Практическая значимость ИИ для обслуживания клиентов в сфере розничной торговле
Ученые из Квинслендского технологического университета (QUT) в составе международной исследовательской группы предложили создать дизайн планировки магазина розничной торговли используя искусственный интеллект. Таким образом, менеджеры магазинов смогут использовать последние достижения в области технологий искусственного интеллекта, а также компьютерного зрения и глубокого обучения для мониторинга и анализа поведения своих клиентов во время шопинга.
Эффективная планировка магазина помогает привлечь внимание покупателей к продуктам, которые они не планировали изначально покупать, увеличить время пребывания в магазине и облегчить поиск альтернативных или связанных товаров. Восприятие настроения клиентов при поиске желаемых продуктов является ценным инструментом для маркетологов и менеджеров, который обеспечивает лучшее понимание реакции покупателей на продаваемые товары.
Вместе с распознаванием эмоций с помощью мимики и выразительности лиц покупателей, мерчендайзеры также могут использовать аналитику тепловой карты, отслеживание траектории передвижения и методы распознавания действий клиентов, чтобы принимать взвешенные решения на основе детальной информации. Все эти показатели можно оценить непосредственно по видео в магазине, что позволяет лучше понимать поведения клиентов без использования их персональной информации.
Профессор Клинтон Фукс отметил, что команда предложила структуру Sense-Think-Act-Learn (STAL) для розничных торговцев, которая предусматривает: «Первый этап – Sense предполагает сбор необработанных данных, например, с камер видеонаблюдения магазина, для их дальнейшей обработки и анализа. Менеджеры магазинов обычно выполняют наблюдение самостоятельно, однако новые подходы позволяют нам автоматизировать этот аспект измерения и выполнять его по всему магазину.
Второй этап – Think обрабатывает сведения, собранные с помощью усовершенствованного искусственного интеллекта, анализа данных и методов машинного обучения, так же, как мозг человека обрабатывает входную информацию.
Третий этап – Act состоит в том, чтобы использовать знания и идеи со второго этапа для улучшения и оптимизации планировки супермаркета. В конце концов, процесс работает как непрерывный цикл обучения - Learn».
По словам профессора Фукса: «Преимуществом этой системы является то, что она позволяет розничным торговцам оценивать прогнозируемую эффективность дизайна магазина, например, по таким показателям, как поток посетителей, поведение покупателей внутри магазина или популярность размещенных в разных частях магазина витрин».
Команда QuData пришла к схожим выводам о необходимости анализа поведения потребителей при анализе поведения игроков мобильных и компьютерных игр. Постоянный мониторинг вовлеченности игрока в игровой процесс является неотъемлемой частью процесса разработки игр.
Для анализа игровых процессов Qudata практически с нуля разработала комплексную систему отслеживания ключевых показателей (KPI). Система позволяет настраивать для отдельных продуктов набор отчетов, по которым можно оценивать текущее состояние проекта и предсказывать поведение игроков, используя сегментацию, анализ переходов, воронку входа, A/B-тестирование, анализ потребительской корзины и т.д.
Read more information about game user behavior analysis by QuData здесь