AI-система трекінгу покупців у магазині
У ретейлі ви не знаєте, скільки покупців пройшли повз промостенд. Камера на вході рахує людей, але не розповість, що відбувається в глибині залу. Анонімний трекінг на основі комп'ютерного зору закриває цю сліпу зону. Ми впроваджуємо такі системи понад 5 років і реалізували проєкти для 15+ магазинів: без трекінгу ви втрачаєте до 30% потенційних продажів. В одному проєкті клієнт заощадив $11k–16k. за рік на оптимізації розташування товарів. Порівняння: ByteTrack дає HOTA 63.1, що на 12% вище, ніж у DeepSort (55.2).
Як працює анонімний трекінг без ідентифікації?
Трекінг ≠ ідентифікація особи — ми відстежуємо анонімний трек «людина A» без прив'язки до особи. Це юридично чистіше (GDPR, закон про персональні дані) і технічно простіше.
Стек: детекція людей (YOLOv8m) → multi-object tracking (ByteTrack або BoT-SORT) → перезапуск треків при переході між зонами камер (cross-camera re-identification по appearance без зберігання біометрії). ByteTrack — поточний стандарт для high-density сцен (магазин у годину-пік): використовує confidence-based association, не втрачає треки при коротких оклюзіях. Для ретейлу найважливіший IDF1 — стійкість ID через час.
Які метрики можна отримати?
Координатне відображення: пікселі → реальні координати
Камера дивиться під кутом, перспективно спотворюючи простір. Для побудови реальних траєкторій потрібна гомографія: матриця 3×3, яка проєктує піксельні координати на план підлоги.
Calibration: вибрати 4+ опорних точки з відомими координатами (кути плиток, маркери на підлозі), обчислити матрицю через cv2.findHomography. Після трансформації — кожен трек описується в реальних координатах (метри від входу).
Для overhead камер гомографія проста (майже affine). Для бокових камер — перспективна дисторція значна, потрібне більш акуратне калібрування або fisheye-undistortion.
Приклад калібрування в коді
import cv2 import numpy as np # точки на підлозі (метри) та відповідні піксельні координати pts_floor = np.array([[0,0],[2,0],[2,3],[0,3]], dtype=np.float32) pts_pixel = np.array([[150,200],[400,210],[380,450],[140,460]], dtype=np.float32) H, _ = cv2.findHomography(pts_pixel, pts_floor) # H — матриця 3x3 для перетворення Зонова аналітика
Зони задаються в редакторі (полігони на плані підлоги). Система в реальному часі рахує:
- Dwell time по зонах: скільки секунд у середньому покупець проводить біля стелажа з молоком
- Conversion rate зони: відсоток покупців, які зайшли в зону і здійснили покупку в ній
- Traffic flow: теплові карти та діаграми потоків (sankey-діаграма маршрутів)
- Bottlenecks: зони з уповільненням руху (черга до каси, вузький прохід)
| Метрика | Опис | Приклад |
|---|---|---|
| Dwell time | Середній час у зоні | 45 с біля полиці з кавою |
| Conversion rate | Відсоток покупок із зони | 12% у молочному відділі |
| Traffic flow | Теплова карта маршрутів | 68% не заходять у праве крило |
Кейс з практики
Мережа продуктових магазинів 12 точок, кожна 300–500 м². Після аналізу траєкторій за 30 днів з'ясували, що 68% покупців ніколи не заходили в праве крило магазину, де розміщувався відділ з дитячими товарами. Причина — поганий навігаційний знак при вході. Після перестановки навігації трафік у відділ зріс на 41%. Економія від перепланування склала $32k–46k./рік.
Як влаштована інфраструктура?
Два варіанти деплою:
| Параметр | Edge-first | Cloud-hybrid |
|---|---|---|
| Обладнання | NVIDIA Jetson AGX Orin (32 TOPS) | Локальний сервер + хмара |
| Залежність від інтернету | Немає | Часткова |
| Трафік у хмару | Мінімальний | Високий (відео) |
| Підходить для | Одиночні магазини | Мережі з єдиним дашбордом |
Dashboard: Grafana або кастомний React SPA з Leaflet для відображення план-схеми магазину з тепловими картами в реальному часі. API для інтеграції з BI-інструментами клієнта.
Що входить у результат
Ви отримуєте працюючу систему трекінгу з документацією щодо розмітки зон і калібрування камер, доступ до дашборду та API, навчання персоналу, технічну підтримку на 3 місяці та гарантію конфіденційності (без зберігання біометрії).
Процес впровадження
- Аудит магазину — розмітка зон, вибір кутів камер
- Встановлення та калібрування обладнання
- Налаштування моделей YOLOv8 + ByteTrack під геометрію залу
- Інтеграція з BI-системою клієнта
- Тестування та навчання персоналу
Строки: для 1 магазину — 5–8 тижнів, для мережі з централізованим управлінням — 3–5 місяців.
Ми реалізували проєкти для 15+ магазинів, включаючи мережі з 12 точками. Наша експертиза підтверджена сертифікатами NVIDIA та 5+ роками практичного досвіду. Зв'яжіться з нами для розрахунку вартості та консультації. Замовте пілотне впровадження на одному магазині та отримайте реальні цифри за своїм асортиментом. Дізнайтеся, як трекінг покупців у магазині може збільшити ваш прибуток.