....Prévention des pertes dans le commerce de détail — l’être humain par rapport à la reconnaissance faciale par l’IA..Retail Loss Prevention - Human vs. Face Recognition....

 

....

Prévention des pertes dans le commerce de détail — l’être humain par rapport à la reconnaissance faciale par l’IA ..Retail Loss Prevention - Human vs. Face Recognition.... ....

Les techniques de prévention du vol dans les commerces de détail sont inefficaces et très onéreuses.

En 2017, ces pertes représentaient 1,44 % des ventes au détail, soit près de 50 milliards de dollars1. Ces coûts sont donc assumés par le détaillant et par vous.

Les stratégies de prévention des pertes des détaillants ne sont pas efficaces. Pour chaque dollar de perte évitée par les détaillants, 11 dollars ne sont jamais récupérés¹.

Et les enjeux sont en hausse : le montant moyen des vols dans les commerces de détail s’élevait à 800 $ en 2016, soit plus du double de l’année précédente¹.

Pourquoi la prévention des pertes dans le commerce de détail ne fonctionne-t-elle pas?

La plupart des stratégies de prévention des pertes des détaillants font appel à des agents de sécurité et à une surveillance vidéo.

Les gardes sont à l’affût d’individus connus sur la liste de surveillance BOLO. Les flux de caméra sont examinés par des gardes, ou des sociétés de surveillance centralisée, dans l’espoir d’identifier les récidivistes avant qu’ils ne volent à nouveau.

Avec des caméras apparemment partout et des yeux entraînés qui les surveillent, comment se fait-il que cette approche de prévention des pertes dans le commerce de détail échoue 9 fois sur 10?

La raison? L’être humain est tout simplement… humain.

Les gardes de sécurité ont leurs limites. Se rappeler les visages de voleurs à l’étalage récidivistes n’est pas chose facile. Il est encore plus difficile de les reconnaître quand ils visitent le magasin.

Une chaîne de boutiques de taille moyenne avec laquelle nous travaillons possède une liste BOLO de plus de 500 voleurs connus. Ils affichent leurs photos dans la salle de pause, en espérant que les gardes les examineront et s’en souviendront.

Quelles sont les chances qu’ils les reconnaîtront en temps opportun?

Très faibles. Voici comment l’être humain influe sur les efforts de prévention des pertes dans le commerce de détail :

  • l’être humain peut se souvenir, en moyenne, de 148 individus²;

  • l’être humain peut reconnaître 20 % des visages qu’il a déjà vus³;

  • après 20 minutes de visionnage vidéo, sa capacité de reconnaître diminue de 95 % ⁴.

Dans l’exemple d’un agent de sécurité dans un commerce de détail à l’affût de 500 individus, il ne reconnaîtra qu’environ 20 % des 148 personnes dont il peut se souvenir (soit 30 personnes). Taux de reconnaissance : 6 %.

Les agents qui surveillent les flux vidéo font encore pire, car leur acuité visuelle chute rapidement avec la fatigue. Dans notre exemple, en moyenne, l’agent qui surveille les flux vidéo n’identifierait que deux personnes sur 500 dans la liste BOLO. Taux de reconnaissance : 0,5 %.

Il est toutefois possible d’accroître ce taux :

  • en utilisant plus de personnel de sécurité;

  • en embauchant un super-identificateur : 1 à 2 % de la population peut reconnaître jusqu’à 80 % des visages dont ils se souviennent.

Les détaillants font de leur mieux pour embaucher des gardes dotés d’une bonne acuité visuelle, mais il n’y a apparemment pas suffisamment de super-identificateurs pour combler tous les besoins quand seulement 1 dollar sur 12 perdus est récupéré (8,3 %).

Comme environ la moitié des personnes identifiées sont interceptées avant de quitter le magasin⁵, les taux de reconnaissance BOLO varient, en pratique, entre 15 et 20 %.

De toute évidence, la prévention des pertes dans le commerce de détail peut encore être améliorée. La reconnaissance faciale par l’intelligence artificielle (IA) peut-elle aider?

L’être humain par rapport à la reconnaissance faciale par l’IA

Dans de vrais scénarios de vente au détail avec des sujets non coopératifs, la précision de la reconnaissance faciale varie entre 80 % et 98 % ⁶, par rapport à la capacité de l’humain à reconnaître entre 15 et 20 % de la liste de surveillance.

La reconnaissance faciale surmonte de multiples limitations humaines :

  • elle peut « se rappeler » un nombre illimité d’individus;

  • elle ne se fatigue jamais : sa précision ne se détériore pas au fil du temps ou avec plusieurs flux vidéo;

  • elle reconnaît au moins 4 fois plus d’individus que l’être humain ne le peut;

  • elle reconnaît immédiatement, ce qui laisse plus de temps pour prévenir les pertes.

Un détaillant local avec lequel nous travaillons appréhende près de 3 000 personnes par année, dans plus de dix lieux différents, soit à peu près une arrestation par jour, par endroit.

Cela équivaut à une récupération des pertes de 800 $/vol x 3 000 événements = 2,4 millions de dollars.

Les récidivistes (BOLO) représentent 46% des vols dans le commerce de détail - 1,1 million de dollars dans ce cas.

Imaginez les économies s’il pouvait identifier quatre fois plus de suspects ! Il pourrait récupérer jusqu’à 3.3 millions de dollars supplémentaires. ..

Retail theft prevention techniques are ineffective, and it’s costing us lots of money.

Loss accounted for 1.44% of retail sales in 2017 – nearly $50 billion¹. This cost is paid by the retailer, and you.

Retailers’ loss prevention strategies aren’t effective. For every 1$ of loss retailers prevent, $11 are never recovered.¹

And stakes are rising – the average retail theft was $800 in 2016, more than double the year before.¹

Why Retail Loss Prevention Doesn’t Work

Most retails’ loss prevention strategies employ security guards and video surveillance.

Guards are on the lookout for known individuals on the BOLO watchlist. Camera feeds are reviewed by guards or centralized monitoring companies, hoping to identify repeat offenders before they steal again.

With cameras seemingly everywhere, and trained eyes scanning them, why does this approach to retail loss prevention fail 9 times out of 10?

Reason: Humans are… Human

Guards have their limits. Remembering the faces of repeat shoplifters isn’t easy. Recognizing them when they visit the store is even harder.

A mid-sized retail chain we work with has a BOLO list of over 500 known thieves. They post their pictures in the break room, hoping guards will review and remember them.

What’s the chance they’ll recognize them when it matters?

Very poor. Here’s how being human impacts retail loss prevention efforts:

  • Humans can remember, on average, 148 individuals;²

  • Humans can recognize 20% of the faces they’ve seen;³

  • After 20 minutes of video review, the ability to recognize drops by 95%.⁴

In the example of a retail security guard on the lookout for 500 individuals, they will recognize about 20 percent of the 148 individuals they can remember (30 people). Recognition rate: 6%.

Guards monitoring video feeds do even worse, as their visual acuity drops quickly with fatigue. In our example, the average guard monitoring video surveillance would identify two out of the BOLO 500. Recognition rate: 0.5%.

Recognition is improved if:

  • You have more security personnel;

  • You can hire a super-recognizer – the 1-2% of the population that can recognize up to 80% of faces they remember.

Retailers do their best to hire guards with good visual acuity, but there apparently not enough super-recognizers to go around, when only $1 in $12 lost is recovered (8.3%).

As about half of identified individuals are intercepted before leaving the store⁵, BOLO recognition rates range between 15-20%, in practice.

Clearly, retail loss prevention has room for improvement. Can artificial-intelligence (AI) -based face recognition help?

Human vs. AI Face Recognition

In real-world retail scenarios with non-cooperative subjects, face recognition accuracy varies between 80% to 98%⁶, vs. humans ability to recognize between 15-20% on the watchlist.

Face recognition overcomes multiple human limitations, as it:

  • Can ‘remember’ any number of individuals;

  • Never tires: accuracy doesn’t deteriorate over time, or with multiple video feeds;

  • Recognizes at least 4 times more individuals than humans can;

  • Recognizes immediately, providing more time to prevent retail loss.

One local retailer we work with arrests nearly 3,000 individuals per year, over 10 locations, roughly equivalent to one arrest per day, per location.

This amounts to loss recovery of $800 / theft x 3,000 occurrences = $2.4 million.

Repeat offenders (BOLO) account for 46% of retail thefts⁷ - $1.1 million in this case.

Imagine the savings if they could detect four times as many suspects? Up to an additional $3.3 million could be recovered. ....

 
[french]
[english]
 

....

Des gardes surhumains

La reconnaissance faciale donne un franc coup de pouce aux stratégies de prévention du vol chez les détaillants, mais les gardes sont toujours essentiels. À lui seul, le logiciel ne peut décider de la meilleure façon de prévenir les pertes ni d’intercepter les voleurs — mais il peut augmenter considérablement la capacité de savoir quand intervenir.

En combinant l’exceptionnelle reconnaissance faciale offerte par l’IA à des gardes agiles, toute l’équipe de sécurité est transformée en super-identificateurs.

Les détaillants bénéficiant de ce niveau de réception peuvent être significativement plus efficaces dans la réduction de leurs pertes et l’augmentation de leurs résultats.

Vous pouvez facilement ajouter la reconnaissance faciale basée sur l’IA à votre infrastructure de surveillance vidéo, et ce, de manière rentable. Pour SAVOIR COMMENT, regardez cette vidéo. ..

Super-Human Guards

Face recognition offers a clear boost to retail theft preventions strategies, but guards are still critical. Software alone doesn’t decide how to best deter loss, or intercept thieves – but it can dramatically increase the ability to know when to act.

By combining the exceptional face recognition offered by AI with agile guards, their entire security team are effectively transformed into super-recognizers

Retailers with this level of reception can be significantly more effective in reducing their losses, and boosting their bottom line.

You can easily add AI-powered face recognition to your existing video surveillance infrastructure, cost effectively. Watch this video to LEARN HOW. ....

 
 

References

....

(1) 2017 National Retail Security Survey (NRSS), (2) Social Network Size in Humans, Dunbar et Hill, 2002, (3) How Many Faces can a Human Remember? Ron Kolinie, 2018, (4) Automatic Surveillance and CCTV Operator Workload,. N Dadashi, 2008, (5) Statistiques Nuvoola basées sur les données partagées par les détaillants, (6) NIST Interagency Report 8173 Face In Video Evaluation (FIVE) Face Recognition of Non-Cooperative Subjects, 2017

..

(1) 2017 National Retail Security Survey (NRSS), (2) Social Network Size in Humans, Dunbar and Hill, 2002, (3) How Many Faces can a Human Remember? Ron Kolinie, 2018, (4) Automatic Surveillance and CCTV Operator Workload, .N Dadashi, 2008, (5) Nuvoola statistics based on data shared by retailers, (6) NIST Interagency Report 8173: Face In Video Evaluation (FIVE) Face Recognition of Non-Cooperative Subjects, 2017.

....



 
FR
EN