AI-аналитика магазинов: посетители, heatmap, очереди, конверсия в 2026
Что AI измеряет в магазине
Управление розничной точкой = управление 4 показателями: трафик (сколько вошло), конверсия (сколько купили), средний чек (сколько потратили), retention (сколько вернулись). До AI первые 2 показателя получали через примитивные счётчики на входе и интуицию. AI-аналитика — это доказательные данные.
6 ключевых метрик AI в розничной аналитике (платформа A-LUX Retail Analytics):
- Подсчёт посетителей на каждом входе с точностью 98-99% (re-identification — каждый человек считается один раз).
- Heatmap зон — карта горячих/холодных участков магазина по часам и дням.
- Dwell-time — сколько посетители стоят у каждой полки, отдела, акции.
- Очереди и время ожидания — алерт менеджеру при перегрузке кассы.
- Конверсия — отношение вошедших к купившим (через интеграцию с POS).
- Демография — возраст, пол, эмоции (анонимно, без сохранения изображений лиц).
Реальный кейс: ТРЦ Mega Park, Алматы
ТРЦ Mega Park — крупный торгово-развлекательный центр в Алматы, 3 этажа, 250+ арендаторов. Задача от управляющей компании: понять трафик и конверсию арендаторов, оптимизировать pop-up зоны, аргументировать арендные ставки.
Внедрено: 60 AI-камер на 3 этажа (включая входы, фуд-корт, эскалаторы, ключевые зоны), AI-сервер RTX A4000 локально, Cloud-dashboard для отчётов УК и арендаторов.
Результаты за 6 месяцев:
- Точные данные по трафику каждого арендатора (раньше — оценочно).
- Heatmap «холодных» зон 2-го этажа — переставили pop-up зоны → рост трафика +24% в этой части.
- Оптимизация графика клининга по dwell-time зон → −18% затрат.
- Аргументация арендных ставок арендаторам конкретным трафиком — пересмотрены 47 договоров.
- Рост трафика ключевых арендаторов: +18% после оптимизации навигации.
ROI достигнут за 4 месяца. Подробности на странице AI Retail Analytics.
Heatmap зон — что и зачем
AI-heatmap — это тепловая карта магазина, где красные зоны = много людей и времени, синие = мало. Строится из данных всех камер за выбранный период (час, день, месяц).
Что показывает:
- Горячие зоны — куда заходят первым делом, где больше всего dwell-time. Эффективные для премиум-выкладки и акций.
- Холодные зоны — мёртвые углы, куда не доходят. Нужна навигация, переставка, изменение освещения.
- Маршруты движения — типичные пути от входа до кассы. Для оптимизации навигации.
- Зоны фрустрации — где люди останавливаются, разворачиваются, уходят. Признак проблемы (тяжелодоступный товар, плохая навигация, непонятная выкладка).
Heatmap обновляется в реальном времени, история хранится за 12 месяцев. Анализ годовых трендов — для сезонного планирования.
Очереди на кассе — алерт в реальном времени
Очередь >5 человек — лояльность падает. Очередь >8 человек — клиенты уходят без покупки. AI-камера на каждой кассовой зоне измеряет:
- Длину очереди (количество людей в зоне ожидания).
- Среднее время ожидания (от входа в очередь до получения чека).
- Скорость обработки (заказов в минуту) — для KPI кассира.
Алерт менеджеру: «очередь >5 человек, ожидание >3 минут — открыть 2-ю кассу». В реальных кейсах (Coffeeshop Company, 4 точки в Алматы и Астане) — снижение времени ожидания на 41%, NPS клиентов +14 пунктов.
Связка с AI-dashboard для сетей — на странице AI Dashboard и алерты.
Конверсия — сколько вошедших купили
Самая важная метрика: ratio вошедших к купившим. Без AI этот показатель оценочный (по чекам vs счётчик на входе). С AI — точный.
Как работает:
- AI считает каждого вошедшего на входе (re-identification → уникальный анонимный ID).
- Кассовая система через REST API передаёт количество чеков в реальном времени.
- AI сопоставляет ID человека (по re-identification) с моментом подхода к кассе (опционально).
- Метрика конверсии: %пришедших → купивших по часам, дням, акциям, кассирам.
Применение: оптимизация работы консультантов (низкая конверсия в час пик = слабый сервис), эффективность акций (рост конверсии = акция работает), время прохода до кассы (медленно = проблемы с выкладкой/навигацией).