Technologie zapobiegania stratom w handlu detalicznym przez wiele lat traktowały kradzieże sklepowe jako problem związany głównie z kasami samoobsługowymi. Kamery obserwowały skanery, a pracownicy interweniowali (w razie potrzeby) w momencie płatności. Jednak mimo znacznych zasobów zainwestowanych w te środki, straty towarowe nadal rosną, przekraczając 100 miliardów dolarów.
Dzieje się tak dlatego, że mniej więcej 80% kradzieży detalicznych — dotyczących najczęściej kradzionych towarów — jest ukrywane przy półce: schowane pod ubraniem, wkładane do toreb lub upychane wewnątrz innych produktów, na długo zanim klient dotrze do kasy. Gdy transakcja się rozpoczyna, większość strat już nastąpiła, a tradycyjne systemy po prostu patrzą w złym kierunku.
Wyzwanie dla detalistów nie polega dziś na tym, czy używać technologii takich jak AI do walki ze stratami, lecz na tym, jak robić to w sposób, który rzeczywiście ogranicza straty bez generowania tarcia, nieufności ani wrogiej atmosfery w sklepie dla uczciwych klientów.
Zapobieganie stratom wymaga szerszego zasięgu
Większość nowoczesnych strategii zapobiegania stratom monitoruje zaledwie jeden wycinek zachowań kupujących. Wiele fizycznych narzędzi AI nadal koncentruje się niemal wyłącznie na czynnościach przy kasie — ruchach skanowania, widoczności kodów kreskowych czy przepływie towarów przez ladę. Takie podejście może wychwycić widoczne błędy, takie jak zostawiony na ladzie produkt lub przypadkowo zasłonięty kod kreskowy, ale pomija wszystkie produkty, które nigdy nie docierają do kasy.
Gdy kradzież jest traktowana jako anomalia przy kasie, detaliści często zaostrzają kontrolę — sprawdzają paragony i zatrudniają ochronę — zwiększając tarcie dla wszystkich, albo godzą się z rosnącymi stratami jako kosztem prowadzenia działalności. Żadne z tych podejść nie jest trwałe. Najważniejszą zmianą, jaką mogą wprowadzić detaliści, jest uchwycenie całej drogi produktu przez sklep.
Możliwe do uniknięcia straty nie pojawiają się w jednym miejscu sklepu. Rozgrywają się w sekwencji działań: gdy ktoś podnosi produkt, przemieszcza się przez sklep, wchodzi w interakcję z innymi towarami i ostatecznie opuszcza sklep. Systemy obserwujące jedynie koniec tej sekwencji działają bez kontekstu.
Kiedy natomiast technologia jest zaprojektowana tak, by rozumieć pełną drogę produktu od półki do wyjścia, możliwe staje się rozróżnienie metod kradzieży i podejmowanie bardziej proporcjonalnych reakcji. Ograniczanie strat nie może oznaczać traktowania każdego klienta jak podejrzanego. Wymaga wiedzy, kiedy nie interweniować i jak interweniować, gdy jest to konieczne. Gromadzenie szerszych informacji o stratach pozwala też detalistom lepiej alokować zasoby i dostosowywać układ sklepu.
Jednolite podejście to wróg doświadczenia klienta
Typowym błędem w zapobieganiu stratom jest jednolita reakcja. Gdy system AI nie potrafi odróżnić błędu od kradzieży, każdy incydent wywołuje ten sam alert, tę samą eskalację i to samo napięcie. W ten sposób detaliści kończą na zawstydzaniu uczciwych klientów za drobne pomyłki lub przytłaczają personel lawiną powiadomień, aż krytyczne alerty są ignorowane.
Alternatywą jest reagowanie adekwatne do ryzyka. Gdy systemy wiedzą, że napój energetyczny wzięty w alejce 12 nie został zeskanowany, detaliści mogą dostosować interwencje do swoich wartości i polityki. Właściwą reakcją może być delikatne automatyczne przypomnienie przy kasie samoobsługowej lub chwila weryfikacji według uznania sprzedawcy. Kluczowe jest to, że AI informuje, ale to detaliści decydują, jak reagować.
Kuszące jest zaakceptowanie pewnego tarcia z klientem jako nieuchronnej ceny bezpieczeństwa. Jednak tarcie jest często symptomem niskiej świadomości sytuacyjnej. Gdy detaliści nie mają pewności co do tego, co się dzieje, rekompensują to zwiększoną liczbą kontroli i konfrontacji — zamykają produkty o wysokiej wartości w gablotach lub drobiazgowo sprawdzają każdy paragon przy wyjściu. Ironia polega na tym, że lepsza detekcja umożliwia łagodniejszą interwencję.
Doświadczenie klienta oznacza, że prywatność jest przewagą projektową
Detaliści stoją przed kolejną trudną decyzją: czy stosować technologię AI do zapobiegania stratom z rozpoznawaniem twarzy i śledzeniem tożsamości, czy bez nich. Rozpoznawanie twarzy może poprawić re-identyfikację, ale wiąże się też ze znacznym ryzykiem dla prywatności, regulacyjnym i reputacyjnym — dlatego wielu detalistów rozważa alternatywy stawiające prywatność na pierwszym miejscu. Poza względami regulacyjnymi i etycznymi, klienci po prostu nie chcą czuć, że muszą rezygnować z prywatności lub że ich dane są przechowywane w jakimś systemie.
Systemy priorytetowo traktujące anonimowe śledzenie i unikające biometrycznej identyfikacji są nadal bardzo skuteczne w ograniczaniu strat, omijając jednocześnie ryzyko reputacyjne i prawne związane z przechowywaniem wrażliwych danych osobowych. Co ważniejsze, detaliści wysyłają klientom prosty sygnał: sklep chce jedynie upewnić się, że produkt został opłacony, i nie interesuje go tożsamość kupującego. W erze, gdy zaufanie jest czynnikiem wyróżniającym na rynku, ta różnica ma znaczenie.
Straty towarowe nie znikną. Presja ekonomiczna i codzienna, oportunistyczna kradzież będą nadal stanowić wyzwanie dla detalistów. Jednak zbyt restrykcyjne egzekwowanie przepisów lub doświadczenia, które sprawiają, że uczciwi klienci czują się inwigilowani, tylko odepchną ich od sklepów stacjonarnych. Rozwiązanie tego wyzwania zaczyna się od prostego pytania: czy technologia rzeczywiście widzi to, co istotne? Kiedy większość kradzieży wysokiego ryzyka jest ukrywana na długo przed kasą, systemy zbudowane do obserwowania jedynie transakcji zawsze będą niewystarczające.
Gdy ta wizja się poprawi, straty maleją, a doświadczenie klienta staje się lepsze. Najskuteczniejsze strategie zapobiegania stratom to nie te, które łapią więcej osób, lecz te, które interweniują rzadziej — z większą precyzją i pewnością.
Autor: Daniel Gabay — współzałożyciel i CEO Trigo, lidera w dziedzinie computer vision, oferującego detalistom zapobieganie stratom obejmujące pełną ścieżkę produktu przez cały sklep.
