики для ретейла:
| Метрика | Применение | CV-задача |
|---|---|---|
| Conversion rate по зонам | Оценка эффективности выкладки | Детекция зоны присутствия + POS matching |
| Engagement rate у стеллажа | Сравнение мест выкладки товаров | Dwell time + взятие товара |
| Path-to-purchase | Optimization планограммы | Trajectory analysis |
| Queue wait time | Управление кассами | People counting + time in queue zone |
| Category conversion | Какие категории привлекают но не конвертируют | Zone analytics + POS matching |
Глубокий разбор: shopper journey и attribution
Проблема: связать поведение в зале с покупкой
Трекинг в зале даёт анонимный трек. POS даёт чек с позициями. Задача — матчить их без нарушения приватности.
Timestamp-based matching: у покупателя на кассе время транзакции. Трек с этим временем в прикассовой зоне — это, вероятно, он. При одной очереди с точностью до покупателя. При нескольких параллельных кассах — неоднозначность.
Zone sequence matching: последовательность зон, которые посетил покупатель, сопоставляется с составом чека (купил молоко → должен был быть в молочном отделе). Статистическое matching, не индивидуальное.
App-based linking: покупатель с приложением магазина идентифицируется при входе (QR или beacon). Его трек персонализирован, покупка привязана к loyalty account. Самый чистый вариант, но требует проникновения приложения.
A/B тестирование выкладки
Классический ретейл-кейс: сравниваем две расстановки товаров. Традиционный подход — менять планограмму в разных магазинах, сравнивать продажи за месяц. Проблема — много confounders (разные магазины, разные дни, разные акции).
CV-based A/B: в одном магазине меняем выкладку на неделю, сравниваем метрики engagement и conversion из системы аналитики за период A и период B. Контролируем confounders через нормализацию на общий трафик. Статистически значимый результат за 2–3 недели вместо 2–3 месяцев.
Из практики: клиент-ретейлер протестировал два расположения кофейной секции (у входа vs у касс). CV-аналитика за 14 дней показала: у входа — engagement rate 34%, conversion 12%; у касс — engagement rate 19%, conversion 21%. Разные паттерны поведения, разные стратегии.
Эмоциональный и демографический анализ
Анонимный демографический срез (пол, возраст-группа) без распознавания личности — дополнительный контекст для аналитики. Алгоритм: face detection → attribute classifier (DeepFace, OpenCV + Caffe model, или кастомный MobileNetV3). Хранится только агрегированная статистика по зонам и временным слотам.
Facial expression analysis у товара — насколько реалистична задача? Честный ответ: для аналитики в магазине — ограниченно полезна. Мимика слишком кратковременна (< 0.5 сек), покупатель смотрит не в камеру. Но attention estimation (куда смотрит покупатель) — рабочая задача через gaze estimation по head pose.
Integration с BI и retail системами
Система аналитики поведения максимально полезна в сочетании с данными продаж:
- Integration с 1С:Торговля, SAP Retail — через REST API или прямое подключение к БД для получения данных о продажах по зонам
- Power BI / Tableau / Metabase — экспорт агрегированных данных по расписанию
- Кастомный дашборд — план-схема магазина с live-данными, исторические тренды, A/B результаты
Хранение исходного видео: 30 дней по умолчанию (согласно рекомендациям Роскомнадзора для видеонаблюдения). Аналитические данные — бессрочно (агрегированная статистика без персональных данных).
Сроки
Система аналитики поведения для 1 магазина с базовыми метриками (трафик, dwell time, тепловые карты): 4–7 недель. Полная платформа с journey analytics, A/B тестированием и POS-интеграцией: 3–5 месяцев.