M.Video-Eldorado: análise de vídeo em loja — um olhar honesto sobre um piloto, não um 'lançamento em toda a cadeia'

• Видеоаналитика М.Видео: архитектура (Raspberry + RTSP-фильтр + YOLO), сценарии, пилот в 1 магазине, алерты 25→5/день — Habr (блог М.Видео-Эльдорадо), 2021-03
• Видеоаналитика М.Видео-Эльдорадо: 30 000 камер, один компьютер и нейросеть (хронология июль–октябрь 2020, команда 2–4 человека) — Retail.ru, n/a
• М.Видео-Эльдорадо масштабирует систему видеоаналитики (50 магазинов, 250 камер, конверсия +35% к сопоставимым, уведомления −75%) — М.Видео-Эльдорадо (пресс-релиз), 2021-08-06
• «М.Видео-Эльдорадо» масштабирует систему видеоаналитики (точные формулировки: «рос на треть быстрее», 5 локаций в июне 2021) — Retail.ru, 2021-08-06
• Группа М.Видео-Эльдорадо: итоги 2024 (более 1200 точек, +100 магазинов, 25 новых городов) — CNews, 2025-01-16
• Информационные технологии в М.Видео-Эльдорадо (ИТ-бюджет 2026 — 9 млрд ₽) — TAdviser, n/a
• Группа М.Видео-Эльдорадо объявляет о назначении CIO (Александр Соколовский) — ComNews, 2020-08-03

Contexto

M.Video-Eldorado é a maior varejista de eletrônicos de consumo da Rússia: mais de 1.200 lojas em início de 2025; em 2024 a rede adicionou 100 lojas e entrou em 25 novas cidades, com GMV em alta de 5% (CNews). A base tecnológica está à altura da escala: o orçamento de TI de 2026 do grupo é de 9 bilhões de rublos (TAdviser), e a função de TI é liderada desde agosto de 2020 pelo CIO Alexander Sokolovsky.

A empresa começou a construir seu sistema de análise de vídeo no verão de 2020 com seu próprio data office — sem plataformas prontas. A decisão foi tanto principiada quanto forçada: a rede tem mais de mil lojas com cerca de 30 câmeras de vigilância cada uma, colocando a escala alvo em aproximadamente 30.000 câmeras. Substituir toda a frota de câmeras para se encaixar nos requisitos de uma solução de fornecedor é economicamente irrealista nesse volume; o sistema tinha que ser construído sobre o heterogêneo 'zoológico' de câmeras CCTV já penduradas nos tetos. A posição inicial, registrada no blog Habr da empresa, era notavelmente honesta: ninguém conseguia estimar o efeito econômico antecipadamente — havia apenas hipóteses de otimização, e a única forma de testá-las era um piloto.

O contexto industrial aguça a história. A análise de vídeo no varejo é um dos segmentos mais superaquecidos do mercado de IA: fornecedores prometem 'crescimento de conversão em dois dígitos' pronto para usar, enquanto a maioria das implantações visíveis publicamente nunca vai além de um piloto de algumas lojas. Contra esse pano de fundo, M.Video-Eldorado escolheu a estratégia oposta — construir em vez de comprar, com uma pequena equipe de data office de duas a quatro pessoas, mas em uma arquitetura projetada desde o primeiro dia para 30.000 câmeras.

O que torna este caso interessante é precisamente sua documentação em cada estágio: uma descrição detalhada de engenharia do piloto no Habr e Retail.ru (março de 2021), seguida por um comunicado à imprensa de expansão com os primeiros números de negócios (agosto de 2021). Ao longo desses dois gêneros — engenharia e corporativo — você pode ver o mesmo projeto soar diferente, o que é em si uma lição útil para ler estudos de caso de IA.

Problema

Uma loja física é 'cega' em comparação com uma online: ninguém sabe para onde vão os compradores, onde ficam presos, quanto tempo esperam na fila, e quantos saem sem nunca chegar a um consultor. Os vendedores não conseguem ver fisicamente cada visitante, e os contadores de porta clássicos não conseguem responder o que aconteceu com uma pessoa entre a entrada e o checkout. Para uma loja de eletrônicos isso é especialmente doloroso: aparelhos são um produto orientado à consulta, e um visitante que ficou desatendido na prateleira de máquinas de lavar por dez minutos é, com alta probabilidade, uma venda perdida.

O lado da engenharia do problema não é mais fácil que o lado dos negócios. As câmeras das lojas são heterogêneas, antigas e instaladas para segurança e não para análise; a configuração padrão deixa zonas cegas, e algumas câmeras tiveram que ser reorientadas enquanto outras foram adicionadas. O fluxo de vídeo de 30 câmeras a 1080p e 25 fps é de cerca de 6 Mbit/s por câmera: enviar esse tráfego de mil lojas para uma nuvem central é impossível tanto em termos de largura de banda quanto financeiramente. Finalmente, a rede neural deve distinguir clientes de funcionários, e as imagens da câmera devem ser mapeadas para o planograma da loja — fazer isso manualmente leva muito tempo.

Um dilema separado foi construir versus comprar. Plataformas de análise de vídeo prontas existiam, mas com 30.000 câmeras a economia da solução é definida pelo custo por câmera, e a empresa apostou no desenvolvimento interno por uma pequena equipe — nas próprias palavras do blog, 'essencialmente estudantes' trabalhando 'de forma aventureira'.

Solução

A arquitetura saiu enfaticamente barata — e interessante precisamente por isso.

No lado da loja, cada câmera se conecta a um dispositivo barato da 'família Raspberry' (cerca de $50) que pega o fluxo RTSP e o executa através de um filtro caseiro: apenas quadros-chave são extraídos — um quadro a cada dois segundos em vez de 25 quadros por segundo. Como resultado, o tráfego de 30 câmeras de uma loja se encaixa em aproximadamente 3 Mbit/s — menos que o fluxo bruto de uma única câmera. Os quadros vão para uma nuvem privada no data center próprio da empresa, onde um único mecanismo de análise baseado na rede YOLO (escolhido por baixo consumo de recursos e retreinado para a tarefa) detecta pessoas, converte suas posições em coordenadas cartesianas, e as mapeia para o planograma da loja (Habr, Retail.ru).

Os cenários da primeira onda: o alerta de 'cliente solitário' — se um visitante fica em pé ou se move pela loja sozinho por muito tempo, uma mensagem vai para o chatbot da loja e um consultor vai ajudar; 'fila de checkout' — uma notificação quando os clientes na área de retirada excedem a norma; e o 'mapa de calor da loja' — uma distribuição de densidade de visitantes para analisar rotas e merchandising. Distinguir funcionários de clientes foi resolvido com pragmatismo quase cômico no início: pessoas de camiseta vermelha (uniforme da M.Video) são ignoradas; a solução 'elegante' via rastreamento multi-câmera foi adiada para o próximo estágio.

O piloto começou em uma loja em outubro de 2020 — apenas três meses após o desenvolvimento começar. Um mês e meio foi gasto ajustando os alertas: no início o sistema disparava 25 alertas de 'cliente solitário' por dia, a maioria deles falsos — consultores rapidamente teriam aprendido a ignorar tais mensagens. Ao final do período, 5 alertas por dia permaneceram, o que o blog da empresa interpreta como 'um aumento acentuado na atenção do funcionário': os sinais se tornaram raros e precisos, tornando significativo responder. Em paralelo a equipe resolveu problemas práticos: zonas cegas, reorientação de câmera, mapeamento manual do planograma — para expansão eles escreveram instruções padrão permitindo que o pessoal da loja implantasse a solução por si mesma em um dia, mais um portal web automatizando o mapeamento.

Em junho de 2021 a solução foi configurada em mais cinco locais em Moscou, e em 6 de agosto de 2021 a empresa anunciou expansão para 50 lojas em Moscou e região até o final do ano — com câmeras conectadas à rede neural crescendo de 50 para 250. O comunicado à imprensa chamou o projeto de 'primeiro sistema de análise de vídeo da Rússia com eficiência econômica comprovada' e avaliou a construção interna em um quinto do custo dos análogos de mercado, com instalações se pagando dentro do primeiro mês.

Resultado

Os resultados deste caso existem em dois gêneros, e é importante não misturá-los.

Gênero um — o blog de engenharia (Habr, março de 2021). A única métrica de impacto publicada lá diz respeito ao alerta em si: ao longo de 1,5 meses do piloto, os alertas de 'cliente solitário' caíram de 25 para 5 por dia; o sistema aprendeu a filtrar sinais falsos e incomodar o pessoal apenas quando importava. Sobre métricas de negócios o artigo é explícito: o rastreamento multi-câmera apenas as tornaria mensuráveis — conversão de visita para compra, impacto na média de compra.

Gênero dois — o comunicado à imprensa corporativo (agosto de 2021). Os números lá são mais ousados: 'o coeficiente de atração de clientes nas lojas-piloto cresceu um terço mais rápido', 'o coeficiente de conversão cresceu 35% versus lojas comparáveis', notificações sobre ajudar um cliente ou abrir checkouts caíram 75%, instalações se pagam dentro do primeiro mês, e a construção interna custa um quinto dos análogos de mercado. O comunicado chama o projeto de 'primeiro sistema de análise de vídeo da Rússia com eficiência econômica comprovada'. A metodologia dessas comparações (quantas lojas, qual período, como as lojas 'comparáveis' foram selecionadas) não é divulgada, e não há verificação independente.

Em nossa opinião, a diferença entre os dois gêneros é a parte mais instrutiva do caso. Em março os engenheiros escrevem 'apenas agora aprenderemos a medir a conversão'; em agosto o departamento de imprensa relata '+35% de conversão'; estritamente falando, ambos os textos podem ser verdadeiros (lojas-piloto podem de fato ter superado um grupo de controle), mas a confiança em um número depende diretamente do gênero em que foi publicado. Construiríamos um caso de negócio na versão de engenharia e trataria o do comunicado à imprensa como um limite superior.

A segunda observação: mesmo pelos dados públicos mais ousados, o projeto atingiu 50 lojas de mais de 1.200 — aproximadamente 4% da rede — e nenhuma confirmação pública de um lançamento em toda a rede apareceu desde então. A distância entre 'eficiência econômica comprovada' em um piloto e implantação total são anos e bilhões (30.000 câmeras versus 250 conectadas no momento do comunicado à imprensa). É por isso que deliberadamente mantemos este caso em sua escala real: um piloto sólido e bem documentado com expansão inicial — e uma régua útil para todos que leem os 'lançamentos em toda a cadeia' de outras empresas.

Lições aprendidas

1. Um piloto não é um lançamento: 'funciona em 1 loja', 'expansão para 50', e 'funciona em 1.200' são separados por anos e orçamentos diferentes; um caso honesto nomeia seu estágio.
2. O verdadeiro trabalho em um projeto de CV é a precisão do alerta: reduzir de 25 para 5 alertas por dia é a implantação, porque o pessoal para de ignorar o sistema.
3. A economia de escala é decidida pela engenharia de borda: um filtro de quadro-chave em um dispositivo de $50 comprimiu o tráfego de 30 câmeras em 3 Mbit/s — sem ele, um projeto de 30.000 câmeras falha em largura de banda e dinheiro.
4. Construa sobre a infraestrutura existente: a solução roda nas câmeras de segurança heterogêneas já penduradas nas lojas — substituir a frota teria matado o projeto antes do lançamento.
5. Hacks pragmáticos vencem soluções perfeitas no início: 'ignorar pessoas em camisetas vermelhas' é identificação funcional de pessoal para um piloto; o rastreamento multi-câmera pode esperar.
6. Distinga gêneros de relatório: o blog de engenharia publica qualidade de alerta e diz 'apenas agora aprenderemos a medir a conversão'; o comunicado à imprensa diz '+35% de conversão' sem metodologia; construa seu caso de negócio no primeiro e trate o último como um limite superior.
7. A ausência de dados de lançamento também é dado: desde agosto de 2021 nenhuma confirmação pública de uma implantação em toda a cadeia apareceu, e o caso deve terminar onde as fontes terminam.

Perguntas frequentes