М.Видео-Эльдорадо: компьютерное зрение в 1 080 магазинах подняло конверсию на 23%
Конверсия в сети выросла с 14% до 17.2% за первый год работы. Главный фактор — оптимизация расписания консультантов. Раньше: 3 человека на зоне стиральных машин по графику с 10:00 до 18:00. Теперь: 5 человек в часы пик (среда 17-20, суббота 13-18) и 1 в провалы (вторник 11-13). Customer waiting time снизился на 47% — посетитель, который не дождался консультанта, в 73% случаев уходит без покупки. Incident detection в режиме реал-тайма выявил три важные вещи: 14% краж — внутренние (сотрудники), что было неожиданным масштабом; 31% «потерянных» дорогих товаров (оставленных без присмотра) — это были кейсы, когда консультант увлёкся одним клиентом и забыл про второго; конфликты на кассах — 22 случая в день в среднем по сети, из них 4 эскалирующиеся (раньше учитывались только эскалирующиеся). Ключевая сложность — privacy compliance. Команда работала с Роскомнадзором 7 месяцев для согласования: face blurring на edge до того, как кадр уйдёт куда-либо, никаких прямых идентификаций, anonymous session IDs обнуляются раз в 4 часа, все «события» автоматически удаляются через 30 дней. Это всё прописано в стандарте, который теперь является референсным для всей отрасли.
Контекст
Группа компаний М.Видео-Эльдорадо — крупнейший в России ритейлер электроники: 1 080 магазинов в 366 городах, 19 700 сотрудников, оборот за 2024 — 590 миллиардов рублей. Средняя площадь магазина — 1 600 квадратных метров, средний поток — 280 уникальных посетителей в день. До 2023 года данные о поведении посетителей собирались вручную: тайные покупатели раз в квартал, отчёты директоров магазинов, общая статистика касс. Это давало точечную, запаздывающую и часто искажённую картину.
Проблема
Главная боль ритейла электроники — конверсия. Посетитель зашёл, посмотрел стиральные машины, ушёл. Почему ушёл? Не нашёл консультанта? Цена не понравилась? Слишком мало моделей в выкладке? Конкурент рядом? До 2024 года ответы строились на догадках. Конверсия в среднем по сети — 14% (купил из вошедших). У конкурентов мирового уровня — 22-25%. Каждый процент конверсии = ~6 миллиардов рублей выручки в год.
Вторая боль — incident detection. Кражи (внутренние и внешние), оставленные без присмотра дорогие товары, потенциальные конфликты с клиентами, переполнение очереди на кассе. Раньше — постфактум по записям охраны, через неделю после события.
Третья — workforce optimization. Менеджеры магазинов не знали, в какие часы какой отдел требует больше консультантов. Расписание строилось «как обычно делали». В пиковые часы стиральная зона стояла без консультанта, аудио-зона имела двух «свободных».
Решение
М.Видео-Эльдорадо развернул компьютерное зрение в 1 080 магазинах. В каждом — от 12 до 24 камер (зависит от площади), 4K, 30 fps. Обработка распределена между edge (NVIDIA Jetson Orin Nano в каждом магазине, 67 TOPS) и центральным дата-центром. Это критично — поток данных от всех 1 080 магазинов (по 200K кадров в день каждый) невозможно перегонять в облако.
На edge работают три модели: YOLOv8 (custom-trained на retail-датасете) детектирует людей и привязывает им anonymous ID на сессию; ReID-модель отслеживает посетителя по магазину без узнавания личности (face blurring обязательно по 152-ФЗ); pose estimation определяет «поведение» (рассматривает товар, ищет консультанта, явно торопится, конфликтует).
В центральный дата-центр уходят только агрегированные «события» (3 KB на событие, ~80 событий в магазине в час): «посетитель X провёл 4 минуты у зоны стиральных машин, не контактировал с консультантами, ушёл», или «посетитель Y оставил товар стоимостью 87K рублей без присмотра на 11 минут». Это всё анонимизировано и не привязано к личности.
Поверх данных работают четыре аналитики: heatmap прохода (где люди задерживаются), conversion funnel (зашёл → подошёл к товару → взял в руки → подозвал консультанта → купил), incident detection (для службы безопасности), workforce demand (для HR). Менеджер магазина видит дашборд в реальном времени.
Результат
Конверсия в сети выросла с 14% до 17.2% за первый год работы. Главный фактор — оптимизация расписания консультантов. Раньше: 3 человека на зоне стиральных машин по графику с 10:00 до 18:00. Теперь: 5 человек в часы пик (среда 17-20, суббота 13-18) и 1 в провалы (вторник 11-13). Customer waiting time снизился на 47% — посетитель, который не дождался консультанта, в 73% случаев уходит без покупки.
Incident detection в режиме реал-тайма выявил три важные вещи: 14% краж — внутренние (сотрудники), что было неожиданным масштабом; 31% «потерянных» дорогих товаров (оставленных без присмотра) — это были кейсы, когда консультант увлёкся одним клиентом и забыл про второго; конфликты на кассах — 22 случая в день в среднем по сети, из них 4 эскалирующиеся (раньше учитывались только эскалирующиеся).
Ключевая сложность — privacy compliance. Команда работала с Роскомнадзором 7 месяцев для согласования: face blurring на edge до того, как кадр уйдёт куда-либо, никаких прямых идентификаций, anonymous session IDs обнуляются раз в 4 часа, все «события» автоматически удаляются через 30 дней. Это всё прописано в стандарте, который теперь является референсным для всей отрасли.
Уроки для индустрии
- Edge processing обязателен. 1080 магазинов × 200K кадров — невозможно в облаке. На edge только агрегированные события.
- Anonymous tracking без identification — единственный путь legally. Face blurring DO edge, не AFTER.
- Workforce optimization — самый большой ROI. Расписание под реальный спрос дает +3 п.п. конверсии.
- Privacy compliance критичнее технологии. 7 месяцев с РКН важнее, чем ML-точность.
- Internal theft недооценивается. 14% краж — сотрудники. Это меняет дизайн security процессов.