Wydruk strony Dla Handlu - www.dlahandlu.pl

Polska firm stworzyła system, który ma rozładować kolejki w sklepie



pr, dlahandlu.pl - 1 sierpnia 2019 09:12


Polska firma Itmagination stworzyła system, który analizuje w czasie rzeczywistym ruch i kolejki w sklepie. Oparte o sztuczną inteligencję rozwiązanie przewiduje ruch w sklepie, pomaga w optymalizacji zatrudniania i efektywnego rozmieszczania towarów na półkach.

Długi czas oczekiwania w kolejce to jedno z większych źródeł irytacji konsumentów odwiedzających galerie handlowe, szczególnie w okresie wyprzedaży. Według badania Mastercard niemal połowa polskich konsumentów rezygnuje z zakupów, gdy widzi zbyt długą kolejkę do kasy. Zrozumienie, kiedy w sklepie jest godzina szczytu zakupowego, a kiedy przestój, jest niezbędne dla efektywnego planowania pracy i doboru personelu.

Firma Itmagination stworzyła koncepcję i wdrożyła prototypowo u jednego ze swoich klientów system pozwalający prognozować na bazie danych ruch w sklepie i w czasie rzeczywistym wykrywać oraz informować, gdy w najbliższym czasie taka kolejka może się utworzyć.

– Celem biznesowym produktu, który stworzyliśmy, jest wsparcie sklepu od strony operacyjnej oraz poprawa odczucia konsumentów poprzez niwelowanie kolejek. Wykorzystywane w nim algorytmy oparte o sztuczną inteligencję analizują dane w czasie rzeczywistym, kiedy i dlaczego tworzą się kolejki i jak rozkłada się ruch w sklepie. Dodatkowo możemy również sprawdzić efektywność rozmieszczania towarów na poszczególnych półkach, a w dłuższej perspektywie eliminować negatywne odczucia związane z doświadczeniem robienia zakupów w danym punkcie – mówi Łukasz Dylewski, Data Science Team Manager w Itmagination.

Stworzony przez firmę system pozwala na optymalizację obsługi klienta poprzez zmniejszenie czasu oczekiwania klientów na obsługę do minimum, niezależnie od tego, czy chodzi o sklep spożywczy, odzieżowy czy restaurację. System informuje właścicieli i kierowników sklepu, kiedy tworzą się kolejki, zbiera i analizuje dane, a także natychmiast powiadamia o możliwości powstania kolejki. Dzięki otrzymywanym w czasie rzeczywistym powiadomieniom push, SMS-om i mailom, kierownik sklepu wie, kiedy należy otworzyć kolejną kasę, zanim pojawi się kolejka.

System rozpoznawania kolejek analizuje nie tylko stan w danym momencie, ale również dane historyczne, co umożliwia mu przewidywanie ruchu w sklepie. Brane są pod uwagę trendy, ułożenie produktów, dzień tygodnia, godziny odwiedzania sklepu, nadchodzące święta i wydarzenia, dane regionalne i pogodowe. Tak szeroki wachlarz danych pozwala na prognozę i optymalizację obsługi również z dużym wyprzedzeniem.

– Dzięki rozpoznawaniu obrazu, analizie ułożenia produktu i przeprowadzanych transakcji jesteśmy w stanie zidentyfikować czynniki oraz konfiguracje, przy których ruch w sklepie jest największy. System podpowie nam, kiedy będziemy potrzebowali dodatkowych kas oraz pracowników i na ile godzin. Co więcej, stosowane algorytmy i analiza danych historycznych pomagają wykryć produkty i półki, które cieszą się największym zainteresowaniem klientów, a które są dla nich najmniej dostępne – wyjaśnia Łukasz Dylewski.

Na podstawie danych przechowywanych przez sklep oraz tych zbieranych w czasie rzeczywistym, system podpowiada, jakie produkty sprzyjają kupowaniu. Dzięki temu powstaje raport z wynikami i zaleceniami dla optymalizacji rozmieszczenia półek i towarów. Tym samym, system jest w stanie przygotować rekomendację najlepszej oferty (Next Best Offer) dopasowanej do realnych i aktualnych potrzeb klientów danego sklepu. To z kolei odpowiada na stale rosnące wymagania i oczekiwania konsumenta, a sklepom zapewnia zwiększenie efektywności i rentowności sprzedaży.

Do zbierania danych system rozpoznawania kolejek wykorzystuje istniejącą infrastrukturę sklepu, czyli kamery już zainstalowane na sali, historyczne dane sprzedażowe oraz cechy, zbierane w każdym systemie CRM. Algorytmy uczenia maszynowego w oparciu o sztuczną inteligencję zwyczajnie liczą „sylwetki” w zasięgu danej kamery, wykrywając poruszających się ludzi. Kolejki identyfikowane są natychmiast, a dzięki synchronizacji kamer w sklepie, kierownictwo otrzymuje dokładną liczbę kas potrzebnych w danym momencie do obsługi precyzyjnie przewidzianej liczby klientów.

– Z jednej strony wykorzystujemy konwolucyjne sieci neuronowe do rozpoznawania obrazu, z drugiej jednak określamy cechy dla pracy zmianowej, sklepu, ekspozycji czy produktów. Dzięki mechanizmowi odwzorowywania wartości w przestrzeni wielowymiarowej, tzw. embeddingu oraz łączeniu modeli (stacking) uwzględniamy zarówno dane ustrukturyzowane, jak i nieustrukturyzowane. Wykorzystanie skalowalnej infrastruktury przetwarzania danych streamingowych, w połączeniu z zaawansowaną analityką uwzględniającą deep learning i konwencjonalną klasyfikację, jest kluczem do budowania przewagi konkurencyjnej w obecnych czasach – podsumowuje ekspert Itmagination.