Prueba de conversión en góndola con las cámaras de la tienda
El sell-out dice qué se vendió. Shelf-Lab lee el CCTV que la tienda ya tiene y cuenta, góndola por góndola, quién pasó, quién se detuvo 2 segundos o más, quién tocó y quién llevó el producto. La cabeza de cada persona sale difuminada desde el origen, cada número abre el clip anonimizado que lo sostiene, y el efecto de una punta de góndola o de un planograma nuevo se mide contra tiendas control.
Datos ilustrativos. Las escenas avanzan solas.
El trabajo
El retail vende espacio de góndola y medios en tienda a la industria, y la industria paga puntas de góndola, exhibiciones adicionales y activaciones. Lo que pasa frente al estante, entre la llegada del shopper y la venta, casi nunca entra en esa conversación.
Punta de góndola, cambio de planograma, nueva posición en el estante, activación en tienda. Trade marketing, gestión por categorías y retail media necesitan saber qué cambió cada una frente a la góndola, porque el espacio y los fondos cooperativos se fijan con base en eso.
El sell-out muestra qué salió de la tienda. La auditoría y el cliente incógnito verifican si la punta se armó. Cuando alguien pregunta qué hizo de verdad el shopper, el equipo todavía envía un observador por unas horas o encarga un estudio de eye tracking con una muestra pequeña y reclutada.
El shopper que se detuvo, tomó el empaque, leyó el precio y lo devolvió no deja rastro en el sell-out. Sin tiendas control, un aumento que vino de la temporada o de una promoción de toda la cadena se le atribuye a la punta, y el próximo espacio se fija con ese número.
Shelf-Lab lee el CCTV ya instalado, difumina la cabeza de cada persona en origen y cuenta pasó, se detuvo, tocó y llevó en cada góndola. Cada número abre su clip anonimizado y trae un intervalo de confianza del 95%, y el efecto de una acción se mide contra tiendas control.
El sell-out cuenta lo que salió del estante. No dice nada del shopper que se detuvo, lo tomó, leyó el precio y lo devolvió.
Qué responde
Cada pantalla de la app existe porque trade, categoría o retail media hacen esta pregunta antes de renovar un espacio o cambiar un planograma.
Pasó y se detuvodetención = 2 s o más
Cuenta como paso cuando los pies de la persona quedan 0,5 s en la zona frente a la góndola. Cuenta como detención cuando baja del ritmo de caminata durante 2 s o más. La tasa de detención es una dividida por la otra, por góndola, por tienda y por hora.
Tocó y llevósolo con evidencia
Un toque es la muñeca, ubicada por la estimación de pose, dentro del área del estante durante al menos 0,3 s. Llevó solo aparece con evidencia: el estante cambia y sigue cambiado, o la persona examina el producto en la mano justo después. En el piloto, el ticket del punto de venta cierra la cuenta.
Comparar períodosdiferencia en diferencias
Las tiendas test se comparan con tiendas control en los mismos dos períodos. El efecto es la variación en las tiendas test menos la variación en las tiendas control, en puntos porcentuales, con intervalo del 95%. Cuando el intervalo cruza el cero, el informe dice inconcluso.
Efecto por productocanibalización
La misma comparación corre producto por producto, y la pérdida de las marcas vecinas aparece como efecto negativo. En la versión actual, el toque se atribuye a la zona del estante. La atribución al producto exacto, con el planograma de la tienda y la foto de referencia, entra en el piloto.
Mapas de calorpies, manos, atención estimada
Tres mapas sobre el cuadro de la cámara: dónde se pararon las personas, por los pies; dónde las manos tocaron la góndola, por las muñecas; y hacia dónde apuntó la cabeza, una atención aproximada que nunca se llama eye tracking. Por altura de estante, la proporción de detenciones muestra lo que rinde el nivel de los ojos.
Vacíos y reposiciónestado de la góndola
En los cuadros sin nadie al frente, la góndola se divide en celdas y se evalúa por textura y bordes. Un vacío que dura 3 s o más queda marcado, con alerta de reposición cuando aparece justo después de un retiro. Saber si era la última unidad requiere el sistema de inventario de la tienda.
Método
El motor de visión es real y funciona con modelos open source con licencia compatible con un producto cerrado. El diseño del estudio viene de la propuesta de piloto: tiendas test, tiendas control, un período base y un período con la acción.
El equipo verifica qué cámaras instaladas encuadran la góndola, leyendo el flujo RTSP o la exportación del NVR. Las zonas se dibujan sobre un cuadro de referencia: el pasillo, el área frente a la góndola y el propio estante.
Cuando una cámara no encuadra la góndola, una cámara extra por góndola lo resuelve, y se dice antes del piloto.
Un detector de personas open source, RF-DETR, corre en cada cuadro analizado. ByteTrack le da a cada persona un número temporal que expira con la visita.
Sin reconocimiento facial. La misma persona nunca se sigue entre días ni entre tiendas.
RTMPose ubica muñecas, hombros y puntos de la cabeza. La cabeza recibe un difuminado irreversible antes de que cualquier clip salga de la tienda, y un segundo detector de rostros revisa cada cuadro de salida como red de seguridad.
El audio se elimina de todo video de salida.
Pasó, se detuvo, tocó y examinó salen de los pies, de la velocidad de caminata y de las muñecas en relación con las zonas. Llevó se decide comparando el estante antes y después del toque, en cuadros sin nadie al frente.
Cada evento apunta al segundo de video anonimizado que lo prueba.
El diseño del piloto dura 8 semanas: preparación, 2 semanas de base, 4 semanas con la acción en las tiendas test y 1 semana de lectura. Las tiendas control pasan por los mismos períodos sin la acción.
Cada tasa trae un intervalo de confianza del 95%.
Embudo, efecto contra el control, efecto por producto, conclusiones y recomendación, generados con los mismos números de las pantallas y exportados en PDF.
Meta del piloto: informe entregado hasta 72 horas después del fin de la medición.
Qué hay detrás
El primer número viene del motor de visión corriendo sobre 5 videos reales de CCTV. Los demás describen cómo cuenta el producto y cómo se diseña el piloto. Ninguno es una promesa sobre tu resultado.
Para decisiones de góndola que se negocian con números, donde el número sobre la mesa hoy todavía es solo el sell-out.
Preguntas
Shelf-Lab es un producto de Cassi.ai que mide el comportamiento del shopper frente a la góndola con las cámaras de seguridad que la tienda ya tiene. Cuenta quién pasó, se detuvo, tocó y llevó cada producto, difumina la cabeza de cada persona en origen y le da a cada número su clip anonimizado y un intervalo de confianza. Cassi.ai es una empresa de ingeniería de software especializada en automatización, y sus productos nacen de pedidos de clientes.
Shopper Insight Lab pone a participantes reclutados en una góndola virtual, en línea, con carrito, presupuesto y misiones, y observa la compra antes de cualquier cambio en la tienda. Shelf-Lab mide shoppers reales en la góndola real, con las cámaras ya instaladas, y lee el efecto de una acción que ya está en la tienda.
El motor lee flujos RTSP y exportaciones del NVR de la tienda. Una visita técnica confirma si las cámaras encuadran la góndola. Cuando una no la encuadra, una cámara extra por góndola lo resuelve. En el piloto, el procesamiento puede correr en una máquina local en la tienda o en la nube en Brasil.
La cabeza se difumina antes de que cualquier clip salga de la tienda, cada persona es un número temporal que expira con la visita, y el audio se elimina. En la propuesta, el video bruto se guarda como máximo 7 días y los clips anonimizados hasta 90 días. La cadena es la responsable de los datos, Cassi.ai es la encargada y la industria recibe solo números agregados. La base legal propuesta bajo la LGPD de Brasil es el interés legítimo, con evaluación de impacto hecha junto al DPO de la cadena.
En 5 videos públicos de CCTV, un revisor contó a mano las personas en 10 cuadros por video y comparó con el detector: la concordancia quedó entre 83,3% y 100%. El motor pierde personas pequeñas detrás de las góndolas y personas cortadas en el borde del cuadro. En el piloto, la precisión se mide de nuevo contra revisión humana y se publica en el informe, con criterio de éxito por encima del 90% en pasantes y detenciones.
Cuando hay evidencia, sí: el estante cambia y sigue cambiado, o la persona examina el producto en la mano justo después de tocar la góndola. Sacar un paquete de una pila de paquetes iguales no cambia la imagen, y ese caso aparece como toque sin cambio visible. En el piloto, el cruce con el ticket del punto de venta cierra la cuenta de quién lo llevó.
El mapa de calor de la cámara muestra por dónde circulan las personas. Shelf-Lab muestra quién se detuvo, quién tocó y quién llevó, por zona de góndola, y mide el efecto de una acción contra tiendas control, con intervalo de confianza en cada tasa. Su mapa de atención es una estimación por la dirección de la cabeza y nunca se presenta como eye tracking.
El motor de visión es real: detección, seguimiento, pose, anonimización y eventos calculados sobre 5 videos públicos de CCTV, con revisión humana y limitaciones declaradas. Las pantallas de estudio de góndola, comparación de períodos e informe usan una simulación determinística con marcas y tiendas ficticias, señalada en cada pantalla. Privacidad y piloto son una propuesta. La animación de esta página es ilustrativa.
Cuéntanos la categoría, la acción y las tiendas: punta de góndola, nueva posición, activación en tienda. Verificamos si tus cámaras encuadran la góndola y te mostramos cómo correría el estudio, con tiendas test y tiendas control.