Видеоаналитика в магазинах. Маркетинговый тренд или необходимость в новом цифровом мире?

Наверняка многие из вас занимались автоматизацией ритейла в той или иной области – вам знакомы их проблемы и потребности. Я не буду говорить про онлайн-ритейл – там все проще. Я хочу обсудить проблемы офлайн-ритейла и поговорить о том, насколько для него вообще актуально использование компьютерного зрения – блажь это, хайп или какая-то полезная вещь, которая поможет ритейлу выйти на какой-то более интересный уровень.

Чем отличаются видеонаблюдение и видеоаналитика?

Сначала немного терминологии. Что такое видеаналитика? Многие путают это с видеонаблюдением, но это две совершенно разные вещи.

• Видеонаблюдение – это процесс, где полностью задействован человек, который смотрит, глазами что-то в кадре ищет и самостоятельно принимает решения.
• Видеоаналитика – это тоже процесс, но это такой интеллектуальный анализ, где решение принимает система. Она выискивает методами компьютерного зрения какие-то события и коллекционирует их, а потом математика, нейронные сети или еще что-то участвуют в обработке, и выдается решение. Видеоаналитика становится все более и более популярной, потому что человек силен в поиске каких-то нестандартных ситуаций, но как только нужно выполнять какие-то рутинные действия, ошибок у человека становится гораздо больше, чем у машины.

Ритейл и высокие технологии

Вернемся к ритейлу. Это такая отрасль, где очень быстро и легко внедряются инновации. В мировой ритейл вкладываются миллиарды денег на внедрение каких-то новых технологий, чтобы на полшага, на шаг быть впереди конкурентов.

Почему ритейл гораздо проще относится к таким инвестициям, нежели какие-то другие отрасли?

Потому что, наверное, выхлоп получается гораздо быстрее, и цена ошибки тоже невелика. Всегда можно чуть-чуть откатиться назад – вести учет в Excel, чтобы не останавливать бизнес. В производстве это недопустимо. Если мы внедряем какую-то систему в производстве, и она каким-то образом «не взлетает», производство просто остановится. В ритейле все в любом случае будет продолжать работать.

Все эти новые технологии в качестве выхлопа дают какой-то новый пласт данных. Они дают новые возможности. И я хочу сейчас поговорить о том, какие тренды в части высоких технологий есть в ритейле.

Какие тренды в развитии ритейла возникли за последние годы?

Кто-нибудь знает, куда сейчас движется ритейл?

В онлайн? Ну вообще да, интеграция онлайн и офлайн очень тесная.

На самом деле, сейчас болезнь века – это цифровая трансформация. Все цифровизуется. Тотальная цифровизация.

Зачем нужна «Тотальная цифровизация»?

С помощью цифровизации ритейл хочет как-то повысить управляемость и эффективность своего бизнеса – собрать данные, отмониторить все и вся, включая безопасность. И увеличить в итоге прибыль.

Но по большому счету, весь этот массив данных бизнесу нужен, чтобы предсказывать, что будет дальше – строить какие-то предиктивные модели, быть на полшага, на шаг, на два впереди конкурентов.

Итак, вы собрали новые данные, а как их использовать? Это, на самом деле, самая большая проблема – собрать данные можно, а как их обработать – с этим тяжело.

Здесь я выделил три тренда – как мне показалось, наиболее популярных по всему ритейлу:

• Первый тренд – это персонализация. Сейчас уже недостаточно провести рекламную кампанию, собрать данные и проанализировать – успешно или не успешно мы ее провели. Нужно с покупателем работать индивидуально, точечно, нужно каждому покупателю предложить то, что он хочет, под его запрос. В онлайн-ритейле все проще – Яндекс и Google в принципе знают про нас все, если мы не страдаем паранойей и не пользуемся какими-то анонимайзерами. Поэтому на разных сайтах нам уже показывается реклама тех товаров, которые мы когда-то искали, смежные с ними – система про нас уже все знает. А в офлайне такого еще нет. Хотя, в принципе, бизнес пытается к этому как-то идти – пытается узнать о нас персональные данные, применяя всевозможные системы лояльности. К этому все идет.
• Следующее – это когда у нас магазин работает без персонала, без касс. В мире уже есть такие примеры – но это, в основном, пилотные проекты. В России сейчас тоже появляются такие магазины – крупные сетевые ритейлеры. У них есть площадки – магазины-шоурумы, где они внедряют какие-то технологии и смотрят – взлетает или не взлетает. Например, в Москве я видел лично один магазин у одного крупного сетевого ритейла, где продавцов нету, а есть кассы самообслуживания. Ты набрал товар, подходишь к столику, нажимаешь на кассе кнопку – и сам себе пробиваешь чек. Не знаю, как они борются с воровством, но это уже работает.
• И третий тренд – это видеоаналитика, то, о чем мы сегодня поговорим. Здесь очень много денег вливается всевозможными игроками. И Сбербанк, и Huawei покупает целые команды и целые компании для того, чтобы заниматься видеоанализом, собирать биометрию, распознавать лица и т.д. В ритейле используется видеоаналитика для контроля за планограммами, расстановкой товаров и отслеживанием отсутствия товаров на полках (Out of stock). В принципе можно попытаться запрограммировать все, что видит человеческий глаз, и отследить какие-то события.

Как я уже говорил, все это дает нам новые данные, с которыми нужно работать. Потому что не все системы готовы к этим данным – я бы сказал даже почти никакие системы не готовы. Здесь нужно проводить серьезную работу – эти данные нужно учиться собирать, обрабатывать – наращивать для этого компетенции того же маркетинга. Поэтому здесь есть определенные проблемы, но все равно мир движется туда.

Видеоаналитика в управленческой отчетности

Теперь давайте посмотрим, что же это за данные и как они могут расширить стандартную управленческую отчетность.

Что такое управленческая отчетность, какими сущностями она оперирует?

Управленческая отчетность – это всегда деньги: прибыль, убытки, расходы.

А за деньгами всегда стоят какие-то определенные ресурсы – это либо товары/услуги, либо люди: сотрудники, клиенты, поставщики.

Так вот, видеоаналитика может быть использована на этом нижнем уровне – мы можем следить за товарами или за людьми. И дополнять, обогащать традиционные данные, которые есть в любых автоматизированных системах, вот этим новым пластом информации.

Видеоаналитика и товары

Давайте начнем с товаров. Если мы хотим, допустим, мониторить, контролировать ассортимент товаров в магазине, то за какими объектами мы будем следить с помощью видеокамер? Казалось бы, очевидно, за товарами. Но нет, мы будем следить за людьми.

За товарами следить тоже можно, но на текущий момент это очень дорого. Как я сказал, крупный ритейл вкладывается в это, проводит всевозможные исследования, это RnD в чистом виде. Но выхлоп сейчас такой, что ценность этого решения намного ниже, чем его стоимость. А должно быть наоборот.

А вот если мы будем следить за людьми, то здесь уже технологии достаточно хорошо шагнули вперед – мы можем считать людей, распознавать лица, распознавать пол, возраст и много чего еще.

То есть как минимум, мы можем просто следить за лояльностью, как-то ее повышать, зная аудиторию – что сейчас и делается. А еще, для того чтобы контролировать товары, мы можем попробовать расширить традиционный подход магазина – когда он, допустим, ассортиментную матрицу анализирует с помощью ABC-XYZ анализа – этими новыми данными из видеоаналитики.

Видеоаналитика и ритейл. Практические кейсы

Давайте я сейчас уже перейду к практическим кейсам, чтобы было интересно.

Какие метрики позволяет собирать компьютерное зрение?

• Это – всевозможные потоки людей, которые проходят мимо магазина, входят в магазин, проходят мимо каких-то полок. Везде, где есть какое-то движение людей, их можно посчитать и попробовать собрать их демографические характеристики – это все в принципе возможно.
• Следующее – это очереди. Очереди нужно контролировать, это для ритейла очень чувствительная тема. Наверное, все вы видели в супермаркетах таблички: «Если в очереди больше 4-х человек, позвоните по номеру телефона». Кто-нибудь звонил? Я ни разу не видел, чтобы это работало.
• Дальше – эмоции. Вы можете собирать позитивные и негативные эмоции – это очень актуально, например, для сферы услуг, для каких-нибудь ресторанов, кафе и кинотеатров. Мы тоже можем собирать данные по эмоциям во время докладов конференции – это популярно. Но мало кто знает, что это можно делать. И, самое главное, – как это интерпретировать? Данные собрать можно, а вот интерпретировать уже тяжелее.
• Длительность обслуживания, еще один хороший маркер для сферы услуг – сколько времени, допустим, кассир, оператор или менеджер обслуживал того или иного клиента. Эту метрику можно запросто включать в свой пул там, где этот KPI очень чувствителен.
• И последняя метрика – демография (пол и возраст). Я бы сюда еще добавил распознавание лиц, чтобы понимать – в первый раз к тебе пришел покупатель или он уже повторный. Это уже близко к управлению лояльностью.

Этот набор метрик позволяет собрать компьютерное зрение. На основе этого базиса можно производить всевозможные комбинации этих метрик и получать довольно интересную картину.

Потоки людей: внешняя конверсия

Допустим, где-нибудь в торговом центре есть какой-нибудь магазин, мимо которого люди проходят, в который люди заходят, и кто-то из них даже доходит до кассы. Это три шага воронки продаж.

Первая комбинация  «Прошли мимо магазина» + «Заходили в магазин» связана с потоками людей. Мы ее назвали внешняя конверсия (термин не научный, придумали сами).

Внешняя конверсия – это отношение количества вошедших к количеству прошедших мимо дверей.

Хороший маркер, но мало кто его использует, потому что никто не считает количество людей, прошедших мимо. На рынке довольно много всевозможных счетчиков посетителей, но они все считают входящих, а проходящих мимо мало кто считает. Даже если кто-то их считает, мало кто использует эту комбинацию.

Но внешняя конверсия – это хороший инструмент, чтобы проверить какую-нибудь маркетинговую гипотезу. Повесили баннер и посмотрели, что поменялось – стало больше людей заходить в магазин из проходящих мимо или не стало. Или поменяли что-то в убранстве магазина, вывеску сменили – опять же посмотрели. Причем, довольно быстро – сменили вывеску, прошло один-два дня, и мы уже видим картину – поменялось или не поменялось.

Можно сформировать специальный отчет и сравнить, допустим показатели внешней конверсии для прошлого и нынешнего понедельника.

Потоки людей: внутренняя конверсия

По поводу внутренней конверсии, наверное, вы догадались – это отношение тех, кто купил к тем, кто вошел в магазин.

Сейчас, как я уже сказал, на рынке много счетчиков – бизнесу сейчас ничего не мешает считать эту конверсию. Какие-то магазины этим уже озабочены, но на самом деле, их меньшинство. И, самое главное, этим никто не пользуется регулярно – разово что-то посчитали, и все. А самое важное – это нужно делать постоянно, должен быть системный подход.

Для простого анализа достаточно посчитать отношение количества купивших к количеству вошедших. Но гораздо интереснее посмотреть чуть дальше, чтобы понять, как поменять эту внутреннюю конверсию:

• оценить очередь;
• оценить проходимость каких-то отдельных стеллажей, каких-то зон;
• посмотреть, как работают сотрудники – на месте ли консультанты, проверить кассиров – на месте они или не на месте, открыть новую кассу или еще рано;
• можно даже детализироваться вплоть до каждой товарной позиции в чеке, чтобы уже проводить более детальный анализ – это я потихоньку подвожу к ABC-анализу, там будет уже совсем интересная картинка.

Поэтому сейчас мы займемся более глубоким анализом, что с этим можно сделать.

Как использовать внутреннюю конверсию

Предположим, у нас есть магазин бытовой техники, у которого внутренняя конверсия – 40%. Это достаточно хороший, не завышенный параметр для магазина такого типа.

И в соседнем районе есть такой же магазин, у которого конверсия 15%.

Вопрос: «Почему так, и что с этим делать?».

Причин, по которым магазин может проигрывать, не так много:

• либо в магазине нет каких-то товаров;
• либо покупатели заходят, видят очередь, разворачиваются и уходят;
• либо в магазине может быть неприятно находиться – ты заходишь, затыкаешь нос, разворачиваешься и уходишь, там даже видеоаналитика не нужна, там газоанализатор нужен;
• либо там прошла какая-то реклама, люди понадеялись: «Сейчас пойду куплю по этой цене», но оказалось, что ничего подобного, опять обман.

Как видите, причин не так много.

Что делать – понятно. Но опять же, нужен системный подход, чтобы понимать, как это делать, и главное – как все это отслеживать в динамике.

С помощью видеоанализа можно собирать все эти метрики:

• мы можем понять, на месте ли сотрудник и сколько времени он проводит на своем рабочем месте;
• можем оценить динамику входного потока – увеличивается он или уменьшается после того, как мы что-то изменили;
• можем посмотреть, поменялась ли проходимость, когда мы подвинули стеллаж, стали ли теперь люди ходить мимо этого стеллажа;
• и, самое главная, больная тема – это длина очереди. Стало ли меньше людей в кассах? Вовремя ли открываются новые кассы, успевают ли кассиры обслуживать? Это все очень важно.

Компьютерное зрение и мониторинг очереди

Знаете, какое комфортное значение длины очереди в магазине? Сколько человек в очереди - для вас комфортный психологический барьер? «Британские ученые» говорят, что три человека – это нормально. А если больше, надо уже какие-то управленческие решения принимать.

С помощью видеоанализа можно достаточно легко отслеживать длину очереди, назначить маркеры – что такое мало, что такое много. Для разных магазинов это может быть по-разному. Для кого-то и два человека – это будет критично.

Администратор получит уведомление о превышении порога и оперативно откроет дополнительные кассы.

Компьютерное зрение и остатки товаров

По остаткам. Самая ужасная картина, когда мы заходим в магазин, и у нас Out of Shelf – не выставленный на полке товар. На картинке справа тоже Out of Shelf, хотя здесь ситуация получше.

Мы знаем, что анализировать наличие товара на полках с помощью видеокамер до сих пор очень дорого. Но как этого не допустить, не используя компьютерное зрение на самих полках?

Давайте анализировать людей.

Допустим, у нас есть какое-то мифическое молоко. И возьмем какой-нибудь двухчасовой интервал вечером, когда это молоко уходит с полок.

Вот график, построенный по данным учетной системы магазина.

Мы видим, что ближе к 19-ти часам молоко закончилось, и до 19:15 его не было.

Молоко – это товар категории «АX». Он высокомаржинальный, на него всегда есть спрос. Отсутствие на полке такого товара – это, практически, катастрофа. Люди, которые приходят за молоком в конце дня и не находят его, очень расстраиваются.

Теперь давайте наложим на это диаграмму по входящим людям.

Смотрите, здесь есть кусочек после 18 часов со всплеском посещаемости (зеленые столбики). Рядом с магазином бизнес-центр, все эти люди дружно пошли после работы за молоком, и, скорее всего, именно эту волну людей магазин пропустил. Хотя мог бы вовремя отреагировать и не допустить отсутствия товара.

Плюс, когда все эти люди зашли в магазин, они через 15 минут окажутся на кассе. Опять же, это будет дополнительная очередь – здесь надо будет предусмотреть открытие дополнительных касс.

Вот такой простой график позволяет не допустить очереди и не позволяет допустить отсутствие товара категории «А» на полке.

Видеоаналитика и покупательский спрос

Анализировать спрос будем через демографию.

Маркетинг в своих исследованиях постоянно использует данные по возрасту. Прежде чем открыть магазин в каком-то районе, нанимается агентство, проводится исследование – сколько здесь живет бабушек, сколько детей и т.д. Эти исследования всегда проводятся и для магазина, и для ресторана.

Но вопрос – как получить эту статистику уже после того, как магазин открылся?

В принципе, постоянно исследовать аудиторию – это довольно дорогостоящая штука. Как обычно магазин делает? Он использует какую-то систему лояльности или дисконтных карт – пытается собрать наши данные, чтобы мы заполнили какую-то анкету. И думает, что когда ему на кассе предъявили эту карточку, то это – тот человек, который заполнил анкету. Но так происходит, в лучшем случае, только в 50% случаев. В остальных случаях – карточки передаются, особенно внутри семьи, или карточки не достаются из кошелька, потому что лень доставать.

Поэтому по дисконтным картам информация очень противоречивая. Их можно использовать, это лучше, чем ничего, но хуже, чем должно быть.

Кейс 1. Анализ низких или нестабильных показателей продаж

Давайте предположим, что у нас магазин провел кросс-анализ – это ABC+XYZ анализ ассортимента для того, чтобы выяснить, какие группы товаров у нас плохо продаются, какие у нас есть проблемы.

ABC-анализ отвечает за метрику «сколько те или иные товары вносят ценность в продажи». А XYZ-анализ отвечает за спрос.

По результатам кросс-анализа:

• зеленым у нас выделены товары, на которые всегда есть спрос, и они хорошо маржинальные;
• есть товары-середнячки;
• и есть товары, которые требуют особого анализа, за ними должен быть мониторинг. Особенно это касается категории «CZ». Обычно это либо какие-то новые товары, либо статусные VIP-товары, которые должны быть на полке по политическим соображениям.

Итак, у нас, допустим, есть какой-то товар, который относится либо к категории «AZ», либо «CZ». Что можно с этим сделать?

С помощью видеоаналитики мы собираем данные по лицам, смотрим, кто покупал этот товар – пол и возраст. Камера стоит, допустим, на кассе.

И составляем таблицу, чтобы определить, кто аудитория этого товара, какие пользователи составляют категории «A», «B» и «C» для этого товара.

Мы знаем, что если этот товар относится к категории «AZ», то мы будем понимать, на кого таргетировать рекламу.

Если же этот товар относится к категории «CZ», то здесь уже нужно хорошо подумать:

• Нужен ли этот товар в нашем ассортименте?
• Может быть, стоит высвободить эти средства и пустить на более ликвидные товары?
• Какой потенциал у этого товара в этом конкретном магазине?

Кейс 2. Предиктивный анализ продаж новых товаров

Допустим, у нас есть какой-то новый товар, магазин открыл для себя новую линейку, а все новые товары, как мы знаем, относятся к категории «CZ».

После проведения месячной достаточно агрессивной рекламы товар категории «CZ» переместился в другую, среднюю категорию – то есть с ним все хорошо.

Теперь нужно понять – можем ли мы тиражировать этот товар на другие магазины сети? Как это узнать?

Мы берем и просто сверяем аудитории в двух магазинах – смотрим потенциал магазина №1 и сравниваем его с тем, какая аудитория купила этот товар, проверяем, нет ли между ними противоречий.

И дальше уже сравниваем потенциал магазина №2 с той аудиторией, которая была в магазине №1 и купила товар.

Допустим, в данном примере можно понять, что у нас есть куча пересечений по категории «А» и по категории «B». То есть этот товар можно достаточно смело внедрять в магазин №2 или в какой-то другой магазин, где похожая картина.

Архитектура. Как все это работает?

Давайте теперь поговорим про видеоаналитику более предметно – как она вообще работает у нас.

Мы не используем каких-то серьезных серверов, у нас используются стандартные IP-камеры. Если нужны камеры для распознавания лиц, то применяются камеры с более серьезной оптикой.

Используются маленькие микрокомпьютеры. Они называются S-Box. Это – коробочка размером с мобильный телефон.

Как это устроено внутри магазина?

• Камеры и S-Box должны находиться в локальной сети.
• Каждый S-Box отвечает за свою камеру – он берет с нее видеопоток, обрабатывает его, и на выходе отдает только метаданные – те события, которые он нашел, на которые он запрограммирован. Поэтому видеопоток уже не гонится в интернет – только события.
• И на веб-портале есть интерфейс, с которым работают пользователи.

Тут есть неудобство, что пользователи одновременно работают с двумя системами. Обычно в организации и так есть зоопарк систем, а тут еще добавилась одна. Соответственно, это будет доставлять некое неудобство. Для того, чтобы этого избежать, мы разработали API, чтобы бизнес мог забирать эти данные в свою систему. И пользователь тогда уже будет работать в привычной для него основной системе.

API и 1С

Мы сделали внешнюю обработку, чтобы показать, как все это работает.

Здесь я перечислил, какие данные загружаются в систему:

• магазин;
• камера;
• конкретный ID персоны;
• дата/время события;
• сколько времени человек пробыл перед камерой;
• возвращался он или не возвращался;
• является он сотрудником или нет;
• и т.д., включая весь набор эмоций.

Данные в систему поступают, это здорово. Есть красивые дашборды – они производят вау-эффект, можно их взять в чистом виде и забрать к себе.

Но мало эти данные собрать, нужно вместе с клиентом понять, как их использовать. В каждом конкретном случае обычно нужен индивидуальный подход, аудит. И мой сегодняшний посыл, мой Inception заключается в том, что мы умеем качественно добывать эти данные, а вы можете эти данные использовать уже для решения конкретных задач клиента – наверняка у многих в ритейле такие потребности существуют.

У нас была мысль сделать какое-то свое дополнение к какой-то типовой конфигурации – УТ или Розница, но поддерживать это сами мы просто не в силах. Поэтому я думаю, если бы мы эти данные вам предоставляли, а вы бы уже совместно с клиентом решали его конкретные задачи – это мог бы быть хороший симбиоз. Здесь консалтинг в чистом виде. В течение месяца собираем данные – даем рекомендации. Следующий месяц – опять рекомендации. Подумайте, насколько ритейлу это было бы интересно. Возможно, с нашей помощью вы могли бы вывести свой бизнес на новый уровень.

****************

Данная статья написана по итогам доклада (видео), прочитанного на конференции INFOSTART EVENT 2019.