# Shelf-Lab: o que o shopper faz na gôndola, pelas câmeras da loja

O Shelf-Lab é um produto da [Cassi.ai](https://www.cassiai.com) para medir o que acontece na frente da gôndola. Ele lê as câmeras de segurança que a loja já tem e conta, gôndola por gôndola, quem passou, quem parou por 2 segundos ou mais, quem tocou a prateleira e quem levou o produto, com a cabeça de cada pessoa desfocada na origem. Cada número abre o trecho de vídeo anonimizado que o comprova e traz intervalo de confiança de 95%, e o efeito de uma ponta de gôndola, de uma mudança de planograma ou de uma ativação é medido contra lojas controle, por diferença em diferenças. O motor de visão é real e roda com modelos open source. As telas de estudo, comparação e relatório da demonstração usam dados simulados, com marcas e lojas fictícias.

## Toda ação de gôndola é negociada. Quase todas ainda são provadas só com o sell-out.

O varejo vende espaço de gôndola e mídia na loja para a indústria, e a indústria paga ponta de gôndola, ponto extra e ativação. O que acontece na frente da prateleira, entre a chegada do shopper e a venda, quase nunca entra nessa conversa.

- Tema: Execução na loja e decisões de gôndola. Ponta de gôndola, mudança de planograma, nova posição na prateleira, ativação na loja. Trade marketing, gerenciamento por categoria e retail media precisam saber o que cada uma mudou na frente da gôndola, porque o espaço e a verba cooperada são precificados com base nisso.
- Como é hoje: Sell-out, auditoria de loja e uma pessoa com prancheta. O sell-out mostra o que saiu da loja. A auditoria e o cliente oculto conferem se a ponta foi montada. Quando alguém pergunta o que o shopper fez de fato, a equipe ainda manda um observador por algumas horas ou encomenda um estudo de eye tracking com amostra pequena e recrutada.
- A dor: Ninguém sabe quantos pararam e quantos devolveram o produto. O shopper que parou, pegou a embalagem, leu o preço e devolveu não deixa rastro no sell-out. Sem loja controle, um aumento que veio da sazonalidade ou de uma promoção da rede inteira vira mérito da ponta de gôndola, e o próximo espaço é precificado com esse número.
- Onde a Cassi.ai entra: A câmera do teto vira o contador da gôndola. O Shelf-Lab lê o CFTV que já está instalado, desfoca a cabeça de cada pessoa na origem e conta passou, parou, tocou e levou em cada gôndola. Cada número abre o seu clipe anonimizado e traz intervalo de confiança de 95%, e o efeito de uma ação é medido contra lojas controle.

## Perguntas de gôndola, respondidas com a câmera e a estatística.

- Passou e parou ("Quantas pessoas que passam por esta gôndola param de fato?"): Conta como passagem quando os pés da pessoa ficam 0,5 s na zona em frente à gôndola. Conta como parada quando ela desacelera abaixo do ritmo de caminhada por 2 s ou mais. A taxa de parada é uma dividida pela outra, por gôndola, por loja e por hora.
- Tocou e levou ("De quem parou, quantos tocaram e quantos levaram?"): Toque é o punho, localizado pela estimativa de pose, dentro da área da prateleira por pelo menos 0,3 s. Levou só aparece com evidência: a prateleira muda e continua mudada, ou a pessoa examina o produto na mão logo depois. No piloto, o cupom do PDV fecha a conta.
- Comparar períodos ("A ponta de gôndola funcionou ou foi a sazonalidade?"): As lojas teste são comparadas com lojas controle nos mesmos dois períodos. O efeito é a variação nas lojas teste menos a variação nas lojas controle, em pontos percentuais, com intervalo de 95%. Quando o intervalo cruza o zero, o relatório diz inconclusivo.
- Efeito por produto ("A nova posição tirou venda das vizinhas?"): A mesma comparação roda produto a produto, e a perda das marcas vizinhas aparece como efeito negativo. Na versão atual, o toque é atribuído à zona da prateleira. A atribuição ao produto exato, com o planograma da loja e a foto de referência, entra no piloto.
- Mapas de calor ("Onde as pessoas ficam e para onde vão as mãos?"): Três mapas sobre o quadro da câmera: onde as pessoas ficaram, pelos pés; onde as mãos tocaram a gôndola, pelos punhos; e para onde a cabeça apontou, uma atenção aproximada que nunca é chamada de eye tracking. Por altura de prateleira, a parcela das paradas mostra o que o nível dos olhos rende.
- Vazios e reposição ("Quais frentes estão vazias agora?"): Nos quadros sem ninguém na frente, a gôndola é dividida em células e avaliada por textura e bordas. Um vazio que dura 3 s ou mais é marcado, com alerta de reposição quando surge logo depois de uma retirada. Saber se era a última unidade exige o sistema de estoque da loja.

## Seis passos, da câmera no teto ao relatório.

1. Visita às câmeras e zonas. A equipe confere quais câmeras instaladas enquadram a gôndola, lendo o fluxo RTSP ou o export do NVR. As zonas são desenhadas sobre um quadro de referência: o corredor, a área em frente à gôndola e a própria prateleira. Quando uma câmera não enquadra a gôndola, uma câmera extra por gôndola resolve, e isso é dito antes do piloto.
2. Detecção e rastreamento. Um detector de pessoas open source, o RF-DETR, roda em cada quadro analisado. O ByteTrack dá a cada pessoa um número temporário, que expira com a visita. Sem reconhecimento facial. A mesma pessoa nunca é seguida entre dias ou entre lojas.
3. Pose e anonimização. O RTMPose localiza punhos, ombros e pontos da cabeça. A cabeça recebe um desfoque irreversível antes de qualquer clipe sair da loja, e um segundo detector de rostos confere cada quadro de saída como rede de segurança. O áudio é removido de todo vídeo de saída.
4. Eventos quadro a quadro. Passou, parou, tocou e examinou saem dos pés, da velocidade de caminhada e dos punhos em relação às zonas. Levou é decidido comparando a prateleira antes e depois do toque, em quadros sem ninguém na frente. Cada evento aponta para o segundo de vídeo anonimizado que o comprova.
5. Lojas teste e lojas controle. O desenho do piloto tem 8 semanas: preparação, 2 semanas de base, 4 semanas com a ação nas lojas teste e 1 semana de leitura. As lojas controle passam pelos mesmos períodos sem a ação. Toda taxa traz intervalo de confiança de 95%.
6. Relatório. Funil, efeito contra o controle, efeito por produto, conclusões e recomendação, gerados a partir dos mesmos números das telas e exportados em PDF. Meta do piloto: relatório entregue em até 72 horas após o fim da medição.

## O que foi medido e as regras que os números seguem.

- 83 a 100%: de concordância entre o detector e a contagem humana de pessoas, em 10 quadros de cada um de 5 vídeos reais de CFTV
- 2 s: parado diante da gôndola antes de a parada ser contada
- 95%: de confiança no intervalo de cada taxa, do funil ao efeito contra as lojas controle
- 4 + 2: lojas teste e lojas controle no desenho do piloto de 8 semanas

## O que ele nunca faz

- Nunca reconhece rosto nem identifica uma pessoa.
- Nunca estima idade, gênero, emoção ou etnia.
- Nunca segue a mesma pessoa entre dias ou entre lojas.
- Nunca cruza imagem com CPF, cartão fidelidade ou meio de pagamento, e nunca entrega vídeo bruto à indústria.
- Nunca chama atenção estimada de eye tracking, e nunca dá um produto como levado sem evidência.

## Para quem é

Times de trade marketing, Gerenciamento por categoria no varejo, Times de retail media, Times de shopper e insights da indústria, Institutos que fazem estudo em loja. Para decisões de gôndola negociadas com número, em que o número na mesa hoje ainda é só o sell-out.

## Perguntas e respostas

### O que é o Shelf-Lab?

O Shelf-Lab é um produto da Cassi.ai que mede o comportamento do shopper diante da gôndola com as câmeras de segurança que a loja já tem. Ele conta quem passou, parou, tocou e levou cada produto, desfoca a cabeça de cada pessoa na origem e dá a cada número o seu clipe anonimizado e um intervalo de confiança. A Cassi.ai é uma empresa de engenharia de software especializada em automação, e os seus produtos nascem de pedidos de clientes.

### Qual a diferença para o Shopper Insight Lab?

O Shopper Insight Lab coloca participantes recrutados numa gôndola virtual, online, com carrinho, verba e missões, e observa a compra antes de qualquer mudança na loja. O Shelf-Lab mede shoppers reais na gôndola real, pelas câmeras que já estão instaladas, e lê o efeito de uma ação que já está na loja.

### Funciona com as câmeras que a loja já tem?

O motor lê fluxo RTSP e exports do NVR da loja. Uma visita técnica confirma se as câmeras enquadram a gôndola. Quando uma não enquadra, uma câmera extra por gôndola resolve. No piloto, o processamento pode rodar numa máquina local na loja ou em nuvem no Brasil.

### Como fica a privacidade?

A cabeça é desfocada antes de qualquer clipe sair da loja, cada pessoa vira um número temporário que expira com a visita, e o áudio é removido. Na proposta, o vídeo bruto fica no máximo 7 dias e os clipes anonimizados até 90 dias. A rede é a controladora dos dados, a Cassi.ai é a operadora e a indústria recebe só números agregados. A base legal proposta na LGPD é o legítimo interesse, com relatório de impacto feito junto com o DPO da rede.

### Qual a precisão?

Em 5 vídeos públicos de CFTV, um revisor contou as pessoas à mão em 10 quadros por vídeo e comparou com o detector: a concordância ficou entre 83,3% e 100%. O motor perde pessoas pequenas atrás das gôndolas e pessoas cortadas na borda do quadro. No piloto, a precisão é medida de novo contra conferência humana e publicada no relatório, com critério de sucesso acima de 90% em passantes e paradas.

### Ele sabe se o shopper levou o produto?

Quando há evidência, sim: a prateleira muda e continua mudada, ou a pessoa examina o produto na mão logo depois de tocar a gôndola. Tirar um pacote de uma pilha de pacotes iguais não muda a imagem, e esse caso aparece como toque sem mudança visível. No piloto, o cruzamento com o cupom do PDV fecha a conta de quem levou.

### Por que não usar o mapa de calor que a câmera já tem?

O mapa de calor da câmera mostra por onde as pessoas circulam. O Shelf-Lab mostra quem parou, quem tocou e quem levou, por zona de gôndola, e mede o efeito de uma ação contra lojas controle, com intervalo de confiança em cada taxa. O mapa de atenção dele é uma estimativa pela direção da cabeça e nunca é apresentado como eye tracking.

### O que na demonstração é real e o que é simulado?

O motor de visão é real: detecção, rastreamento, pose, anonimização e eventos calculados sobre 5 vídeos públicos de CFTV, com conferência humana e limitações declaradas. As telas de estudo de gôndola, comparação de períodos e relatório usam simulação determinística com marcas e lojas fictícias, sinalizada em cada tela. Privacidade e piloto são proposta. A animação desta página é ilustrativa.

## Traga a ação de gôndola que você precisa provar.

Conte a categoria, a ação e as lojas: ponta de gôndola, nova posição, ativação na loja. Conferimos se as suas câmeras enquadram a gôndola e mostramos como o estudo rodaria, com lojas teste e lojas controle. https://shelflab.cassiai.com/pt/#acesso