Prevenção de perdas orientada por dados: o que o rastreamento revela

Pergunte a três pessoas de uma mesma rede varejista sobre seus índices de perdas e você obterá três respostas diferentes. Pergunte a elas como esses produtos estão desaparecendo e obterá um número ainda maior de palpites. Se os varejistas não sabem exatamente o que estão perdendo, como podem impedir isso? Em uma conversa franca com um varejista, eles descreveram à Trigo, uma desenvolvedora líder de tecnologias orientadas por IA, sua situação atual em relação à prevenção de perdas.

“Como um desafio para o negócio, nossa medição de perdas não era tão precisa quanto gostaríamos. Internamente, ao perguntar a pessoas diferentes sobre os números de perdas, obtínhamos respostas diferentes. Os números eram mais como estimativas internas, sem uma visão clara de como os itens estavam saindo da loja sem serem pagos. Para agravar o problema, havia a falta de funcionários disponíveis — o que, devido ao aumento dos custos, tornou-se uma norma. Isso leva a uma maior dependência do autoatendimento, o que só agrava o problema das perdas.”

Por que seu monitoramento de caixas está monitorando a coisa errada?

Com bilhões de dólares investidos por varejistas em soluções de monitoramento de caixas de autoatendimento (SCO), seria de se esperar um melhor entendimento do que acontece na loja. O problema reside em um desalinhamento fundamental entre o propósito geral dessa tecnologia e a realidade dos furtos e roubos em lojas.

A maioria das soluções de SCO existentes são projetadas principalmente para detectar erros visíveis ou táticas básicas de furto, como a falha na leitura do código de barras ou simplesmente a falta de registro. No entanto, os dados revelam uma história diferente sobre como os furtos realmente ocorrem.

O ponto cego da ocultação

De acordo com uma pesquisa recente realizada pela LendingTree com ladrões de lojas nos EUA, impressionantes 75% dos entrevistados relataram usar a ocultação como tática, incluindo esconder itens no corpo, em bolsas ou mochilas. Como muitas soluções de monitoramento de caixas monitoram apenas a área do caixa de autoatendimento e não conseguem rastrear itens ocultos, grande parte do problema permanece sem ser detectada.

E o problema não se limita aos EUA. O jornal The Guardian, ao abordar a crise do custo de vida, entrevistou vários pequenos ladrões de lojas no Reino Unido. Um ex-eletricista que se tornou ladrão de lojas foi citado pelo Guardian dizendo: “Tenho furtado muito mais do que antes. Só comida, e só depois que meu auxílio-desemprego acaba... Odeio fazer isso, não me traz nenhuma alegria. Tenho pavor de ser pego, mas fome é fome.”

Ele costuma ir a um grande supermercado, paga por uma cesta de compras, mas esconde alguns itens. “Tenho um casaco grande com bolsos grandes”, disse George. “Não exagero, só pego um pacote de salsichas ou um pedaço de queijo, algo assim”, completa.

Embora os varejistas também tenham investido em câmeras de segurança para suas lojas, há uma grande dificuldade em identificar o que está acontecendo nas imagens. Segundo um artigo da New Hope, depois de mostrarem um vídeo com um furto real em uma loja, as pessoas não conseguiram encontrar o ladrão, mas a inteligência artificial foi capaz de identificá-lo ao mostrar o mesmo vídeo.

Ver não é saber: por que a detecção sem contexto falha

As soluções de IA com visão computacional podem variar muito em sua capacidade de detectar furtos em lojas; isso se deve, em grande parte, à qualidade do treinamento que recebem para usar o contexto e interpretar as ações dentro da loja.

Para determinar se uma atividade é suspeita, o sistema precisa reconhecer mais do que um único gesto ou um produto em um local incomum. Ele precisa entender como as pessoas se movem pela loja, como os itens são manuseados e como as interações com as prateleiras e os pontos de contato do caixa acontecem. Por exemplo, não basta ver alguém colocando uma garrafa de uísque em uma sacola ou dentro de uma jaqueta. O sistema também precisa detectar se essa mesma pessoa paga por outros itens enquanto evita pagar pelo uísque, ou se tenta sair da loja sem passar pelo caixa.

“O desafio fundamental na IA para prevenção de perdas não é apenas ver uma ação, mas sim entender todo o contexto por trás dela”, disse Tony Iovino, vice-presidente de vendas para a América do Norte. “Hoje, estamos testando em nosso laboratório funcionalidades que permitirão aos varejistas configurar alertas com base em categorias de produtos, para que incidentes envolvendo itens de alto risco recebam o nível de atenção adequado tanto da equipe da loja quanto das equipes de prevenção de perdas. Os varejistas podem decidir a gravidade da intervenção voltada para o cliente e quais alertas suas equipes de prevenção de perdas precisam ver com mais urgência, tudo com base no que está realmente em risco. Isso proporcionará maior controle sobre a experiência na loja, ao mesmo tempo que fornecerá às equipes a inteligência necessária para responder com eficácia a ameaças reais.”

Sem essa compreensão contextual, uma de três coisas acontece: o sistema sobrecarrega as equipes de prevenção de perdas com alertas falsos, deixa passar furtos reais ou, quando devidamente treinado, detecta furtos com precisão suficiente para que a equipe intervenha em tempo real. A diferença entre esses resultados depende de quão bem a IA interpreta não apenas o que está acontecendo, mas também o que isso significa.

Inteligência na loja: rastreando toda a jornada de compra

Então, como é a IA contextual eficaz na prática? Inicialmente, a Trigo focava em resolver um problema muito mais complexo — o caixa autônomo — antes de criar sua solução de prevenção de perdas. Embora o caixa autônomo exija a instalação de câmeras especiais, a IA que desenvolveram foi projetada para rastrear todas as interações de compra na loja. Um cliente pode colocar uma barra de chocolate no bolso de trás, uma garrafa de bebida alcoólica em uma sacola reutilizável e segurar uma laranja na mão; ao chegar ao caixa, todos os itens serão pagos automaticamente.

Ao abordar a prevenção de perdas, o desafio era utilizar um alto nível de sofisticação e câmeras de CFTV existentes para fornecer às equipes de prevenção de perdas uma visão realista do que está acontecendo na loja.

Os resultados após análise de 600 casos de furtos

Trabalhando com um parceiro varejista, a IA Vision da Trigo — após analisar mais de 600 casos de furto — conseguiu fornecer uma nova visibilidade muito maior sobre o problema de perdas. Os dados confirmaram que, embora os furtos ocorressem em caixas com atendentes e por meio de clientes que simplesmente saíam sem pagar, 76% dos incidentes se concentravam nos caixas de autoatendimento.

No entanto, os tipos de furto revelaram uma história mais complexa. Além de itens não escaneados intencionalmente ou acidentalmente, o sistema detectou clientes segurando itens nas mãos ou deixando-os no balcão — táticas que passam facilmente despercebidas em um ambiente de grande movimento. Mas a informação mais importante veio do rastreamento desses itens até o corredor. Como a Trigo rastreia toda a jornada do cliente, os dados revelaram que, para muitos desses incidentes de furto em caixas de autoatendimento, a intenção de furtar começava muito antes, com o ato de esconder os itens.

Como parte da implementação, o varejista utilizou o módulo de itens mais furtados da Trigo, que permite especificar certos produtos de alto risco que, em sua opinião, precisam ser monitorados mais de perto pela IA. Ao receber os dados, descobriu-se que o furto desses itens de alto risco era tentado por meio de ocultação quase sempre. Isso contrastava fortemente com as táticas visíveis, como falhas na leitura dos códigos de barras, que seus sistemas de monitoramento anteriores eram projetados para detectar.

Perdas versus respostas precisas

Para as equipes de prevenção de perdas, o caminho a seguir exige uma pergunta diferente: não apenas “qual monitoramento temos?”, mas “qual contexto nosso monitoramento realmente compreende?”. A tecnologia existe para rastrear itens ocultos, ao longo de toda a jornada do cliente na loja, usando a infraestrutura de câmeras existente. A questão é se os varejistas estão prontos para reduzir a discrepância entre o que pensam estar vendo e o que realmente sai de suas lojas.

Porque, até que se possa medir com precisão, não se pode gerenciar. E aqueles três números de perdas diferentes? Eles precisam se tornar um só.

Leia mais sobre isso no site da Trigo: https://www.trigoretail.com/loss-prevention/