Visual InStore Customer Analytics and Recommendations
Hintergrund
Problemstellung
Der Einzelhandel hat bislang in diesem Bereich klare Nachteile gegenüber dem Online-Handel, wo die digitale „Spur“ eines Kunden einfach nachvollzogen werden kann. Ein weiterer Nachteil des stationären Handels gegenüber Online Stores ist das Problem des Ladendiebstahls. Laut einer Studie des EHI Retail Instituts entsteht dem stationären Handel dadurch ein Verlust von 1,0 % des Umsatzes mit steigender Tendenz. Daher ist es für Geschäfte von zentraler Bedeutung, Diebstähle rechtzeitig und dennoch kostengünstig zu entdecken und zu vermeiden. Auch hier können Kundenpfade helfen, indem typische Bewegungsmuster von Ladendieben erfasst werden und so das Personal rechtzeitig alarmiert werden kann. Auch könnten Anomalien von Bewegungspfaden im Vergleich zu denen normaler Einkäufer eine gezielte Beobachtung der jeweiligen Person nach sich ziehen, um darüber auch potenzielle Bedarfe abzuleiten, die an Mitarbeiter kommuniziert werden.
Zielsetzung
Dem Einzelhandel sollen exakte Informationen über Besucherströme/Auslastung/etc. zur Verfügung gestellt werden; sowohl historischer Art als auch in Form einer aktuellen Momentaufnahme. Kunden auf der Suche nach bestimmten Produkten sollen identifiziert und freie Kaufhausmitarbeiter zur Beratung und persönlichen Hilfe zum Kunden gesendet werden. Basierend auf den Kundenwegen und der Warenverteilung, sollen personalisierte Werbung und individuelle Produktvorschläge an einzelne Kunden übermittelt werden. Bewegungsmuster potentieller Ladendiebe sollen erkannt und gegebenenfalls das Sicherheitspersonal informiert werden.





Lösungsansatz
Dazu werden spezielle Detektionsalgorithmen genutzt, bei denen ein Modell der Hintergrundpixel vom Videoframe subtrahiert wird und so Objekte im Vordergrund erkannt werden. Hierbei ist die dynamische Adaption der Hintergrundbilder essentiell, da es sich im Einzelhandel aufgrund der schnellen Umgebungsveränderung durch das Verkaufen von Produkten, um eine hochagile Umgebung handelt.
Die so ermittelten Wegpfade werden in einer zentralen Datenbank gespeichert und mit weiteren Informationen wie der Bereichsstrukturierung und Produktverteilung im Warenhaus verknüpft. Anhand dieser Datenbasis werden, basierend auf Deep Learning Verfahren und selbstlernenden Algorithmen, Prognosemodelle erstellt, welche Bewegungsmuster der Kunden aufweisen, und diese gemäß verschiedener innovativer Verfahren gruppiert. Zusätzlich werden Methoden des unsupervised learning genutzt, um Korrelationen und Muster in den Daten zu ermitteln. So werden Algorithmen zur Erkennung von Anomalien in Prozessen trainiert, um auffällige Bewegungsmuster vorherzusagen. Die Algorithmen und Methoden werden so entwickelt, dass sich die Prognosemodelle auf permanent einlaufende, neue Daten und Veränderungen eigenständig anpassen. So kann eine automatisierte Verwertung der Daten ohne aufwendige (Neu-) Konfiguration gewährleistet werden.