Видеоаналитика и товарные чеки - новый подход к контролю над ассортиментом магазина
Видеоаналитика – это анализ видеопотока с камер. Алгоритмы ищут нужные события в кадре, фиксируют их в удобном пользовательском интерфейсе в виде наглядных дашбордов с обязательным фотоподтверждением.
Однако бизнесу как всегда нужно целостное решение, когда он сможет в едином окне видеть и делать аргументированные выводы.
Как можно использовать данные компьютерного зрения в бизнесе отдельно и совместно с учетными данными в ИС заказчика. Например, данными о товарных чеках, взятыми из 1С. Размер бизнеса значения не имеет – это может быть магазин у дома, бутик в торговом центре или крупный сетевой магазин.
Традиционный подход к анализу товаров
Для оптимизации продаж магазина бизнес всегда должен держать руку на пульсе и постоянно контролировать присутствие в ассортиментной матрице тех или иных товаров. То есть ответ на вопрос «Какие товары важны в данный момент или в перспективе для бизнеса, а какие не важны?» не должен вызывать затруднений.
Если товаров в продуктовой линейке много, то обычно используют ABC и XYZ анализ.
Буквально пару абзацев про них, чтобы общаться в единых терминах.
ABC анализ отвечает на вопрос, какие товары или группы товаров вносят самый ощутимый вклад в продажи. Тут почти всегда действуют правило Парето – 20% товаров и услуг дают 80% выручки. Это получается группа «А», а остальные 80% ассортимента дают лишь 20% выручки и делятся на группы «B» и «С». Цифры 20% и 80% - условные. Отклонения могут быть, но порядок тот же.
Итого:
- А — самые ценные товары (20% ассортимента; 80% продаж);
- В — промежуточные товары (30% ассортимента; 15% продаж).
- С — менее ценные товары (50% ассортимента; 5% продаж).
XYZ анализ отвечает на вопрос какие товары пользуются самым большим спросом. Для того чтобы разбить ассортимент на категории используется коэффициент вариации продаж, который помогает оценить характер спроса, его стабильность и прогнозируемость.
- X – товары с высоким и устойчивым спросом
- Y – товары с изменчивым спросом (сезонность, акции, дефицит)
- Z – товары с нерегулярным потреблением, точность прогноза низкая
Производя кросс-анализ ABC + XYZ, можно создать стратегию продвижения определенных товаров и можно разработать рекомендации для работы с товарами каждой категории.
Основная проблема, по которой бывает тяжело принять решение – это правильное и аргументированное сокращение или изменение ассортиментной матрицы:
- Категории товаров, которые достаточно важные (с точки зрения вклада в выручку ABC анализ), но с нестабильным спросом (XYZ анализ)
- Категории с товарами с низким спросом и с низкими продажами.
Кроме этого есть еще проблема прогнозирования продаж в других магазинах. Почему в этом магазине сети товар Х продается на ура, а в соседнем микрорайоне вообще никак? Можно это было спрогнозировать? Может быть нужно сначала было создать спрос на определенные товары, а не терпеть убытки? А может быть эти товары изначально здесь не имели шансов на хорошие продажи?
Под видеоаналитикой в данной статье будем понимать анализ покупателей, полученный при помощи видеокамер, с точки зрения их трафика, демографии и эмоционального фона.
Давайте посмотрим, как более глубокое знание об аудитории магазина позволит тонко управлять ассортиментом.
Анализ покупательского трафика
Для анализа покупательского трафика мы будем исследовать следующие метрики
1) Внешняя конверсия
Показывает отношение количества прошедших около входа людей к количеству вошедших внутрь магазина.
2) Внутренняя конверсия
Показывает отношения количества вошедших людей к количеству тех, кто дошел до кассы и совершил покупку (или количеству чеков).
3) Демография
Показывает пол и возраст посетителей и покупателей.
4) Эмоции
Показывает эмоциональный фон посетителей и покупателей.
Использовать их можно как по отдельности, так и в комплексе. Каждая из этих метрик – это элемент паззла, который вносит свой вклад в маркетинговую стратегию магазина.
Технически для сбора этих данных используется сервис, состоящий из IP-камер, миниатюрных вычислительных устройства S-Box и пользовательской части на web-портале. Он достаточно легко и быстро устанавливается на объекте в нужном количестве и уже через считанные часы начинает собирать данные, которые будут доступны на портале и готовы для импорта.
Внешняя конверсия
Сам показатель говорит о том, насколько ваш магазин привлекателен для прохожих. Чтобы собрать данные по одному входу нужно две камеры – одна считает проходящих людей, другая – входящих внутрь.
Получаемые данные
- Количество вошедших за искомый период времени
- Количество прошедших за искомый период времени
- Конверсия = Qвошедших/Qпрошедших
Так это выглядит в web-интерфейсе

Как это использовать?
Внешняя конверсия – это самый верхний уровень воронки продаж и оценивает, в первую очередь, привлекательность магазина во вполне конкретный период. Имея оперативные данные о внешней конверсии можно:
- Быстро проверять маркетинговые гипотезы и управлять рекламными компаниями: изменили витрину, изменили вывеску, установили баннер, провели промоакцию и т.д. Выхлоп увидите очень быстро. Здесь даже не нужен анализ продаж, глубины чека и т.п.
- Принимать решение о перспективности локации определенного магазина. Особенно, если есть возможность сравнить с аналогичным магазином в другом месте.
Внутренняя конверсия
Для ее получения используется интеграция двух систем: счетчиков людей и кассовой программы. Это отношение количества кассовых чеков к количеству зашедших людей.
Для анализа достаточно иметь:
- Количество вошедших за искомый период времени (из нашего сервиса)
- Количество кассовых чеков (из кассовой системы)
Что с этим делать, как использовать?
Если магазин сетевой, то идеально сравнивать данные по нескольким однотипным магазинам.
Для повышения внутренней конверсии компьютерное зрение сможет помочь отследить следующие метрики и получить причинно-следственную связь от управленческих действий:
- Мониторинг присутствия на рабочем месте персонала (продавцы, менеджеры, охрана).
- Динамику изменения входного потока, после изменений в магазине (оформление, реклама, рассылки и т.п.).
- Длину очередей на кассах.
- Проходимость отдельных зон/стеллажей и т.д.
Возьмем для примера некий товар, который всегда пользуется спросом и достаточно маржинальный (категория X по XYZ-анализу+ категория A по ABC-анализу). Т.е. всегда нужно обеспечивать наличие таких товаров. Пусть это будет абстрактное Молоко
На диаграмме ниже представлено распределение остатков молока в зале плюс распределение входящего потока в течение двух вечерних часов.
Оранжевым маркером я выделил область, когда пошла первая волна вечерних покупателей. Остатков молока в этот момент было вроде бы достаточно. Снижались остатки достаточно равномерно. Но волну никто не учёл! И к 18:50 молока на полке уже не было. А точнее его не было раньше, т.к. остатки считаются по кассовой программе, а человеку нужно время, чтобы дойти от полки до кассы. А вот если бы менеджеры увидели волну, то могли бы сыграть на опережение и не допустить OutOfShelf. Полчаса пустой полки для товара категории AX – это очень много!
Демография
Пол и возраст покупателей – метрики обязательные в маркетинговом анализе и часто используются в ритейле. Умные камеры умеют определять пол и возраст каждого вошедшего посетителя магазина.
Что с этим делать, как использовать?
Однако, данные о поле и возрасте покупателей – это безусловно полезно, но этого недостаточно, если информация оторвана от основного бизнес процесса – продаж конкретных товаров или услуг. Предлагаю разобрать два примера с использованием демографических данных в анализе продаж.
![]() |
Для того чтобы получить демографические данные посетителей магазина нужна камера на каждом входе магазина. В момент входа камера будет фиксировать лица входящих людей с возможностью НЕ учитывать в статистике сотрудников.
Для того чтобы получить демографические данные покупателей магазина, нужны камеры на каждой кассе, которые в момент покупки будут фиксировать лица покупателей.
Для того чтобы совместить данные по продажам с персонами, нужна интеграция с кассовой программой, чтобы получить связку «Чек – Товар – Лицо». |
Кейс 1. Анализ низких или нестабильных показателей продаж
Предположим, что магазин провел кросс-анализ ассортимента на базе ABC- и XYZ- анализа и выделил товары или группы товаров, по которым есть проблемы и вопросы. Это желтая (AZ) и красная (CZ) категории товаров.

- Отказываться от товаров CZ в полу других или нет?
- На какую аудиторию запускать рекламу для товаров категории AZ и запускать ли?
Такой анализ – дело очень кропотливое, требующее большого внимания. Используется многомерный анализ ABC, где параметров будет больше одного (кроме объема продаж). И вот таким дополнительными параметрами мы предлагаем ввести демографию покупателей.
Т.е. каждый товар из категорий AZ и CZ следует проанализировать с точки зрения покупательской способности разными возрастными и гендерными группами покупателей.
Например, мы знаем пол и возраст всех покупателей своего магазина за период один месяц. А также знаем пол и возраст каждого покупателя, купившего товары из категории AZ и CZ.
По каждому товару или группе товаров мы должны получить картину вклада в их покупку той или иной половозрастной группы. Возьмем некий «Товар 1» и построим для него ABC анализ по демографическим группам


У товара 1 есть ярко выраженная аудитория в виде мужчин и женщин 50+. Соответственно, если товар 1 относится к категории AZ, то понятно на кого таргетировать рекламу (группа “А” в таблице) и кому он совсем не интересен (группа “C” и часть группы “B”).
Если же товар 1 относится к категории CZ и решается вопрос о его присутствии в ассортиментной матрице, то нужно понимать какой есть потенциал у аудитории магазина в целом для покупки товара 1, а также какая у него оборачиваемость и можно ли высвободить деньги на его закупку в пользу более ликвидных товаров. Про оборачиваемость товара – это не в рамках этой статьи, а про потенциал аудитории магазина, чтобы не повторяться, см. в следующем кейсе.
Кейс 2. Предиктивный анализ продаж новых товаров
Предположим, имеется сеть супермаркетов около дома. Мы провели стимулирующую акцию линейки новых товаров в нескольких магазинах. В каких-то продажи новых товаров пошли хорошо, а в каких-то нет. В каких магазинах стоят еще попробовать новую линейку товаров?
Выберем магазин или магазины («Магазин 1»), где новые товары показали хорошие результаты за 1 месяц и перешли из категории CZ (красная) хотя бы в категорию BZ (серая) или выше.


Если эти данные по продажам новых товаров собраны за релевантный период, допустим, хотя бы один-два месяца, то с большой долей вероятности можно предположить, что в других магазинах новые товары точно будут покупать:
- Женщины 25…35 лет (группа А)
- Мужчины 35…50 лет (группа А)
- Женщины 35…50 лет (группа А)
- Мужчины 50+ лет (группа А)
- Женщины 50+ лет (группа А)
Вероятно, эти товары могут заинтересовать группы:
- Мужчины 25…35 лет (группа B)
- Женщины 18…25 лет (группа B)
И, очевидно, детям и мужчинам 18…25 лет (группа C) эти товары малоинтересны и на них не стоит рассчитывать.
Возьмем новый магазин (условно «Магазин 2»), где еще новых товаров не продавали, но показатели магазина схожие: людские потоки, чеки, локация. Как спрогнозировать продажу новой линейки товаров в других магазинах, зная его демографию?
Для этого нужно собрать статистику по демографии посетителей (даже не покупателей) и сравнить с картиной в Магазине 1.
Чтобы понять аудиторию магазина у дома достаточно одной недели и камеры на входе в магазин. Можно использовать камеры на кассе, как в магазине 1, но не все посетители доходят до кассы, а нам важен именно потенциал магазина.

В магазине 2 среди посетителей характерно доминируют женщины и мужчины 25…35 лет и 35…50 лет. Получается, что мы имеем достаточно много пересечений по группам A из одного и другого магазинов, а также есть еще запас по группам B.
Таким образом, с очень большой долей вероятности в Магазине 2 линейку новых товаров можно рекомендовать в продажу.
Эмоции покупателей
Эмоции посетителей, собираемые в автоматическом режиме, для ритейла – это совершенно новая метрика. Чтобы было понятно, видеоаналитика распознает в человеке восемь эмоций на лице. Вот они: гнев, презрение, отвращение, страх, счастье, печаль, удивление и нейтральность. Эмоции можно сгруппировать в позитивные, негативные и нейтральность и распределить по времени.
Собирать эмоции можно в совершенно разных точках магазина: вход, выход, касса, прилавок. Можно сравнивать эмоции между людьми, между зонами контроля, магазинами и т.д.
Читайте также: Закат эпохи гипермаркетов: ритейлеры выбирают малый формат
Резюме
Анализ трафика покупателей, включая знание о количестве, изменении во времени, поле и возрасте – это один из краеугольных камней маркетинга. Если держать руку на пульсе, то проверка любых маркетинговых гипотез будет занимать единицы дней. Те примеры, что я описал – это дополнительный пласт знаний, дополнение к существующим инструментам, которые призваны помочь и облегчить анализ продаж и выработать правильное управленческое решение.
Я уверен на 100%, что ни в каком магазине подобного анализа не проводили, потому что, во-первых, никто не знал, что так можно. А, во-вторых, такой информации просто нет у бизнеса. Есть догадки, социологические опросы и исследования, есть данные об использовании карт лояльности. А информация по полу, возрасту, количеству повторных визитов, длительности визита/обслуживания, знаний о связки Покупатель – Товар – для многих это что-то недосягаемое. К сожалению, это тот пласт данных, которого раньше просто не было и готовность бизнеса к ним крайне низка. Поэтому пока что видеоаналитика – явление не повседневное.
На самом деле, чтобы получить подобную статистику потребуется очень кропотливый труд. Работы хватит и ИТ-службе и маркетингу и коммерции. Данные от двух систем нужно правильно сводить, интерпретировать и принимать управленческие решения. Возможно, не сразу бизнес найдет правильный алгоритм трактовки и использования этих данных, но в отличие от конкурентов они у него будут. И через год он 100% получит сильнейшее конкурентное преимущество, т.к. другие только начнут их собирать. А выиграет тот, кто первый успеет адаптироваться к новым требованиям и запросам рынка!
Автор: Алексей Осипов