Khi AI Camera thay đổi cách đo dòng người ở chuỗi bán lẻ

29/09/2026

Bài toán bắt đầu từ một cái lắc đầu

Tôi vẫn nhớ buổi gặp ở tầng trệt một tòa nhà văn phòng cho thuê tại quận 1. Người phụ trách vận hành của một chuỗi bán lẻ F&B lớn ngồi đối diện tôi, trên tay là một cuốn sổ tay ghi chép bừa bãi. Họ vừa thử nghiệm một giải pháp đếm khách bằng cảm biến hồng ngoại gắn trên trần. Kết quả? Sai lệch quá lớn. Cảm biến bị nhiễu bởi ánh nắng chiếu vào cửa kính, bị chặn bởi thân hình nhân viên đi ngang, và đặc biệt là không phân biệt được ai là khách, ai là người đi ngang qua. Họ cần biết chính xác có bao nhiêu người bước vào cửa hàng, và bao nhiêu người trong số đó thực sự mua hàng. Đó là chỉ số chuyển đổi (conversion rate) cốt lõi. Nhưng dữ liệu từ cảm biến cũ khiến họ không dám tin vào bất kỳ con số nào trong báo cáo tháng.

Họ muốn dùng computer vision, nhưng e ngại độ phức tạp. Tôi bảo họ đừng nghĩ về thuật toán, hãy nghĩ về điều kiện thực tế. Camera ở đó có góc nhìn 120 độ, độ sáng thay đổi từ sáng sớm đến tối muộn, và dòng người đôi khi chen chúc vào giờ cao điểm. Đây không phải bài toán lý thuyết trong phòng lab, đây là bài toán của bụi bặm, ánh đèn huỳnh quang nhấp nháy và tốc độ di chuyển của con người thực sự.

Điều kiện thực tế và giới hạn phần cứng

Trước khi bàn đến việc triển khai AI Camera, chúng tôi phải đối mặt với thực tế thô ráp nhất: hạ tầng cũ. Nhiều chi nhánh của chuỗi này vẫn dùng mạng nội bộ chập chờn. Camera analog cũ không đủ độ phân giải để nhận diện khuôn mặt hay hành vi chi tiết, nhưng lại đủ để nhận diện hình dạng và chuyển động. Chúng tôi quyết định không thay thế toàn bộ hệ thống camera hiện có, mà tích hợp một lớp xử lý AI vào đầu cuối. Điều này giảm thiểu chi phí đầu tư ban đầu, nhưng đòi hỏi thuật toán phải đủ mạnh để xử lý dữ liệu từ nhiều nguồn khác nhau.

Góc nhìn camera cũng là một thách thức lớn. Nếu đặt cao, hình ảnh bị méo và khó xác định vị trí chân của người để đếm chính xác. Nếu đặt thấp, dễ bị che khuất bởi vật trang trí hay quầy thanh toán. Chúng tôi đã phải di chuyển từng chiếc camera, thử nghiệm hàng chục vị trí khác nhau cho mỗi cửa hàng. Có những lúc, chỉ cần lệch đi 5 độ, độ chính xác lại giảm đi đáng kể. Đây là phần việc nhàm chán nhất, nhưng lại quan trọng nhất. Phần cứng không hoàn hảo, và AI không phải phép màu để sửa chữa mọi sai sót trong lắp đặt.

Quy trình triển khai từ một điểm đến toàn bộ chuỗi

Chúng tôi bắt đầu với một chi nhánh mẫu tại trung tâm thành phố. Mục tiêu không phải là có ngay con số tuyệt đối, mà là xây dựng được quy trình làm việc ổn định. Camera AI được kết nối với nền tảng xử lý đám mây, nhưng dữ liệu thô vẫn được giữ tại máy chủ cục bộ để đảm bảo quyền riêng tư. Hệ thống sẽ nhận diện một người khi họ vượt qua một đường biên giới ảo (virtual line) mà chúng tôi đã vẽ trong phần mềm. Mỗi lần vượt qua, một sự kiện (event) được tạo ra. Nếu người đó ở lại trong khu vực bán hàng hơn 30 giây, họ được tính là khách tiềm năng. Nếu họ đi qua khu vực thanh toán, họ được tính là khách mua hàng.

Sau ba tuần chạy thử, chúng tôi phát hiện ra một vấn đề nhỏ nhưng gây sai lệch lớn: trẻ em đi cùng bố mẹ thường bị tính chung với người lớn do kích thước nhỏ hơn. Chúng tôi điều chỉnh ngưỡng kích thước khung hình bounding box để tách biệt các trường hợp này. Đây là một ví dụ điển hình của việc tinh chỉnh mô hình dựa trên dữ liệu thực tế, chứ không phải dựa trên lý thuyết.

Khi chi nhánh mẫu ổn định, chúng tôi mở rộng ra toàn bộ chuỗi. Việc này không đơn giản chỉ là nhân bản cấu hình. Mỗi cửa hàng có layout khác nhau, ánh sáng khác nhau, và lưu lượng khác nhau. Chúng tôi cần một đội ngũ triển khai đủ kinh nghiệm để điều chỉnh thông số cho từng địa điểm. Quá trình này mất thời gian hơn dự kiến, nhưng đổi lại, độ tin cậy của dữ liệu tăng lên rõ rệt. Khách hàng bắt đầu tin vào các báo cáo hàng ngày thay vì chỉ chờ đến cuối tháng.

Cái đo được và điều sẽ làm khác đi

Sau sáu tháng, điều thay đổi lớn nhất không phải là con số lưu lượng tăng hay giảm, mà là cách ra quyết định. Quản lý chi nhánh không còn dựa vào cảm tính để sắp xếp ca trực. Họ nhìn thấy rõ rằng khung giờ 11h đến 12h có lưu lượng cao nhưng tỉ lệ chuyển đổi thấp, trong khi khung giờ 16h có lưu lượng thấp hơn nhưng chuyển đổi cao. Điều này dẫn đến việc điều chỉnh nhân sự và khuyến mãi theo giờ, một thứ mà trước đây gần như không thể thực hiện được.

Độ chính xác của hệ thống AI Camera dao động tùy theo điều kiện môi trường, nhưng ở mức trung bình, nó đủ tốt để phục vụ cho các quyết định vận hành. Không có công nghệ nào đạt 100% trong môi trường bán lẻ động như vậy. Điều quan trọng là chúng ta hiểu được sai số đó đến từ đâu và chấp nhận nó như một phần của quy trình. AIVISION đã đồng hành cùng nhiều doanh nghiệp trong giai đoạn này, từ các nhà máy sản xuất đến chuỗi bán lẻ, và bài học rút ra là giống nhau: công nghệ chỉ hiệu quả khi nó được nhúng vào quy trình làm việc hàng ngày, chứ không phải treo trên tường để xem.

Nếu làm lại từ đầu, chúng tôi sẽ dành nhiều thời gian hơn cho việc chuẩn bị dữ liệu lịch sử trước khi triển khai. Việc so sánh dữ liệu mới từ AI Camera với dữ liệu cũ (dù không chính xác) giúp xác định các bất thường nhanh hơn. Chúng tôi cũng sẽ đào tạo sâu hơn cho nhân viên vận hành về cách đọc các chỉ số từ camera AI, thay vì chỉ giao cho họ một con số tổng. Hiểu được bối cảnh đằng sau con số quan trọng hơn chính con số đó.

Bạn đang đo lường hiệu quả kinh doanh dựa trên cảm tính hay dữ liệu thực tế? Nếu câu trả lời là cảm tính, có lẽ đã đến lúc xem xét lại cách bạn thu thập thông tin từ những điểm chạm quan trọng nhất với khách hàng của mình.

Nếu doanh nghiệp bạn đang cần công cụ AI Office dùng miễn phí, chạy được cả onpremise, hãy thử Vtraks hoặc nói chuyện với AIVISION để được tư vấn triển khai.