Channel
@shelfmatch
On this record: Growth · Engagement · Reactions · Posts · Cite this entry
21subscribers
-1 since we began measuring on 7 August 2026
Risers and fallers across the register · movement among entries of Under 1,000.
| Telegram ID | -1002260629780 |
|---|---|
| Type | Channel |
| Username | @shelfmatch |
| Created | Between 1 September 2024 and 31 March 2025— estimated from Telegram’s id allocation, not measured. How this range is calculated. |
| First recorded | 11 August 2026 |
| Last confirmed live | 29 August 2026 |
| Measurements held | 3 |
| Confirmed unchanged | 2 times, most recently 29 August 2026 |
| On Telegram | t.me/shelfmatch |
| Measured (UTC) | Subscribers | Change |
|---|---|---|
| 22 Aug 2026, 01:43 | 21 | -1 |
| 11 Aug 2026, 13:04 | 22 | no change |
| 7 Aug 2026, 23:29 | 22 | first reading |
20 posts held, back to 13 February 2026 — the reader has not yet reached the start of this channel’s public history, so older posts may sit further back, unread. Read across 1 pageof Telegram’s post history, 20 posts per page.
ERR is average views per post over the last 30 days divided by subscribers, the definition TGStat uses, so this figure is comparable with the one you will see elsewhere. It falls structurally as a channel grows: a high ERR on a small channel and a low one on a large channel describe reach mathematics, not quality. We publish the figure and the sample it came from and pass no verdict on it.
ER is defined industry-wide as (forwards + reactions + comments) ÷ views— note the denominator is views, not subscribers. Telegram’s public web preview carries views and reactions but not forward or comment counts, so the reaction rate above is the reactions term only and is therefore a floor: the true ER for this channel is higher by an amount we have not measured and will not estimate.
| Window | Rolling 30 days · latest post in window 3 August 2026 |
|---|---|
| Posts held | 20 (13 February 2026 – 3 August 2026) |
| Views total | 7 |
| Reactions total | 1 |
| Forwards / comments | not exposed by the public surface — not measured, not estimated |
| Readings taken | 11 Aug 2026, 13:04 UTC |
Views are a single reading per post, taken at the time above. A post published in the last day or two is still accumulating views, which pulls the 30-day average down slightly. That is a property of the standard definition rather than a fault in it, so we keep the definition rather than “correcting” the number into something nobody can reproduce.
Precision. Telegram publishes view counts on its public widget in short form — 8.12K, 3.7M — so any reading at or above 1,000 reaches us rounded to three significant figures, and only counts below 1,000 are exact. Averages and rates derived from them are shown to the same precision rather than to the unit: a figure like 3,701,250 would assert digits nobody measured.
Reaction counts are published per emoji and rounded the same way, so a total below 1,000 is exact and a larger one is a sum that may carry a rounded component from each emoji above 1,000. Because it is a sum, it does not look rounded — read a large reaction total as three significant figures per contributing emoji rather than as the figure it prints.
61 reactions across 20 posts, in 11 distinct kinds. The most used accounts for 70.5% of them.
| Reaction | Count | Share | Share, drawn |
|---|---|---|---|
| 👍 | 43 | 70.5% | |
| ❤ | 5 | 8.20% | |
| ⚡ | 2 | 3.28% | |
| 🏆 | 2 | 3.28% | |
| 🔥 | 2 | 3.28% | |
| 😁 | 2 | 3.28% | |
| ❤🔥 | 1 | 1.64% | |
| 🆒 | 1 | 1.64% | |
| 👀 | 1 | 1.64% | |
| 🤓 | 1 | 1.64% | |
| 🥰 | 1 | 1.64% |
No sentiment is inferred, and none should be read in. This table is ordered by count and by nothing else. Emoji do not carry stable meaning across languages or communities — 🙏 is thanks in one channel and mourning in another — so we publish which ones were pressed and how often, and pass no judgement on what an audience meant by them.
Precision. Telegram publishes reaction counts per emoji and short-forms each one — 4.34K, 1.2M — so any single kind at or above 1,000 reaches us at three significant figures, and only counts below 1,000 are exact. The shares above are ratios of those figures and carry the same error. This is also why the total here can differ slightly from a reaction total printed elsewhere on the page: both are sums of the same rounded parts, taken over samples with different edges.
Coverage. Reactions were read on 20 of the 20 sampled posts in this sample. Summed by Telegram’s own count on each post — not by adding up the per-emoji breakdown above — those same posts carry 61reactions in total: the kind of figure the paragraph above means by “a reaction total printed elsewhere on the page”.
Measured over the 20 most recent posts we hold, published 13 February 2026 to 3 August 2026, using the newest reading held for each. Telegram Stars are excluded: they are a payment, not a reaction, and they have their own section.
Недавно мы столкнулись с интересным кейсом при внедрении системы распознавания товаров на полке. Наша команда подошла к задаче с технической точки зрения: площадь полки - это пространство, на котором размещен товар. Все, что находится в границах этой зоны и не является продукцией, мы считаем артефактом, шумом, который не должен влиять на подсчет. Клиент посмотрел на это иначе. На одном из тестовых снимков в кадр по…
😁1
Классификация отзывов: как выделить главное и не утонуть в потоке Крупные компании ежедневно получают сотни обращений: письменные жалобы, устные комментарии в соцсетях, отзывы на маркетплейсах, голосовые сообщения, оценки в приложениях. Весь этот массив данных содержит ценную информацию. Но извлекать ее вручную трудозатратно и неэффективно. Задача: систематизировать поток, отделить позитив от негатива и дать возм…
👍3
Распознавание на устройстве как инструмент повышения KPI в региональных торговых точках В центральных офисах выполнение планового аудита, как правило, не вызывает затруднений: сотрудники обеспечены стабильным интернет-соединением, система контроля работает штатно, отчетность поступает в срок. В регионах ситуация иная: - высокая текучка полевых сотрудников; - очень часто отсутствие регулярного полевого аудита; - еще…
👍2👀1
Распознавание на устройстве: когда интернет подводит, а полка - нет Мы привыкли, что AI - это про серверы, облака и гигабайты данных. Но что делать, если мерчандайзер в условном магазине у дома остается вообще без интернета, а KPI нужно выполнять здесь и сейчас? В ShelfMatch мы реализовали сценарий распознавания на устройстве. Как это работает. Сотрудник делает фото стеллажа - и прямо в телефоне, без отправки на се…
👍2
Качественные данные - новая основа конкуренции В середине 2026 года уже смело можно говорить, что для FMCG-компаний аналитика перестала быть просто отчётностью. Теперь она влияет на продажи, запасы, прогнозы и переговоры с сетями. Данные есть почти у всех. Вопрос в скорости: кто быстрее превращает их в действия. Если продажи упали, важно понять причину: товар не доехал, не выложили на полку или промо не сработало…
👍3
Может ли нейросеть прочитать текст (водяной знак) на фото? Короткий ответ: да, и без всяких «но». Современные сервисы распознавания легко справляются с текстом/цифрами на упаковке, ценнике и даже с мелкими надписями, которые сложно разобрать. Но сейчас речь не только о названии товара или цене. Сервис Shelfmatch, например, часто использует эту возможность для другого: чтобы определить, где именно сделан снимок. Во…
👍3
Распознаем товары везде, где они есть В розничной точке товар может находиться не только на обычном стеллаже. Распознавание Shelfmatch работает на любых типах торгового оборудования. Вот где сервис одинаково точно фиксирует выкладку, долю полки и другие KPI: 🔹 Стеллажи - основное пространство магазина 🔹 Холодильники - закрытые и открытые, с дверцами и без 🔹 Холодильные лари - мороженое, напитки, полуфабрикаты, замо…
👍2🆒1
«А можно попробовать бесплатно?» - что ещё спрашивают перед внедрением сервиса распознавания. Топ-5 вопросов с ответами Решение о внедрении нового функционала всегда непростое. Прежде чем перейти к делу, команда Shelfmatch отвечает на сотни вопросов. Но есть несколько, которые повторяются из раза в раз. И вот они: 1. Нам нужен сервер для хранения данных? Нет. Данные хранятся на стороне Shelfmatch в течение 3 меся…
👍2❤🔥1
Одна фотография vs отчёт через 2 дня. В чём разница для выручки? Ну , если коротко, то в деньгах. Представьте стандартный гипермаркет. Субботний вечер. Или пятничный – неважно. На полке с йогуртами (шампунями, шоколадками) - свободное место. Самого ходового SKU нет уже второй день. Покупатель уходит с «Лучиком» вместо вашего «Солнышка». В понедельник утром приходит отчёт мерчандайзера, подтверждающий out-of-stoc…
👍3
Как внедрение системы распознавания товаров влияет на продажи Сервис распознавания полок Shelfmatch на рынке уже почти 10 лет, так что можно подвести некоторые итоги 1. Рост продаж за счёт повышения качества выкладки Покупатель отдаёт предпочтение товарам, в качестве и доступности которых он уверен. Стабильное присутствие продукта на полке укрепляет лояльность. Система распознавания обеспечивает мониторинг выкладк…
👍3
Что важнее для распознавания товаров: качество фото или или количество разметок? Довольно частый вопрос, который задают нам клиенты, уставшие бороться с мерчандайзерами за качество фото🙈 Давайте разберемся, что же реально дает точность распознавания товаров на полке? 1. Качество фото - важно, но оно не главное Да, хорошее разрешение, контраст, отсутствие бликов помогают модели видеть: • этикетку • размер • тов…
👍2❤1
Цены товаров-конкурентов Очень важно следить за своими товарами: выкладка, ценники, акционность, присутствие на полке. Но не менее важно регулярно проводить аудит ценников брендов-конкурентов. Даже если ваш бренд – известный и с огромным бюджетом на маркетинг, а конкуренты – обычные бренды с похожими товарами. По данным Nielsen, покупатель в 68% случаев выбирает более дешевый аналог, если разница заметна глазу. А…
👍3
Showing the 12 most recent of 20 posts we hold for @shelfmatch. View and reaction counts are the latest single reading for each post, not a live figure, and a recent post is still accumulating both. A view count marked ≈ was rounded by Telegram before we ever saw it — t.me prints views in full below 1,000 and to three significant figures above, so ≈1,200,000 means somewhere between 1,150,000 and 1,249,999. Unmarked counts are exact. Text is reproduced from the public post preview and truncated for length.
A live page changes as we take new readings, so a citation should name the measurement it is based on, not just the URL. The line below cites the subscriber count as measured 22 August 2026 — this entry's latest reading, not the date you are reading this.
“Shelfmatch Распознавание товаров” (@shelfmatch), 21 subscribers as measured 22 August 2026. Telegram Register, tgregister.com/channel/shelfmatch.
Full measurement history, CC BY 4.0. Every reading this register holds for this entry, not just the latest one, as a dated, downloadable record: CSV · JSON. Free to use with attribution to tgregister.com. Each file carries its own generation timestamp, which is the figure to cite for exactly when the data was retrieved.