ВИДЕОРАСПОЗНАВАНИЕ В РИТЕЙЛЕ

19.08.2026

Интервью с коммерческим директором компании «Сервис Плюс» Алексеем Куроедовым

Почему видеораспознавание становится новым стандартом современного магазина

Десятилетиями руководители торговых сетей принимали решения на основе данных о продажах, товарных запасах, финансовых показателях и работе кассовых систем. При этом значительная часть процессов, происходящих непосредственно в магазине, оставалась практически невидимой.

Было понятно, сколько товаров продано, сколько покупателей прошло через кассы и где возникли потери. Но значительно сложнее было увидеть саму последовательность событий: в какой момент покупатель столкнулся с затруднением, почему кассир выбрал неправильный товар, что стало причиной очереди и какие действия сотрудника действительно помогли, а какие лишь замедлили обслуживание.

С появлением промышленных систем видеораспознавания ситуация изменилась. Видеопоток перестал быть только архивом, к которому обращаются после инцидента. Он стал источником структурированных данных о том, как в реальности работают процессы выбора, взвешивания и оплаты товаров.

Теперь торговая сеть может анализировать не только конечный результат, но и путь, который к нему привёл. Где возникают лишние действия и задержки? Когда неправильный выбор товара является обычной ошибкой, а когда — пересортом, неоплатой или намеренным злоупотреблением? Какие события требуют немедленного вмешательства сотрудника, а какие достаточно зафиксировать для последующего анализа? И, пожалуй, самое важное: какие повторяющиеся ошибки говорят не о единичном случае, а о системной проблеме интерфейса, оборудования или организации процесса?

Раньше ответы на такие вопросы получали главным образом постфактум — после просмотра видеозаписей, анализа жалоб или выборочных проверок. Это помогало разобраться в конкретном эпизоде, но не давало целостной картины того, что ежедневно происходит в сотнях магазинов.

Компьютерное зрение позволяет перейти от отдельных наблюдений к системному анализу. Сеть видит не только ошибки и нарушения, но и их повторяющиеся причины: неудобный сценарий выбора товара, неудачное расположение оборудования, чрезмерное количество вмешательств персонала, сложные товарные категории или недостатки кассового интерфейса.

Большинство технологий в ритейле проходят похожий путь. Сначала они воспринимаются как дорогой эксперимент, затем становятся преимуществом наиболее активных компаний, а со временем — отраслевым стандартом. Именно этот этап сегодня проходит видеораспознавание: технология постепенно становится новым стандартом современного магазина.

Поэтому главный вопрос уже не сводится к тому, насколько точно система распознаёт отдельный товар или действие человека. Гораздо важнее понять, какие процессы действительно стоит передать технологии, где необходимо сохранить участие сотрудника, как измерять экономический результат и что требуется для стабильной работы решения в масштабе крупной торговой сети.

О том, где видеораспознавание уже создаёт измеримый эффект, как меняются процессы на кассах и весах и что отличает промышленную платформу от эффектной демонстрации, мы поговорили с коммерческим директором компании «Сервис Плюс» Алексеем Куроедовым.

Где возникает экономический эффект от видеораспознавания

Журналист: Когда разговор заходит о видеораспознавании, он часто начинается с искусственного интеллекта, нейронных сетей и компьютерного зрения. Но в кабинете генерального или финансового директора вопрос быстро становится значительно проще: какой экономический эффект это даст бизнесу?

Алексей Куроедов: И это правильная постановка вопроса. Технологическая новизна сама по себе не имеет большой ценности, если она не меняет экономику процессов. Именно поэтому одни решения становятся частью инфраструктуры ритейла, а другие остаются интересными экспериментами.

Журналист: У видеораспознавания есть особенность: его эффект трудно отнести к одному подразделению или одной строке бюджета.

Алексей Куроедов: Да. Экономический эффект здесь носит распределённый характер. Одно распознанное событие может одновременно создавать ценность для операционного блока, коммерческой службы, ИТ, службы безопасности и финансового подразделения.

Например, если система помогает правильно провести операцию на кассе, операционный блок получает более стабильный процесс, коммерческий — более качественный покупательский опыт, служба безопасности — снижение потерь, ИТ — данные о работе оборудования и сценариев, а финансовая служба — сокращение издержек. При этом стоимость проекта обычно находится в одном бюджете, а выгоды распределяются по нескольким направлениям.

Именно поэтому на старте проекта клиенту бывает непросто увидеть полную экономическую картину. По привычке решение относят к ИТ или безопасности, хотя реальный эффект возникает сразу в нескольких частях бизнеса.

Журналист: Как в таком случае правильно оценивать результат?

Алексей Куроедов: Сначала необходимо разложить его на отдельные источники и договориться, как измеряется каждый из них. Затем определить исходный уровень, период наблюдения и ответственных за данные. И обязательно исключить двойной учёт, когда один и тот же результат одновременно записывается, например, и в повышение производительности, и в сокращение затрат.

В проектах «Сервис Плюс» мы стараемся начинать именно с этой карты эффектов. Не с красивой демонстрации, а с вопроса: какие показатели должны измениться, в каком подразделении это будет заметно и каким способом сеть сможет проверить результат.

Журналист: Получается, что видеораспознавание нельзя рассматривать только как функцию контроля или отдельный ИТ-модуль.

Алексей Куроедов: Конечно. Его ценность заключается в способности менять сразу несколько связанных процессов. Но это не означает, что эффект можно описать одной большой цифрой. Напротив, зрелая оценка требует разделить источники результата, проверить каждый из них и только после этого собрать общую экономику проекта.

Где видеораспознавание уже меняет экономику магазина

Журналист: В каких процессах технология уже достигла уровня, при котором можно говорить не об эксперименте, а о регулярном практическом применении?

Алексей Куроедов: Наиболее зрелые и экономически понятные сценарии сегодня связаны с тремя процессами обслуживания покупателей:

• оплатой товаров на кассах самообслуживания;

• выбором и взвешиванием весовых товаров;

• обслуживанием на традиционных кассах.

Именно здесь результат проще всего увидеть, измерить и затем масштабировать на всю сеть.

Видеораспознавание на кассах самообслуживания

Журналист: Начнём с КСО. Их количество растёт, но само по себе увеличение числа терминалов не гарантирует, что кассовая зона будет работать быстрее.

Покупатель может пропустить сканирование, неверно выбрать товар, нарушить последовательность действий или слишком часто обращаться за помощью. В итоге сотрудник постоянно перемещается между терминалами, а очередь просто меняет форму.

Алексей Куроедов: Поэтому система должна решать две задачи одновременно: снижать потери и не мешать нормальной покупке.

Если технология реагирует на каждое нестандартное движение, формирует много ложных срабатываний и постоянно вызывает ассистента, она формально контролирует процесс, но фактически ухудшает его. В хорошем решении контроль работает избирательно: система замечает действительно значимые отклонения, а обычному покупателю помогает завершить оплату без лишних остановок.

Потери на КСО возникают по разным причинам. Часть связана с непреднамеренными ошибками — пропуском сканирования, неверным выбором позиции, нарушением последовательности действий. Другая часть — с намеренной подменой товара, частичной оплатой или другими способами обхода установленного процесса.

Задача видеораспознавания — отличать одно от другого и не превращать каждую нестандартную ситуацию в повод для вмешательства сотрудника. Система должна ускорять обслуживание, а не доказывать свою полезность количеством интервенций.

Видеораспознавание на весах самообслуживания

Журналист: Второй зрелый сценарий — самостоятельное взвешивание товаров. Традиционно покупатель должен найти позицию в каталоге или ввести PLU-код вручную. Особенно неудобно это при покупке нескольких видов фруктов, овощей, выпечки или конфет.

Алексей Куроедов: Видеораспознавание меняет сам сценарий. Покупатель кладёт товар на весы и сразу получает один или несколько наиболее вероятных вариантов. Ему больше не нужно запоминать код, искать нужную страницу каталога или последовательно просматривать десятки похожих позиций.

По опыту внедрений «Сервис Плюс», это особенно заметно при покупке нескольких разных весовых товаров. Человек может быстро взвесить их один за другим, не возвращаясь каждый раз к длинному каталогу.

Журналист: То есть исчезает не только лишняя операция. Снимается само ограничение, которое раньше заставляло покупателя выбирать меньше товаров, чтобы не тратить время на их поиск.

Алексей Куроедов: Именно так. Более простой выбор меняет покупательское поведение. Человеку легче добавить в корзину ещё один вид фруктов, овощей, выпечки или другой весовой продукции. Одновременно снижается количество неверных выборов, пересорта и связанных с ним потерь.

Здесь особенно хорошо видна распределённая экономика, о которой мы говорили раньше: одна функция влияет и на скорость, и на удобство, и на увеличение продаж весовых товаров, и на сокращение потерь магазина.

Видеораспознавание на традиционных кассах

Журналист: Третий процесс — работа с весовыми товарами, выпечкой и другой продукцией без штрих-кода на традиционной кассе. Кассир должен найти нужную позицию в длинном pick-list.

На фоне дефицита кадров эта задача становится всё более сложной. Сети вынуждены быстрее выводить новых сотрудников на кассу, сокращать период обучения и чаще работать с людьми, которые ещё не успели хорошо изучить ассортимент.

Алексей Куроедов: В такой ситуации ручной поиск становится слабым звеном процесса. Опытный кассир способен найти товар относительно быстро, хотя, конечно, не так быстро, как система видеораспознавания. Новому сотруднику приходится просматривать длинный список похожих позиций, сравнивать фотографии и названия и принимать решение под давлением очереди.

По мере роста текучести, расширения ассортимента и сокращения времени обучения проблема усиливается нелинейно. Растёт не только среднее время поиска, но и разброс между быстрыми и медленными операциями. Увеличивается число неверных выборов, пересорта и последующих исправлений. Каждая ошибка создаёт следующую задержку: отмену позиции, вызов старшего кассира или повторное проведение операции.

Журналист: То есть скорость и качество начинают слишком сильно зависеть от опыта конкретного человека.

Алексей Куроедов: Да. Автоматическое распознавание снижает эту зависимость. Система предлагает наиболее вероятный товар или сужает выбор до нескольких вариантов. Кассиру не нужно искать позицию во всём каталоге, а новому сотруднику проще приступить к работе с ассортиментом без штрих-кода.

На уровне одной операции речь идёт о секундах. Но в масштабе магазина и сети они превращаются либо в очередь, либо в необходимость устанавливать дополнительные кассовые места и нанимать больше кассиров. Поэтому ускорение здесь имеет вполне материальную экономическую цену.

Кроме того, система формирует аналитику по наиболее частым ошибкам и сложным товарным категориям. Сеть получает возможность не только исправлять отдельные случаи, но и видеть, где требуется изменить интерфейс, справочник или сам процесс обслуживания.

Журналист: Можно ли считать эти три сценария основными точками входа в технологию?

Алексей Куроедов: Для большинства сетей — да. Область применения будет расширяться, но именно кассы самообслуживания, весы и традиционные кассы сегодня дают наиболее понятный и измеримый результат.

Что отличает промышленную систему видеораспознавания

Журналист: На демонстрационном стенде такие решения могут выглядеть практически одинаково: камера распознаёт товар, система быстро предлагает правильный вариант. Почему после установки в реальных магазинах одни системы стабильно работают, успешно масштабируются и приносят торговой сети существенный экономический результат, тогда как на другие решения деньги уже потрачены, но полноценно пользоваться ими невозможно и вложения фактически не окупаются?

Алексей Куроедов: Потому что распознать отдельный товар в контролируемых условиях — лишь начало.

На стенде заранее известны освещение, положение камеры, набор товаров и сценарий демонстрации. В магазине всё иначе. Меняются поставщики, партии, упаковка, цвет, размер и степень зрелости продукции. Покупатель может положить товар в пакет, частично закрыть рукой, расположить сбоку или смешать несколько позиций. Отличаются оборудование, освещение и настройки магазинов.

Промышленная система должна сохранять качество во всех этих условиях — не только на одном стенде, но и в сотнях, тысячах и десятках тысяч магазинов.

Модель — лишь малая часть промышленной системы

Журналист: Значит, наличие камеры, вычислительной платы и хорошо обученной модели ещё не делает решение промышленным?

Алексей Куроедов: Не делает. Модель важна, но она отвечает только за часть задачи.

Исследователи Google ещё много лет назад наглядно показали: в реальной ML-системе сама модель занимает сравнительно небольшое место. Основная сложность находится вокруг неё — в данных, интеграциях, мониторинге, обратных связях, тестировании и реакции на изменения внешней среды.

Наш опыт полностью это подтверждает. Необходимо связать распознавание с товарным справочником, кассовым программным обеспечением и оборудованием, обеспечить требуемую скорость, контролировать версии моделей, обнаруживать снижение качества и безопасно распространять обновления по всей сети.

Поэтому промышленность — это свойство не отдельного алгоритма, а всей системы и процессов, которые поддерживают её работу.

 

Одинаковая демонстрация не означает одинаковый результат

Журналист: Во время короткой демонстрации руководителю действительно сложно увидеть разницу. На весы кладут яблоко — появляется яблоко. Затем банан — появляется банан. Что остаётся за кадром?

Алексей Куроедов: Всё самое сложное.

Отличить банан от апельсина сравнительно просто. Намного сложнее различать визуально похожие сорта яблок, томатов, слив, винограда, конфет, выпечки или замороженной продукции. Для покупателя это могут быть почти одинаковые товары, а для сети — разные SKU с разной закупочной и розничной ценой.

Одновременно система должна понимать, что один и тот же товар может выглядеть совершенно по-разному. Сегодня он пришёл от одного поставщика, через месяц — от другого. Изменилась страна происхождения, упаковка, размер или оттенок. Для человека это по-прежнему знакомая позиция, а для модели — новые входные данные.

Поэтому реальная проверка начинается не в тот момент, когда система узнаёт знакомый товар на стенде, а тогда, когда условия перестают быть удобными.

Почему одной цифры точности недостаточно

Журналист: Поставщики часто называют точность — 95, 98 или 99 процентов. Можно ли сравнивать системы по этому показателю?

Алексей Куроедов: Только если известно, как он получен.

Нужно понимать, сколько SKU участвовало в тесте, были ли среди них похожие товары, использовались ли независимые данные, в скольких магазинах проводилась проверка и насколько условия соответствовали реальной эксплуатации.

Есть и ещё один важный нюанс. Система может поставить правильный товар на первое место, а может включить его в список из пяти вариантов. Формально оба случая можно назвать успешным распознаванием. Для покупателя это два совершенно разных процесса.

Поэтому сеть должна смотреть не только на лабораторную точность, но и на долю правильных первых предложений, среднее количество вариантов, время ответа, частоту ручного поиска и итоговую продолжительность операции.

Не менее важно, как система ведёт себя при сомнении. Зрелое решение не обязано всегда выдавать один уверенный ответ. Иногда правильнее показать несколько вариантов или предложить ручной поиск. Самая опасная ошибка — не отсутствие ответа, а уверенно предложенный неверный товар.

Главный ресурс системы — качественные данные

Журналист: Что в таком случае сильнее всего влияет на качество — модель или данные?

Алексей Куроедов: В промышленной эксплуатации эти вещи невозможно разделить, но часто именно данные становятся главным ограничением.

Эндрю Ын, основатель Google Brain и один из наиболее известных специалистов в области искусственного интеллекта, сформулировал подход data-centric AI: вместо бесконечной смены архитектур необходимо системно улучшать данные — их полноту, разметку, согласованность и соответствие реальным условиям.

Для ритейла недостаточно нескольких красивых каталожных фотографий. Нужны изображения из магазинов: при разном освещении, на разных устройствах, в пакетах и сетках, при частичном перекрытии, в разных положениях и на разных этапах жизненного цикла товара.

Особенно ценны случаи, в которых система ошиблась или оказалась не уверена. Именно они показывают реальную границу качества и подсказывают, какие данные необходимо собрать дополнительно.

Журналист: Эта работа может выполняться автоматически?

Алексей Куроедов: Только частично. Сырые фотографии нужно проверять, очищать, правильно связывать с товарными позициями, находить дубли и противоречия, контролировать разметку и формировать независимые наборы для обучения и тестирования.

В «Сервис Плюс» этим занимается отдельный специализированный департамент. Команда обрабатывает и очищает изображения, анализирует ошибки распознавания, контролирует качество разметки, формирует обучающие и тестовые выборки и исследует реальные операции из магазинов.

Покупатель этой работы не видит. Он просто кладёт товар на весы и получает результат. Но за этой долей секунды стоят годы накопления данных и ежедневная работа специалистов.

Система должна развиваться вместе с ассортиментом

Журналист: Что происходит после внедрения? Можно ли считать модель законченной?

Алексей Куроедов: Нет. Ассортимент постоянно меняется: появляются новые товары, поставщики и упаковки, сезонные позиции уходят и возвращаются, одинаковые товары в разных регионах могут иметь разные внутренние коды.

Если система не развивается, её качество постепенно снижается. Поэтому необходим непрерывный цикл: сбор новых данных, анализ ошибок, обучение, независимое тестирование, ограниченное внедрение новой версии и только затем масштабное обновление.

При этом более новая модель не обязательно лучше предыдущей. Каждое изменение нужно проверять: улучшение одной категории не должно ухудшить другую.

Даже если распознавание выполняется непосредственно на весах, кассе или локальном сервере магазина, управление качеством должно оставаться централизованным. Сеть должна видеть, какие версии установлены, где растёт количество ошибок и как изменился результат после обновления. Локальная работа устройства не должна означать технологическую изолированность.

Опыт, подтверждённый эксплуатацией

Журналист: Насколько важно, чтобы поставщик понимал не только компьютерное зрение, но и сам ритейл?

Алексей Куроедов: Это принципиально важно. Можно создать сильную модель и при этом плохо представлять, как устроены касса, КСО, весы, товарный справочник, процессы обслуживания и ИТ-инфраструктура крупной сети. Тогда хорошая технология окажется плохо встроенной в магазин.

«Сервис Плюс» занимается автоматизацией ритейла уже 35 лет. Мы глубоко понимаем кассовое программное обеспечение, весовое оборудование, кассы самообслуживания, интеграции и поддержку распределённых систем.

Сегодня наше решение используется большинством федеральных торговых сетей России, включая такие сети, как X5 Group, «Магнит», «Лента», «Монетка» и многие другие. Положительная оценка крупнейших клиентов основана не на демонстрационных тестах, а на опыте промышленной эксплуатации системы в реальных магазинах.

Когда решение работает в нескольких точках, многие вопросы ещё можно закрывать вручную. В сотнях и тысячах магазинов любой неавтоматизированный процесс быстро становится ограничением. Поэтому архитектуру, мониторинг, обновление и поддержку нужно изначально проектировать под большой масштаб.

Годы разработки, инвестиций и немного удачи

Журналист: Сегодня доступно множество готовых моделей и библиотек. Не создаётся ли впечатление, что подобную систему можно разработать за несколько месяцев?

Алексей Куроедов: Рабочую демонстрацию — возможно. Промышленную систему — нет.

«Сервис Плюс» развивает видеораспознавание более пяти лет. За это время менялись модели, архитектура, оборудование, процессы подготовки данных, методы тестирования, интеграции и логика взаимодействия с покупателем и кассиром.

Инвестиции потребовались не только в нейронную сеть. Нужно было создать специализированную команду, инфраструктуру сбора и обработки изображений, платформу обучения, мониторинг, аналитику, процессы обновления и техническую поддержку.

Промышленное качество складывается из тысяч небольших улучшений: найденных ошибок, новых изображений, сложных пар товаров, проверенных гипотез и результатов реальной эксплуатации.

Журналист: В этой работе остаётся место случайным открытиям?

Алексей Куроедов: Конечно. Реальный магазин постоянно создаёт ситуации, которые невозможно заранее придумать в лаборатории. Иногда одна необычная фотография или редкая ошибка подсказывает новое направление разработки.

Но случайность приносит пользу только подготовленной команде. Как говорил Луи Пастер, случай помогает подготовленному уму. Чтобы необычный эпизод превратился в улучшение продукта, его нужно заметить, объяснить, проверить на дополнительных данных и убедиться, что решение работает не в одном случае, а системно.

Журналист: Как в итоге сформулировать главное отличие промышленной системы?

Алексей Куроедов: Она обеспечивает воспроизводимый, управляемый и развивающийся результат в масштабе.

Не на нескольких заранее выбранных товарах, а на реальном ассортименте. Не только в день установки, а после смены поставщиков, упаковки и условий работы. Не в одном магазине, а в большой распределённой сети.

Именно способность сохранять качество, замечать собственные слабые места и последовательно улучшаться превращает отдельную функцию распознавания в промышленную технологию.

Окно возможностей для дополнительной прибыли

Журналист: Видеораспознавание уже становится стандартом современного магазина. Почему именно сейчас эта технология может быть особенно интересна торговым сетям?

Алексей Куроедов: Потому что стандарт уже формируется, но конкурентное преимущество от его внедрения ещё сохраняется.

Когда технология появляется у большинства участников рынка, она перестаёт отличать одну компанию от другой и становится обязательным элементом инфраструктуры. Сегодня видеораспознавание находится в более привлекательной точке: его эффективность уже подтверждена промышленной эксплуатацией, но уровень внедрения и глубина использования в разных торговых сетях пока заметно различаются.

Именно поэтому перед ритейлерами открывается окно возможностей. Через несколько лет эта технология, вероятно, будет помогать сети лишь соответствовать сложившемуся уровню рынка. Сегодня она ещё способна усилить конкурентную позицию компании и создать дополнительный финансовый результат.

Журналист: В чём заключается этот результат, помимо уже рассмотренного улучшения операционных процессов?

Алексей Куроедов: Прежде всего в повышении отдачи от уже созданного бизнеса.

Торговой сети не требуется открывать дополнительные магазины, расширять площади или пропорционально увеличивать рекламный бюджет. Дополнительный результат возникает внутри действующей инфраструктуры — за счёт более эффективной организации процессов, которые уже существуют в каждом магазине.

Но есть и более значимый долгосрочный эффект.

Покупатель редко меняет привычный магазин из-за одной технологической функции. Однако он хорошо чувствует совокупное качество обслуживания. Если посещение одного магазина регулярно требует меньше времени и усилий, это постепенно изменяет покупательское поведение. Сначала человек выбирает такой магазин в отдельных ситуациях, затем посещает его чаще, а со временем переносит туда всё большую долю своих покупок.

Так формируется дополнительный поток клиентов — не купленный скидками и не созданный краткосрочной рекламной кампанией, а естественным образом перешедший от конкурентов благодаря более удобной организации магазина.

В результате сеть получает не только ожидаемый эффект от улучшения процессов. Возникает дополнительная прибыль, которой раньше не было в её финансовой модели: за счёт более высокой отдачи существующих магазинов и постепенного перераспределения покупательского трафика.

Для офлайн-ритейла, работающего в условиях растущих затрат, дефицита персонала и жёсткой конкуренции за покупателя, такие возможности особенно ценны. Они позволяют не только защищать рентабельность, но и находить новые источники роста внутри уже действующего бизнеса.

Поэтому видеораспознавание заслуживает отдельного места в текущей стратегической повестке торговой сети. Не потому, что необходимо следовать технологической моде, а потому, что оно открывает новый класс возможностей: получать дополнительную прибыль от уже существующей инфраструктуры, формировать более удобный покупательский опыт и постепенно изменять распределение клиентского трафика в свою пользу.

Руководителям торговых сетей имеет смысл внимательно изучить эту технологию, определить процессы с наибольшим экономическим потенциалом и оценить, какое преимущество она способна создать именно для их бизнеса. В конечном счёте отстроиться от конкурентов позволяет не сам факт приобретения новой системы, а способность раньше и глубже других превратить её в более эффективный магазин, более устойчивую лояльность покупателей и новый источник прибыли.