Биометрия в ритейле: большие надежды и суровая реальность

516e9b8a73d5c5e5cc701c0a0b45fcb3.jpeg

Привет! Меня зовут Макс, я являюсь продукт оунером видеоаналитики в М.Видео-Эльдорадо. Сегодня поговорим о такой сложной теме как биометрия. Многие компании пытаются ее использовать, не у всех это получается, и еще меньшее количество умеет на ней зарабатывать.

Крупные компании всегда видели в биометрии большие перспективы, и ритейл не оставался в стороне. Обычно биометрические технологии используют для обеспечения безопасности помещений и учёта рабочего времени сотрудников. Биометрия оказалась более эффективной, чем, например, классические пропуска. В М.Видео и Эльдорадо уже внедрено решение по сканированию лица, фиксирующее начало и конец смены сотрудника, что упрощает расчет и начисление оплаты, а также исключает человеческие ошибки.

Аппарат для идентификации сотрудниковАппарат для идентификации сотрудников

Однако, технологии не стоят на месте, и трендом последнего времени стало развитие решений по оплате с использованием биометрии, обработке видеопотока для сбора данных о клиентском поведении и маршрутах движения по торговым залам, таргетированного взаимодействия с постоянными клиентами, выявления краж и кассового фрода, поведенческой аналитики действий сотрудников магазина. 

На примере других компаний (все кейсы вымышлены, а совпадения случайны), попробуем понять, какие ошибки с точки зрения бизнеса чаще всего совершают и как мы постарались их избежать. Эта статья является оценочным суждением и не претендует на истину в последней инстанции.

Опыт других компаний

Как показывает практика, самым популярным форматом применения биометрии в ритейле является оплата покупок без использования наличных денег, банковских карт и мобильных устройств. 

Одним из первых успешных проектов стал китайский Dragonfly (он же Alipay). Зарегистрировавшись в сервисе, покупатели могут совершать платежи на транспорте, в ресторанах, супермаркетах и вендинговых аппаратах при помощи сканирования лица.

За время работы проекта разработчики существенным образом увеличили скорость, стабильность алгоритмов распознавания и отказоустойчивость. Почему этот кейс стал успешным? Я бы выделил несколько факторов:

  1. Частота использования. В среднем, 2–3 раза в день человек совершает оплату в продуктовом магазине, ресторане или транспорте, и, если просуммировать время, затраченное на оплату, можно получить довольно значимый промежуток времени.

  2. Низкая цена ошибки. Конечно, в любом случае неприятно, если по ошибке мы спишем деньги не с того человека. Однако, чем меньше сумма (а для такого типа покупок, сумма обычно не является значимой), тем легче урегулировать инцидент.

  3. Традиционные платежи занимают приличный отрезок времени в процессе покупки. Поскольку ежедневные покупки — действие довольно привычное, мы не тратим много времени на выбор (особенно если речь идет о покупке билета на автобус или любимой газировке в вендинговом автомате), а на оплату приходится куда больше времени, которое неплохо было бы сократить.

Если говорить о ритейле электроники, то по всем трем пунктам мы имеем диаметрально противоположные входные данные:  

  1. Большая часть людей покупает технику не чаще чем 3–4 раза в год, поэтому процесс оплаты в таком магазине не занимает в жизни человека много времени.

  2. В отличие от транспорта, вендинговых автоматов и продуктовых магазинов средний чек в магазине электроники значительно выше, а значит выше и цена ошибки (согласитесь, ничего приятного, если бы человек, похожий на вас, купил бы плейстейшн за ваш счет).

  3. По предварительным данным, собранным с нашей системы видеоаналитики (о ней, кстати, дальше), покупатель находится в магазине в среднем полчаса (если не учитывать людей, пришедших за интернет-заказом), на фоне этого время и усилие, которые он потратит на оплату покупки, выглядят абсолютно незначительными. 

Еще одной разработкой стал проект Amazon One. Более двух десятков магазинов сети Amazon Go были оснащены устройствами для проведения оплаты по рисунку и структуре вен ладони покупателей.

Благодаря специальным оптическим датчикам Amazon One способна надёжно идентифицировать клиента за доли секунд, даже если ладонь находится на расстоянии нескольких сантиметров. С точки зрения бизнеса успешность кейса определяется теми же факторами, что и в первом примере.

А как дела обстоят в российском ритейле?  

В России проекты с использованием биометрической оплаты в ритейле начали появляться с 2016 года. Тогда в двух магазинах сети «Азбука вкуса» установили биометрические POS-терминалы Сбербанка с идентификацией по отпечатку пальца. В 2019 году терминалы появились еще в 20 точках. Во всех случаях для авторизации задействовались цифровые профили клиентов Сбербанка. Дальнейшего коммерческого развития проект не получил.

В том же году розничная сеть «Магнит» объявила о запуске технологии оплаты лицом совместно со SWiP и VisionLabs. К системе подключили несколько магазинов в Казани и Краснодаре. Были озвучены планы по масштабированию пилота в других регионах. Тем не менее, в дальнейшем проект не получил распространения.

В 2020 году российский разработчик Biosmart запустил сервис оплаты покупок по лицу в одной из кофеен сети Coffee Bean. За распознавание покупателя в кофейне отвечал специально разработанный биометрический терминал Biosmart Quasar, включающий в себя инфракрасную 3D-камеру и сенсорный экран. Для идентификации посетителю было необходимо зарегистрировать свое лицо и голос при помощи специального мобильного приложения. На данный момент о статусе пилота не известно.

Компания X5 Retail Group также отметилась экспериментами с биометрией. Весной 2021 года сеть в партнерстве с VisionLabs и Visa запустила сервис оплаты покупок по лицу на кассах самообслуживания в 52 супермаркетах «Перекрёсток». В качестве базы для идентификации использовались данные клиентов Сбербанка. На данный момент каких-либо данных о статусе проекта нет.  

Несмотря на внушительный список пилотных проектов, реальной экономической целесообразности ни один из них пока не показывает ни один них не спешит масштабироваться. Интересно почему?

Я бы выделил два основных фактора, характерных для нашей страны:

  • Доля безналичных платежей в России превышает 76%;

  • Доля платежей телефоном (apple pay/android pay/etc) превысила 36% от общего числа платежей и продолжает расти.

И если по поводу удобства использования пластиковых карт еще можно задать вопросы, то сделать процесс оплаты лучше чем оплата телефоном довольно проблематично. Телефон мы всегда носим с собой, платить им проще и быстрее чем с использованием биометрии. Какой вывод можно сделать? Выходить на рынок, на котором уже определилась доминирующая технология, противопоставляя ей гораздо более сложный продукт, при этом не дающий значимых преимуществ — не лучшая идея.

Магазины будущего

Окей, с контролем сотрудников и оплатой с помощью биометрии разобрались. А что дальше? Главной задачей для всей отрасли является недорогая, быстрая, технически стабильная и удобная идентификация покупателя, а также аналитика покупательского поведения. Похожие технологические решения можно использовать и для оптимизации работы персонала.

Проектами для таких магазинов уже сейчас занимаются ритейлеры, в основном их внимание направление на следующие кейсы:

  • Подсчет трафика;

  • Идентификация уникальных покупателей;

  • Анализ покупательского поведения;

  • Анализ и улучшение скорости и качества сервиса;

  • Маркетинговая аналитика;

  • Выявление шоплифтеров.

Мы в команде видеоаналитики ведем работу по каждому из направлений.

Подсчет трафика

Одна из главных метрик работы наших магазинов — коэффициент привлечения (КП), или же, более привычный термин, конверсия. Для того чтобы посчитать КП, мы делим количество чеков на количество людей, вошедших в магазин, и получаем процент посетителей, совершивших покупку. Чем выше КП — тем лучше сработал магазин.

Однако, не всё так идеально. В классической подходе измерения КП используется простые счетчики подсчета людей, которые дают сильную погрешность. Плюс, даже если мы идеально считаем количество людей, это не дает нам объективной картины. Главный враг правильного КП — сквозные покупатели и группы людей. Если у магазина два входа, и люди идут сквозь него (например в ТЦ) — это портит КП. Если в магазин чаще приходят семьями, то это так же портит КП, т.к. 1 потенциальный чек мы видим как 4.

И тут на помощь приходит наша система видеоаналитики, которая позволяет точно подсчитывать вошедших и вышедших людей (и даже убирать из статистики персонал), определять сквозных покупателей и группы людей с помощью мультикамерного трекера.

Идентификация уникальных покупателей

Большая часть (около 90%) покупателей используют карты лояльности, так что идентифицировать покупателя не составляет проблем. Однако, что делать, если человек не совершил покупку, а нам всё равно интересно, как часто он приходит к нам в магазин? Или, например, такая система не помешает для выявления шоплифтеров (уже внесенных в базу). Для таких случаев разрабатывается модуль распознавания людей, использующий уже установленные камеры (как и все остальные модули видеоаналитики).  Конечно, качество у такого распознавания ниже, чем у заточенных на это систем, требующих установки дополнительных камер, однако, гораздо меньше стоимость и цена ошибки, что дает проекту хорошие перспективы.

Поведенческий анализ покупателей и маркетинговая аналитика

Детальный анализ поведения покупателей позволяет предлагать товары, подобранные специально для них (аналог персональной выдачи результата поиска в интернете). Сейчас мы тестируем сервис по составлению рекомендации покупателю на основе его пути в магазине. Кроме того, при помощи видеоаналитики можно составлять тепловые карты торговых залов и строить тепловые карты людей. Эти данные используются для последующего планирования торговых залов и оптимизации выкладки товаров на полках.

Пример тепловой карты одного из наших магазиновПример тепловой карты одного из наших магазинов

Использование видеоаналитики позволяет собирать данные о том, что именно привлекает внимание клиента. Даже когда человек уходит из магазина, ничего не купив, всё равно важно получить информацию о том, что его заинтересовало.

Выявление шоплифтеров

Как я уже писал выше, для более пристального внимания за шоплифтерами разрабытвается модуль для поиска лиц по базе воров. Однако, это не единственная технология, следящая за сохранностью товара в магазине. Есть определенный набор паттернов перемещения по торговому залу при воровстве (не буду их здесь описывать:), поэтому разрабатывается детектор аномального поведения, который на основе пути покупателя, строит предположения о том, является человек вором или нет. 

В целом, внедрение систем для выявления шоплифтеров идёт вразрез с современными трендами в сфере обеспечения безопасности. Ритейлеры все чаще отказываются от парадигмы недоверия к посетителям. Появляется всё больше магазинов с открытыми полками и кассами самообслуживания. 

Вместо заключения

Биометрия — сложная и дорогая технология. Это не значит, что она неприменима, однако, прежде чем ее внедрять, нужно 10 раз подумать, можно ли поставленную задачу решить дешевле и действительно ли решение с биометрией является решением, а не усложнением ситуации. Мы довольно много экспериментировали с видеоаналитикой, об этом расскажу в следующих статьях, а пока жду ваши мнения в комментариях!

© Habrahabr.ru