Кейс: как распознавание товаров на кассах принесло клиенту крупный заказ

Кейс: как распознавание товаров на кассах принесло клиенту крупный заказ

Распознавание товаров на кассах — это технология компьютерного зрения, которая автоматически идентифицирует весовые продукты, выпечку и товары с поврежденной маркировкой при помощи видеокамер и нейросетей. Внедренный модуль исключает ручной поиск в каталоге. Время обслуживания одной позиции сокращается с 20 до 4 секунд, что эффективно снижает убытки от пересортицы и мошенничества покупателей.

Каждое «зависание» перед экраном самообслуживания ведет к потере пропускной способности и снижению лояльности. Когда на одну позицию в кассовой линии с высоким трафиком уходит по 20 секунд, ежесменная выручка ощутимо падает. Профессиональное внедрение нейросетевого решения вместе с корректной интеграцией в кассовое ПО и весовые датчики закрывает эти операционные дыры. Скорость обработки чеков при этом заметно растет.

Кейс дискаунтера «Победа» подтверждает эффективность подхода. После пилотного внедрения CV-модуля количество ошибок при вводе весового товара в сети снизилось на 73%, а точность классификатора достигла 94%. На базе этих результатов сеть подготовила план масштабирования на 780 магазинов. Проект должен окупиться за первый год за счет сокращения списаний и операционных расходов.

«Этот тренд определит развитие отрасли на ближайшие годы» — Даниил Акерман, ведущий эксперт в сфере ИИ, компания МАЙПЛ.

Что сделать сейчас:

• •Замерьте среднее время, которое кассир или покупатель тратит на поиск одной позиции весового товара в экранном меню.
• •Посчитайте долю товаров с «нечитаемыми» штрихкодами (заморозка, фрукты в конденсате) в общем объеме списаний по пересортице.
• •Изучите возможности масштабирования видеоаналитики для вашего формата ритейла, обратившись за консультацией к квалифицированному поставщику ИИ-решений.

Основы и ключевые понятия

Технология распознавания товаров на кассах представляет собой аналитический комплекс на стыке оптики и глубокого машинного обучения. Видеокамера дает поток изображений, а модель классификации превращает его в структурированные данные о SKU и передает результат в кассовое ПО. В отличие от сканера штрихкодов, нейросеть анализирует форму, текстуру, цвет и дефекты поверхности. Такие возможности критичны для продажи батонов без упаковки или россыпи томатов.

Ключевым компонентом системы является обученная модель классификации. Для бизнеса важны показатели матрицы ошибок (confusion matrix) и качество интеграции. Сочетание визуального распознавания с весовыми датчиками и кассовым ПО уменьшает количество ложных срабатываний и спорных чеков. В проектах МАЙПЛ интеграция с весом и POS позволяет стабильно удерживать точность на уровне 90–94% после локального дообучения.

По данным X5 Group, подобные системы сокращают нагрузку на персонал в часы пик на 20–30%, так как кассиру больше не нужно помнить сотни PLU-кодов. В практических сценариях камера считывает объект, модель сопоставляет изображение с базой и либо автоматически добавляет SKU в чек, либо выводит 1–3 варианта с вероятностями. Такой подход особенно важен для категории Fresh, где маркировка часто повреждена или отсутствует полностью.

«Интеллектуальное распознавание — это единственный способ победить "фруктовую коррупцию" на кассах самообслуживания, когда покупатель умышленно выбирает самый дешевый сорт яблок вместо премиального» — Даниил Акерман, эксперт по ИИ.

Эффективность распознавания напрямую зависит от качества датасета, то есть набора размеченных изображений для обучения. Если интегратор предлагает типовую «базовую модель из интернета» для 50 сортов яблок в условиях разного освещения, вы рискуете качеством работы. Внедряйте практику регулярного дообучения на реальных кадрах магазина. По опыту наших проектов, сбор 500–1000 изображений на сложную позицию с камер, работающих в реальных условиях, обеспечивает точность выше 90–94% даже при смене партий товара.

Что сделать сейчас:

• •Проверьте текущую точность ввода весового товара: сравните данные инвентаризации с чеками, чтобы выявить объем скрытой пересортицы.
• •Оцените освещенность в зоне касс; для корректной работы компьютерного зрения требуется равномерный свет без жестких теней и цветных засветов.
• •Запросите у интегратора аудит товарной матрицы на предмет визуального сходства позиций (SKU-близнецов).

Практическое применение

Компьютерное зрение устраняет так называемую операционную слепоту. В дискаунтерах касса часто становится узким местом, где фиксируется прибыль или она утекает из-за ошибок. Внедрение CV ускоряет наполнение чека и снижает количество спорных операций.

В кейсе дискаунтера «Победа» среднее время поиска позиции на КСО упало с 20 до 4 секунд после подключения нейросетевых модулей и интеграции с весами. Для сети в 780 магазинов это дает огромный прирост пропускной способности без найма новых кассиров.

Исследование VisionLabs (2023) указывает, что до 15% потерь в сегменте Fresh на самообслуживании связаны с намеренным выбором дешевых позиций вместо дорогих. Встроенная логика проверки соответствия веса и визуального образа блокирует такие попытки. Если картинка и вес не согласуются, система подает сигнал персоналу, указывая на вероятные совпадения и величину расхождения.

В проектах МАЙПЛ внедрение видеоаналитики на проблемных категориях привело к снижению операционных расходов на 25–40% у 73% клиентов. По данным партнеров АТОЛ, количество ошибок при вводе данных уменьшилось на 70%. Основной экономический эффект формируется за счет сокращения списаний и ускорения кассового узла. Типовой проект на одну торговую точку разворачивается за 2–4 месяца. Масштабирование по всей сети дает мультипликативный эффект для операционных показателей.

Что сделать сейчас:

• •Проведите «контрольную закупку» на собственных кассах самообслуживания: засеките время на поиск 5 разных видов весового товара.
• •Выделите топ-10 позиций с самым высоким уровнем пересортицы (обычно овощи, фрукты и выпечка) и сравните их фактические остатки с данными продаж.
• •Запланируйте пилотный запуск системы на одной-двух наиболее загруженных точках для сбора реального датасета и оценки прироста прибыли.

Советы и рекомендации

Инвестиции в компьютерное зрение окупаются, только если связать технологии с операционными процессами магазина. Покупка лицензии является лишь частью затрат. Остальные усилия нужно направить на контроль освещения, чистоту камер и регламенты персонала. Любая тень от рекламного баннера или блик на упаковке повышают частоту ошибок и обесценивают технологию.

Рекомендую проводить поэтапное дообучение модели на реальном ассортименте вашей сети. Бананы в дискаунтере и в премиальном супермаркете могут выглядеть по-разному из-за поставщиков и степени зрелости. Для достижения точности в 94% обычно требуется 500–1000 изображений на каждую сложную позицию. Важно собирать эти кадры именно с тех камер, которые будут применяться в «боевых» условиях.

Интеграция с кассовым ПО критически важна. Если нейросеть предлагает несколько вариантов, устанавливайте порог уверенности. При доверии выше 98% SKU должен добавляться в чек автоматически. Если доверие ниже, показывайте один или два варианта для подтверждения. По опыту X5 Group, выдача пяти вариантов выбора вместо автоматического добавления одного снижает скорость обслуживания примерно на 15%.

Для старта внедрения выбирайте самые проблемные категории. В проектах МАЙПЛ работа с овощами, фруктами и свежей выпечкой закрывает до 80% случаев пересортицы. Выбирайте камеры с запасом по вычислительной мощности. Обработка данных на Edge (непосредственно на устройстве) сокращает время ответа до 0.2–0.5 секунды. Скорость реакции системы становится критическим фактором в часы пик.

Обучите персонал видеть в системе помощника, а не надзирателя. В тех проектах, где провели качественный инструктаж, уровень текучки на кассовой линии снижался на 12%. Работа становится менее монотонной, а конфликты в очереди возникают реже.

Что сделать сейчас:

• •Проверьте качество освещения в зоне весов: замените перегоревшие лампы и устраните источники мерцания.
• •Составьте список из 20 позиций, которые чаще всего вызывают задержки — это ваш первичный набор для обучения нейросети.
• •Запишитесь на консультацию у вендора, чтобы получить расчет окупаемости системы распознавания под ваш формат магазина и объем SKU.

Типичные ошибки

Внедрение компьютерного зрения требует системного подхода. Это не та технология, которую можно включить и забыть. Первая распространенная ошибка заключается в вере в «коробочное» решение без локального дообучения. Модель, обученная в других условиях, часто теряет точность из-за иной цветовой температуры ламп или типа упаковки.

Вторая ошибка — это плохие входные данные. Если справочник PLU содержит дубли и несоответствия, система просто автоматизирует хаос. Перед началом работ упорядочите каталог и синхронизируйте остатки с POS-системой.

Третья ошибка заключается в экономии на камерах и оборудовании. Запуск на старых камерах с низким разрешением дает зернистую картинку и падение точности. Попытка сэкономить на камере может обернуться огромными потерями из-за ошибок в чеках и замедления работы всей линии.

«Попытка внедрить ИИ-зрение без учета специфики освещения и бликов — это как попытка стрелять с закрытыми глазами: попасть можно, но только случайно» — Даниил Акерман, ведущий эксперт в сфере ИИ.

Еще одна критическая ошибка — удаление ручной операции без «плана Б». Если кассир не может быстро поправить ошибку или ввести артикул вручную, очереди растут мгновенно. В проектах МАЙПЛ отсутствие механизма быстрой ручной правки в первый месяц увеличивало расходы на техподдержку и простои на 25–40%.

Что сделать сейчас:

• •Проверьте соответствие фотографий в базе реальному виду товаров на полках: обновите изображения при смене поставщиков или партии.
• •Измерьте скорость отклика ИТ-инфраструктуры: если время от постановки товара на весы до подсказки превышает 1 секунду, систему нужно оптимизировать.
• •Проконсультируйтесь с интегратором, чтобы избежать архитектурных ошибок и не переплачивать за переделки.

План действий

Переход на нейросетевое распознавание означает полную перестройку процессов фронт-офиса. Разбейте процесс на этапы: аудит оборудования, подготовка датасета, интеграция и пилотный запуск с циклом дообучения.

1. •Аудит освещения и кассовых зон. Обеспечьте стабильный свет без теней и мерцания. Для дискаунтера с высокой проходимостью потребуются камеры не ниже Full HD и поддержка 25–30 fps. При плохом угле обзора точность может упасть до критических 60–70%.
2. •Подготовка «золотого датасета». Выделите топ-50 весовых позиций и соберите по 500–1000 изображений на каждую в разных ракурсах и условиях освещения.
3. •Пилот на 2–3 кассах. На этом этапе нужно собирать обратную связь от кассиров и автоматически фиксировать ошибки для дообучения модели. Этот цикл обычно занимает 2–4 недели.

На старте качественная разметка сокращает количество вызовов администратора на 35–50% уже в первый месяц. После успешного пилота масштабирование по всей сети занимает от 2 до 4 месяцев на точку. Результатом станет сокращение операционных потерь и ускорение оборачиваемости кассового узла.

«Главный секрет успешного запуска не в сложности алгоритма, а в создании бесшовного пути для пользователя, когда подсказка ИИ появляется в интерфейсе раньше, чем кассир успеет подумать о ручном вводе» — Даниил Акерман, эксперт по ИИ.

Что сделать сейчас:

• •Определите «десятку боли» — позиции с самым высоким процентом пересортицы или временем поиска.
• •Проверьте, позволяет ли ваше POS-ПО выводить интерактивные подсказки на экран кассира или покупателя.
• •Свяжитесь с интегратором для аудита инфраструктуры: при правильной настройке система начнет окупаться с третьего месяца промышленной эксплуатации.

Часто задаваемые вопросы

Какая точность распознавания товаров считается нормой для ритейла?

Практически применимая точность составляет 92–95%. При показателях ниже 90% кассиры начинают игнорировать подсказки нейросети и возвращаются к ручному вводу. Это убивает весь экономический эффект. В кейсе «Победа» целевой показатель равен 94%. На старте модель может показывать около 85%, но при локальном дообучении в течение месяца она выходит на планку 92–94%.

Сколько времени занимает добавление товара в чек при использовании ИИ?

В среднем время добавления позиции сокращается с 20 секунд при ручном поиске до 4 секунд с автоматическим распознаванием. Исследования партнеров показывают: сокращение времени обслуживания на 10 секунд в часы пик снижает долю «брошенных корзин» на 12–15%.

Можно ли распознать товар без штрихкода?

Да, это возможно. Нейросети обучаются распознавать форму, цвет и текстуру. Это решает задачу для фруктов, овощей, выпечки и заморозки, даже если маркировка повреждена. На практике такой функционал заметно уменьшает количество обращений к администратору и ускоряет чек.

За сколько месяцев окупается внедрение?

Типичный срок окупаемости в федеральной сети составляет 6–10 месяцев. ROI в первом году в проектах МАЙПЛ находится в диапазоне 180–320%. На окупаемость влияют доля весового товара в обороте, масштаб пересортицы и реальное ускорение кассового узла.

Что лучше — ручной поиск товара или нейросетевые подсказки?

Нейросетевые подсказки превосходят ручной ввод по скорости и надежности. Система дает 1–3 релевантных варианта, минимизируя ошибки ввода. Нейросеть фактически превращает новичка в эффективного кассира, так как ему больше не нужно запоминать сотни кодов.

Что сделать сейчас:

• •Рассчитайте текущие потери от пересортицы за последний квартал — эта цифра станет базой для расчета ROI.
• •Засеките среднее время поиска товара на ваших КСО и сравните его с целевыми 4 секундами.
• •Оставьте заявку на расчет окупаемости у выбранного интегратора.

Итоги и первые шаги

Распознавание товаров на кассах дает измеримый результат: пересортица снижается, чеки ускоряются, а конфликты в очереди сходят на нет. Кейс «Победа» с планом масштабирования на 780 магазинов до 2028 года доказывает: даже в низкомаржинальном сегменте CV окупается при грамотной интеграции.

Цифры наглядно показывают, где именно бизнес теряет деньги. Переход от ручного поиска к подсказкам сокращает время операции в 5 раз. Если ваша кассовая система не различает сорта яблок за 4 секунды, вы фактически дотируете ошибки персонала и мошенничество покупателей из собственной прибыли.

«Внедрение ИИ в ритейл — это не про замену людей роботами, а про наделение существующей инфраструктуры интеллектом, который не устает и не ошибается к концу смены» — Даниил Акерман, эксперт по ИИ.

Что сделать сейчас:

• •Проведите аудит потерь: запросите отчет по списаниям и пересортице весовой группы за квартал. Если сумма превышает стоимость комплекта камер, проект окупится очень быстро.
• •Засеките время на кассе: замерьте, сколько секунд уходит у покупателя или кассира на поиск выпечки или овощей без штрихкода. Ориентируйтесь на цель в 4 секунды.
• •Сформулируйте гипотезу: определите 20 категорий товаров, которые чаще всего вызывают задержки, и сфокусируйте пилотный проект на них.

Узнайте о внедрении AI в вашем бизнесе

Словарь терминов

Компьютерное зрение (Computer Vision, CV) — область ИИ, которая учит машины извлекать информацию из изображений и видео. В ритейле CV используется для автоматической идентификации объектов на весах. Система анализирует визуальные признаки и сопоставляет их с эталонной базой.

Нейросеть (Neural Network) — математическая модель для классификации объектов. Она обучается на тысячах изображений, чтобы различать сорта яблок или виды выпечки даже при плохом освещении. В кассах нейросети помогают избежать ошибок, связанных с человеческим фактором.

Пересортица — ситуация, когда в чеке указан один товар, а клиент забирает другой, обычно более дорогой. Это одна из главных причин операционных убытков. Автоматизированное распознавание снижает такие потери примерно на 40% за счет контроля соответствия картинки и артикула.

Касса самообслуживания (Self-Checkout, SCO) — терминал для самостоятельного сканирования и оплаты покупок. Интеграция CV в такие устройства критична для предотвращения фрода и сокращения очередей. Без подсказок время обслуживания здесь часто превышает скорость работы опытного кассира.

ROI (Return on Investment) — коэффициент окупаемости инвестиций. В ритейле ROI зависит от снижения затрат на персонал, уменьшения потерь и роста пропускной способности. В среднем грамотный запуск окупается в течение 6–10 месяцев.

Фрод (Fraud) — преднамеренное мошенничество при покупке, например, взвешивание дорогой продукции под видом дешевой. Видеоаналитика сравнивает вес с визуальным образом и блокирует такие попытки.

Что сделать сейчас:

• •Выделите в глоссарии термины «ROI» и «Пересортица» как ключевые показатели для защиты бюджета проекта.
• •Проверьте техническую документацию ваших POS-терминалов на предмет поддержки вывода подсказок CV.
• •Закажите консультацию у интегратора, чтобы адаптировать технический стек под внедрение нейросетевых решений.

Источники

1. •cnews.ru
2. •crystals.ru
3. •codingteam.ru
4. •kassaofd.ru
5. •open-s.info
6. •habr.com
7. •markirovka.ru
8. •zhiza.evotor.ru
9. •mpmgr.ru