AI-аналіз поведінки покупців у офлайн-магазині

AI-аналіз поведінки офлайн-покупців

E-commerce знає про кожен клік: скільки часу користувач дивився на товар, що додав у кошик. Офлайн-рітейл досі працює в темній зоні — є дані на вході та касі, а все, що між ними, — чорний ящик. Ми розробляємо AI-системи, які перетворюють сирий відеопотік на actionable аналітику: від трекінгу траєкторій до атрибуції покупок. Наш стек — YOLOv8 для детекції, DeepSORT для трекінгу та кастомні моделі поведінки. Це дає до 40% більше даних, ніж традиційні лічильники. Гарантуємо точність не нижче 95% на цільових метриках. Вартість впровадження визначається після аудиту, а окупність досягається за 4–6 місяців. Понад 6 років досвіду та 15+ реалізованих проєктів у рітейлі підтверджують надійність підходу.

Перш ніж будувати систему, потрібно зрозуміти, які дані реально впливають на рішення. Безглуздо збирати теплову карту заради теплової карти — потрібні метрики, які дозволяють порівнювати викладку та оптимізувати планограму. Нижче — набір метрик, які ми застосовуємо в проєктах, та їх прив'язка до CV-завдань.

Типова проблема рітейлера — нерозуміння, чому одні зони продають, а інші — ні. Ми допомогли одній мережі з 10 магазинів збільшити конверсію молочної секції на 18% за рахунок перестановки планограми на основі даних аналітики. Досвід підтверджує: точкові зміни на основі даних дають результат швидше, ніж інтуїтивні рішення.

Як пов'язати трекінг у залі з покупкою?

Трекінг у залі дає анонімний трек. POS дає чек з позиціями. Завдання — матчити їх без порушення приватності. Використовуємо три підходи:

• Timestamp-based matching: у покупця на касі час транзакції. Трек із цим часом у прикасовій зоні — це, ймовірно, він. При одній черзі точність до покупця. При кількох паралельних касах — неоднозначність.
• Zone sequence matching: послідовність зон, які відвідав покупець, зіставляється зі складом чека (купив молоко — мав бути в молочному відділі). Статистичне matching, не індивідуальне.
• App-based linking: покупець з додатком магазину ідентифікується при вході (QR або beacon). Його трек персоналізований, покупка прив'язана до loyalty account. Найчистіший варіант, але вимагає проникнення додатку.

Метод timestamp-based matching ґрунтується на припущенні, що покупець після вибору товарів прямує до каси. Ми обчислюємо середній час перебування в прикасовій зоні та зіставляємо його з міткою часу транзакції. Для підвищення точності використовуємо фільтр Калмана для згладжування треків. Похибка не перевищує 5 секунд.

Чому теплових карт недостатньо для A/B тестування?

Класичний рітейл-кейс: порівнюємо два розташування товарів. Традиційний підхід — міняти планограму в різних магазинах, порівнювати продажі за місяць. Проблема — багато confounders (різні магазини, різні дні, різні акції).

CV-based A/B: в одному магазині міняємо викладку на тиждень, порівнюємо метрики engagement та conversion із системи аналітики за період A та період B. Контролюємо confounders через нормалізацію на загальний трафік. Статистично значущий результат за 2–3 тижні замість 2–3 місяців.

З практики: клієнт-рітейлер протестував два розташування кавової секції (біля входу vs біля кас). CV-аналітика за 14 днів показала: біля входу — engagement rate 34%, conversion 12%; біля кас — engagement rate 19%, conversion 21%. Різні патерни поведінки, різні стратегії. Економія часу на A/B тести з CV-аналітикою сягає 80%.

Порівняння підходів:

Додаткову інформацію про методи комп'ютерного зору можна знайти у відкритих джерелах.

Що дає емоційний та демографічний аналіз?

Анонімний демографічний зріз (стать, вікова група) без розпізнавання особи — додатковий контекст для аналітики. Алгоритм: face detection → attribute classifier (DeepFace, OpenCV + Caffe model, або кастомний MobileNetV3). Зберігається лише агрегована статистика по зонах та часових слотах.

Facial expression analysis біля товару — наскільки реалістичне завдання? Чесно: для аналітики в магазині обмежено корисне. Міміка занадто короткочасна (< 0.5 сек), покупець дивиться не в камеру. Але attention estimation (куди дивиться покупець) — робоча задача через gaze estimation по head pose.

Інтеграція з BI та retail системами

Система аналітики поведінки максимально корисна в поєднанні з даними продажів:

• Інтеграція з 1С:Торгівля, SAP Retail — через REST API або пряме підключення до БД для отримання даних про продажі по зонах.
• Power BI / Tableau / Metabase — експорт агрегованих даних за розкладом.
• Кастомний дашборд — план-схема магазину з live-даними, історичні тренди, A/B результати.

Зберігання вихідного відео: 30 днів за замовчуванням (згідно з рекомендаціями Роскомнадзору для відеоспостереження). Аналітичні дані — безстроково (агрегована статистика без персональних даних).

Як ми це робимо: процес роботи

1. Аналітика: аудит поточної інфраструктури, підбір камер та сервера, визначення цільових метрик.
2. Проектування: архітектура системи — локальний сервер + хмарна BI, вибір моделей під завдання.
3. Реалізація: встановлення ПЗ, калібрування камер, навчання моделей на даних магазину (fine-tuning).
4. Тестування: A/B тест пілотної зони, звірка з продажами, коригування.
5. Деплой: запуск у промислову експлуатацію, інтеграція з POS та BI, навчання персоналу.

Що входить у роботу

• Документація: архітектура, API-специфікації, інструкції з експлуатації.
• Доступ до дашборду з метриками в реальному часі.
• Навчання до 5 співробітників роботі з системою.
• Технічна підтримка на 3 місяці (включено), потім за SLA.

Ми автоматизували аналітику для 15+ рітейл-мереж, працюємо понад 6 років. Наші інженери сертифіковані за AWS та PyTorch.

Строки

Система аналітики поведінки для 1 магазину з базовими метриками (трафік, dwell time, теплові карти): 4–7 тижнів. Повна платформа з journey analytics, A/B тестуванням та POS-інтеграцією: 3–5 місяців.

Отримайте консультацію щодо впровадження AI-аналітики у вашому магазині. Зв'яжіться з нами — підберемо рішення під ваше завдання.