В исследовании, опубликованном в Обзор искусственного интеллекта Команда предлагает платформу для разработки макетов магазинов на базе искусственного интеллекта, позволяющую розничным торговцам наилучшим образом использовать последние достижения в области технологий искусственного интеллекта и его подразделов в области компьютерного зрения и глубокого обучения для мониторинга физического поведения своих покупателей при совершении покупок.

Любой покупатель, который покупал молоко в самом дальнем углу магазина, хорошо знает, что эффективная планировка магазина позволяет как привлечь внимание покупателей к товарам, которые они не собирались покупать, так и увеличить время просмотра и легко найти похожие или жизнеспособные альтернативные продукты, сгруппированные вместе.

Было показано, что хорошо продуманная планировка положительно коррелирует с увеличением продаж и удовлетворенностью клиентов. Это одна из самых эффективных маркетинговых тактик в магазине, которая может напрямую влиять на решения покупателей, повышая прибыльность.

Исследователи QUT доктор Кьен Нгуен и профессор Клинтон Фукс из Школы электротехники и робототехники и профессор Бретт Мартин, Бизнес-школа QUT объединилась с исследователями доктором Мин Ле из Экономического университета Хошимина, Вьетнам, и профессором Ибрагимом Силом из Университета Сакарья, Сердиван, Турция, чтобы провести всесторонний обзор существующих подходов к дизайну макетов магазинов.

Доктор Нгуен говорит, что улучшение дизайна макета супермаркета - за счет понимания и прогнозирования - является жизненно важной тактикой для повышения удовлетворенности клиентов и увеличения продаж.

"Самое главное, что в этом документе предлагается всеобъемлющая и новаторская основа для применения новых методов искусственного интеллекта поверх существующих данных камер видеонаблюдения, чтобы интерпретировать и лучше понимать покупателей и их поведение в магазине", - сказал доктор Нгуен.

"Система видеонаблюдения позволяет получить представление о том, как покупатели перемещаются по магазину; какой маршрут они выбирают и где они проводят больше времени. Это исследование предлагает углубиться дальше, отметив, что люди выражают эмоции с помощью заметных выражений лица, таких как поднятие брови, открытие глаз или улыбка."

Понимание эмоций клиентов при просмотре может предоставить маркетологам и менеджерам ценный инструмент для понимания реакции клиентов на продукты, которые они продают.

"Алгоритмы распознавания эмоций работают с использованием методов компьютерного зрения для определения местоположения лица и определения ключевых ориентиров на лице, таких как уголки бровей, кончик носа и уголки рта", - сказал доктор Нгуен.

"Понимание поведения клиентов - это конечная цель бизнес-аналитики. Очевидные действия, такие как сбор продуктов, помещение продуктов в тележку и возврат продуктов обратно на полку, вызвали большой интерес у умных ритейлеров.

"Другие формы поведения, такие как пристальный взгляд на продукт и чтение упаковки продукта, являются золотой жилой для маркетинга, позволяющей понять интерес покупателей к продукту", - сказал доктор Нгуен.

Наряду с пониманием эмоций по мимическим сигналам и характеристикам клиентов менеджеры по верстке могли бы использовать анализ тепловых карт, отслеживание траекторий движения людей и методы распознавания действий клиентов для обоснования своих решений. Этот тип знаний может быть оценен непосредственно из видео и может быть полезен для понимания поведения покупателей на уровне магазина, избегая при этом необходимости знать об индивидуальных особенностях.

Профессор Клинтон Фукс сказал, что команда предложила систему Sense-Think-Act-Learn (STAL) для розничных торговцев.

"Во-первых, "смысл" заключается в сборе необработанных данных, скажем, из видеозаписей с камер видеонаблюдения магазина, для обработки и анализа. Менеджеры магазинов обычно делают это своими глазами; однако новые подходы позволяют нам автоматизировать этот аспект восприятия и выполнять это по всему магазину", - сказал профессор Фукс.

"Во-вторых, "Думать" - это обрабатывать данные, собранные с помощью продвинутого искусственного интеллекта, анализа данных и методов глубокого машинного обучения, подобных тому, как люди используют свой мозг для обработки поступающих данных.

"В-третьих, "Действовать" - это использовать знания и инсайты, полученные на втором этапе, для улучшения и оптимизации макета супермаркета. Этот процесс работает как непрерывный цикл обучения.

"Преимущество этой структуры заключается в том, что она позволяет розничным торговцам оценивать прогнозы дизайна магазина, такие как поток трафика и поведение покупателей при входе в магазин, или популярность витрин, размещенных в разных зонах магазина", - сказал профессор Фукс.

"Такие магазины, как Woolworths и Coles, уже регулярно используют алгоритмы с поддержкой искусственного интеллекта, чтобы лучше обслуживать интересы и желания покупателей и предоставлять персонализированные рекомендации. Это особенно актуально в системе торговых точек и в рамках программ лояльности. Это просто еще один пример использования искусственного интеллекта для улучшения макетов и дизайна магазинов, основанных на данных, а также для лучшего понимания поведения покупателей в физических пространствах ".

Доктор Нгуен сказал, что данные могут быть отфильтрованы и очищены для улучшения качества и конфиденциальности, а также преобразованы в структурную форму. Поскольку конфиденциальность является ключевой заботой клиентов, данные могут быть деидентифицированы или анонимизированы, например, путем изучения клиентов на агрегированном уровне.

"Поскольку существует интенсивный поток данных с камер видеонаблюдения, облачную систему можно рассматривать как подходящий подход для анализа макета супермаркета при обработке и хранении видеоданных", - сказал он.

"Интеллектуальный видеоаналитический слой на этапе МЫШЛЕНИЯ играет ключевую роль в интерпретации содержания изображений и видео".

Доктор Нгуен сказал, что менеджеры по размещению могут учитывать переменные дизайна магазина (например, дизайн помещения, витрины в местах покупок, размещение товаров, размещение кассиров), сотрудников (например: количество, размещение) и клиентов (например: переполненность, продолжительность посещения, импульсные покупки, использование мебели, очередь ожидания формирование, восприимчивость к показам продукта).