М.Видео-Эльдорадо: видеоаналитика в магазине — честный разбор пилота, а не «раскатки на всю сеть»
Результаты этого кейса существуют в двух жанрах, и их важно не смешивать.
| Компания и отрасль | М.Видео-Эльдорадо — Retail |
|---|---|
| Стек моделей и ИИ | Собственная CV-система дата-офиса (с июля 2020) · ~30 IP-камер на магазин (1080p, H.264, RTSP) · Edge-устройства Raspberry (~$50) с фильтром опорных кадров (1 кадр/2 сек) · Нейросеть YOLO (детекция людей, переобучена) · Частное облако на базе собственного ЦОДа · Привязка координат к планограмме магазина · Алерты персоналу через чат-бот («одинокий покупатель», очереди) · Тепловые карты зала |
| Хронология внедрения | Июль 2020 — дата-офис начинает разработку собственной видеоаналитики; октябрь 2020 — первый рабочий кейс в пилотном магазине; октябрь–ноябрь 2020 — доводка алертов с 25 до 5 в день за 1,5 месяца; март 2021 — инженерный разбор на Habr, старт использования тепловых карт; июнь 2021 — подключены ещё 5 московских магазинов; 6 августа 2021 — анонс масштабирования до 50 магазинов и 250 камер до конца года (конверсия +35% к сопоставимым магазинам — данные компании); целевой горизонт — 1000+ магазинов, ~30 000 камер (публичных подтверждений полной раскатки нет). |
| Верификация | Проверено 2026-07-11 · 7 первоисточн. |
Контекст и масштаб бизнеса
М.Видео-Эльдорадо — крупнейший в России ритейлер электроники и бытовой техники: более 1 200 магазинов на начало 2025 года; в 2024-м сеть выросла на 100 магазинов и пришла в 25 новых городов, GMV прибавил 5% (CNews). Технологическая база для этого масштаба солидная: ИТ-бюджет группы на 2026 год — 9 млрд рублей (TAdviser), а ИТ-функцию с августа 2020 года возглавляет CIO Александр Соколовский.
Систему видеоаналитики компания начала строить летом 2020 года силами собственного дата-офиса — без покупки готовых платформ. Решение принципиальное и вынужденное одновременно: в сети больше тысячи магазинов, в каждом порядка 30 камер видеонаблюдения, то есть целевой масштаб — около 30 000 камер. Менять весь парк камер под требования готового вендорского решения при таком количестве экономически нереально; строить пришлось поверх того «зоопарка» разнородных CCTV-камер, который уже висел под потолками. Показательна и честность стартовой позиции, зафиксированная в блоге компании на Habr: экономический эффект внедрения заранее оценить не мог никто — были только гипотезы об оптимизации, а проверить их можно было единственным способом — пилотом.
Контекст отрасли добавляет остроты. Видеоаналитика в ритейле — один из самых перегретых сегментов ИИ-рынка: вендоры обещают «рост конверсии на десятки процентов» из коробки, при этом большинство внедрений в публичном поле не проходят стадию пилота в нескольких магазинах. На этом фоне М.Видео-Эльдорадо выбрала противоположную стратегию — не покупать, а строить самим, маленькой командой дата-офиса из двух–четырёх человек, зато на архитектуре, которая изначально проектировалась под 30 000 камер.
Этот кейс интересен именно своей документированностью на всех стадиях: подробный инженерный разбор пилота на Habr и Retail.ru (март 2021), затем пресс-релиз о масштабировании с первыми бизнес-цифрами (август 2021). По двум этим жанрам — инженерному и корпоративному — можно наблюдать, как один и тот же проект звучит по-разному, и это само по себе полезный урок чтения ИИ-кейсов.
Бизнес-проблема и узкие места
Офлайн-магазин «слеп» по сравнению с интернет-магазином: неизвестно, куда идут покупатели, где они застревают, сколько стоят в очереди и сколько уходит, не дождавшись консультанта. Продавец физически не видит всех посетителей, а классические счётчики на входе не отвечают на вопрос «что происходило с человеком между входом и кассой». Для магазина электроники это особенно больно: техника — товар консультационный, и посетитель, простоявший десять минут у полки со стиральными машинами без внимания персонала, — это, с высокой вероятностью, потерянная продажа.
Инженерная сторона проблемы не проще бизнесовой. Камеры в магазинах стоят разные, старые, под задачи охраны, а не аналитики; стандартная конфигурация даёт слепые зоны, и часть камер пришлось переориентировать и доставить новые. Видеопоток с 30 камер в 1080p при 25 кадрах в секунду — это порядка 6 Мбит/с с каждой камеры: гнать такой трафик из тысячи магазинов в центральное облако невозможно ни по каналам, ни по деньгам. Наконец, нейросеть должна отличать покупателей от сотрудников, а изображения с камер нужно привязывать к планограмме магазина — и вручную это делать слишком долго.
Отдельная развилка — строить или покупать. Готовые платформы видеоаналитики на рынке были, но при 30 000 камер экономика решения определяется стоимостью на камеру, и компания сделала ставку на собственную разработку маленькой команды — по формулировке из блога, «по сути студентов», работавших «в формате хулиганства».
Архитектура и внедрение ИИ-решения
Архитектура получилась подчёркнуто дешёвой — и именно этим интересной.
На стороне магазина к каждой камере подключается недорогое устройство «из семейства Raspberry» (около $50), которое забирает RTSP-поток и пропускает его через самописный фильтр: из потока берутся только опорные кадры — один кадр раз в две секунды вместо 25 кадров в секунду. В результате трафик с 30 камер магазина укладывается примерно в 3 Мбит/с — меньше, чем исходный поток одной камеры. Кадры уходят в частное облако на базе собственного ЦОДа, где единый аналитический движок на базе нейросети YOLO (выбранной за низкое ресурсопотребление и переобученной под задачу) детектирует людей, переводит их положение в декартовы координаты и привязывает к планограмме магазина (Habr, Retail.ru).
Сценарии первой очереди: алерт «одинокий покупатель» — если посетитель долго стоит или перемещается по залу один, сообщение уходит в чат-бот магазина, и консультант идёт помогать; «очередь у касс» — уведомление, когда покупателей в зоне выдачи больше нормы; «тепловая карта магазина» — плотностное распределение посетителей по залу для анализа маршрутов и выкладки. Сотрудников от покупателей на первом этапе отличали прагматично до смешного: люди в красных футболках (форма М.Видео) игнорируются; «элегантное» решение через мультикамерный трекинг оставили на следующий этап.
Пилот стартовал в одном магазине в октябре 2020 года — всего через три месяца после начала разработки. Полтора месяца ушло на доводку алертов: сначала система выдавала 25 срабатываний «одинокого покупателя» в день, и большая часть была ложной — консультанты быстро научились бы такие сообщения пропускать. К концу периода алертов осталось 5 в день, и в блоге компания интерпретирует это как «резкий рост уровня внимательности персонала»: сигналы стали редкими и точными, реагировать на них — осмысленно. Параллельно решали земные проблемы: слепые зоны, переориентацию камер, ручную привязку кадров к планограмме — для масштабирования написали типовые инструкции, по которым персонал магазина разворачивает решение самостоятельно за один день, и веб-портал для автоматизации привязки.
В июне 2021 года решение настроили ещё в пяти московских локациях, а 6 августа 2021-го компания объявила о масштабировании до 50 магазинов Москвы и области к концу года — с ростом числа подключённых к нейросети камер с 50 до 250. В пресс-релизе проект назвали «первой в России системой видеоаналитики с доказанной экономической эффективностью», а собственную разработку оценили в пять раз дешевле рыночных аналогов с окупаемостью инсталляции с первого месяца.
Измеримый результат и экономика
Результаты этого кейса существуют в двух жанрах, и их важно не смешивать.
Жанр первый — инженерный блог (Habr, март 2021). Единственная опубликованная там метрика эффекта — качество самого алерта: за полтора месяца пилота число срабатываний «одинокий покупатель» снизилось с 25 до 5 в день; система научилась отсеивать ложные сигналы и беспокоить персонал только по делу. Про бизнес-метрики в статье сказано прямо: мультикамерный трекинг лишь позволит их считать — конверсию из визита в покупку, влияние на средний чек.
Жанр второй — корпоративный пресс-релиз (август 2021). Там цифры уже смелее: «коэффициент привлечения клиентов в пилотных магазинах рос на треть быстрее», «коэффициент конверсии вырос на 35% по сравнению с сопоставимыми магазинами», количество уведомлений о необходимости помочь клиенту или открыть кассы сократилось на 75%, окупаемость — с первого месяца, а собственное решение — в пять раз дешевле рыночных аналогов. Проект в релизе назван «первой в России системой видеоаналитики с доказанной экономической эффективностью». Методология этих сравнений (сколько магазинов, какой период, как отбирались «сопоставимые») не раскрыта, независимой проверки нет.
На наш взгляд, ножницы между двумя жанрами — самое поучительное в кейсе. Инженеры в марте пишут «конверсию мы пока только научимся считать», пресс-служба в августе сообщает «+35% к конверсии»; строго говоря, оба текста могут быть правдой (пилотные магазины действительно могли показать рост относительно контрольной группы), но доверие к цифре напрямую зависит от того, в каком жанре она опубликована. Мы бы закладывали в бизнес-кейс инженерную версию и рассматривали пресс-релизную как верхнюю границу.
Второе наблюдение: даже по самым смелым публичным данным проект дошёл до 50 магазинов из 1200+ — это примерно 4% сети, и публичных подтверждений полной раскатки на всю сеть с тех пор не появилось. Дистанция между «доказанной экономической эффективностью» в пилоте и тотальным развёртыванием — годы и миллиарды (30 000 камер против 250 подключённых на момент пресс-релиза). Именно поэтому мы намеренно оставляем кейс в его реальном масштабе: это качественный, хорошо документированный пилот с ранним масштабированием — и полезная линейка для всех, кто читает чужие «раскатки на всю сеть».
Уроки для индустрии
Пилот — не раскатка: между «работает в 1 магазине», «масштабируем на 50» и «работает в 1 200» лежат разные годы и бюджеты; честный кейс называет свою стадию.
Настоящая работа в CV-проекте — точность алертов: снижение с 25 до 5 срабатываний в день — это и есть внедрение, потому что персонал перестаёт игнорировать систему.
Экономику масштаба решает edge-инженерия: фильтр опорных кадров на устройстве за $50 сжал трафик 30 камер до 3 Мбит/с — без этого проект на 30 000 камер не сходится ни по каналам, ни по деньгам.
Стройте поверх существующей инфраструктуры: решение работает на разнородных охранных камерах, которые уже висят в магазинах, — замена парка убила бы проект до старта.
Прагматичные хаки на старте лучше идеальных решений: «игнорировать людей в красных футболках» — это работающая идентификация персонала для пилота; мультикамерный трекинг подождёт.
Различайте жанры отчётности: инженерный блог публикует качество алертов и говорит «конверсию только научимся считать», пресс-релиз — «+35% к конверсии» без методологии; в бизнес-кейс закладывайте первое, второе считайте верхней границей.
Отсутствие данных о полной раскатке — тоже данные: с августа 2021 года публичных подтверждений развёртывания на всю сеть не появилось, и кейс должен заканчиваться там, где заканчиваются источники.
Верифицированные первоисточники
- Видеоаналитика М.Видео: архитектура (Raspberry + RTSP-фильтр + YOLO), сценарии, пилот в 1 магазине, алерты 25→5/день ↗
- Видеоаналитика М.Видео-Эльдорадо: 30 000 камер, один компьютер и нейросеть (хронология июль–октябрь 2020, команда 2–4 человека) ↗
- М.Видео-Эльдорадо масштабирует систему видеоаналитики (50 магазинов, 250 камер, конверсия +35% к сопоставимым, уведомления −75%) ↗
- «М.Видео-Эльдорадо» масштабирует систему видеоаналитики (точные формулировки: «рос на треть быстрее», 5 локаций в июне 2021) ↗
- Группа М.Видео-Эльдорадо: итоги 2024 (более 1200 точек, +100 магазинов, 25 новых городов) ↗
- Информационные технологии в М.Видео-Эльдорадо (ИТ-бюджет 2026 — 9 млрд ₽) ↗
- Группа М.Видео-Эльдорадо объявляет о назначении CIO (Александр Соколовский) ↗
Вопросы и ответы по материалу
В скольких магазинах М.Видео работает видеоаналитика?
Документированная траектория: пилот в одном магазине с октября 2020 года, ещё пять московских локаций с июня 2021-го, анонс масштабирования до 50 магазинов Москвы и области (250 камер) в августе 2021-го. Целевой охват — более 1 000 магазинов (~30 000 камер), но публичных подтверждений полной раскатки на сеть нет.
Что умеет система видеоаналитики М.Видео?
Три сценария первой очереди: алерт «одинокий покупатель» (сообщение в чат-бот магазина, консультант идёт на помощь), детекция очередей у касс и тепловые карты зала. Технически: YOLO детектирует людей на опорных кадрах, координаты привязываются к планограмме; сотрудники на первом этапе отфильтровывались по красным футболкам.
Повысила ли видеоаналитика конверсию магазинов?
Зависит от того, какому источнику верить. Инженерный блог (март 2021) раскрывал только качество алертов (25 → 5 в день) и прямо писал, что конверсию система пока лишь позволит считать. Пресс-релиз (август 2021) заявил рост коэффициента конверсии на 35% по сравнению с сопоставимыми магазинами и сокращение уведомлений на 75% — это данные компании без раскрытой методологии и независимой проверки.
Почему компания строила систему сама, а не купила готовую?
Из-за экономики масштаба: при ~30 камерах на магазин и 1000+ магазинов стоимость решения определяется ценой на камеру. Собственная разработка на базе Raspberry-устройств (~$50), фильтра опорных кадров и YOLO, по оценке компании, вышла в пять раз дешевле рыночных аналогов и окупает инсталляцию с первого месяца.
Внедряйте ИИ быстрее рынка вместе с инженерами и фаундерами
Внутри Vibe Club (hamidun.com/club): еженедельные живые мастермайнды и разборы архитектуры с Жемалом Хамидуном, закрытый Tech Radar, LMS и обновляемая база из 370+ боевых скиллов.
Главное из мира ИИ — раз в неделю
7 ключевых событий недели, отобранных вручную. Без шума, репостов и пресс-релизов.
Готово! Проверьте почту — мы отправили подтверждение.