Di bagian pertama artikel, saya berbicara tentang alat bisnis baru untuk menghitung dan menganalisis lalu lintas manusia menggunakan kamera. Ada beberapa produk untuk menghitung orang di pasar, tetapi praktis tidak ada produk yang melakukan ini dengan menganalisis wajah manusia. Saat mengenali wajah, Anda bisa mendapatkan informasi berikut: jenis kelamin, usia, latar belakang emosional, dan, yang paling penting, pengidentifikasi unik untuk wajah. Yang terakhir ini diperlukan untuk memahami bahwa kita telah melihat wajah ini sebelumnya: kemudian, berkali-kali, dengan periodisitas ini dan itu, dll.
Analisis video ini sangat cocok digunakan di ritel, layanan, kafe, dan restoran. Sekarang Anda dapat menganalisis pelanggan secara lebih spesifik dan akurat: lalu lintas, keunikan, pengulangan, jenis kelamin dan usia, dan, tentu saja, emosi. Di penghitung orang, Anda akhirnya dapat memisahkan karyawan dari pengunjung, mempertimbangkan durasi layanan dan membangun kegiatan pemasaran untuk meningkatkan loyalitas pelanggan.
Biarkan saya mengingatkan Anda bahwa misalnya, satu titik diambil - sebuah kafe (berdasarkan ruang makan) di Moskow, di mana kamera dipasang di kasir.
Analisis mendalam dari wajah-wajah yang dikenal
Hasil yang dapat diperoleh dengan menggunakan Track Expert , dan yang saya cantumkan di bagian pertama artikel, ada di permukaan dan cukup jelas: jumlah pembeli, karyawan, segmentasi berdasarkan jenis kelamin dan usia, emosi. Tetapi untuk membuat keputusan strategis yang serius, Anda perlu analisis yang tidak kalah serius.
Saya ingin menyentuh pada topik kesetiaan. Yang kami maksud dengan loyalitas adalah kunjungan berulang oleh pelanggan dan pelanggan. Dengan demikian, semakin banyak dari mereka, semakin tinggi loyalitasnya.
Kami telah memutuskan terminologinya. Sekarang bagaimana cara menghitung? Bagaimana memahami bahwa loyalitas meningkat, menurun atau tidak ada yang terjadi padanya?
Opsi termudah adalah dengan hanya melihat rasio pelanggan baru dan yang kembali serta rasio pengembalian.
Rata-rata, koefisien pengembalian di sini berfluktuasi sekitar 70%. Yaitu sekitar 30% pengunjung baru datang ke kafe setiap hari. Ini sangat bagus.
Sekarang mari kita lihat mereka yang berjalan bukan yang pertama kali, tetapi secara kondisional terus-menerus . Pertanyaan: Seberapa sering atau seberapa sering pengunjung kembali ke sini?
Tujuan pertanyaan saya sederhana: bagaimana memastikan bahwa mereka yang sudah pergi ke kafe (toko, salon, klub kebugaran, dll.) Pergi bahkan lebih sering.
Pendekatan tradisional adalah kartu diskon. Bagikan ke semua orang, dan kemudian "kita akan lihat." Ini adalah opsi normal, tetapi:
- Orang tidak selalu membawa kartu diskon;
- Tidak selalu mungkin untuk mengidentifikasi diri Anda di kasir dengan nomor telepon atau email. Ya, dan banyak yang meninggalkan data palsu tentang diri mereka sendiri untuk menghindari spam yang tidak perlu;
- Kartu dapat ditransfer satu sama lain (dan itulah yang dilakukan J);
- Tidak setiap bisnis, pada prinsipnya, memiliki kartu diskon.
Mungkin sesuatu yang lain telah dilupakan. Tetapi itu tidak lagi penting.
Oleh karena itu, wajah manusia menjadi alternatif yang baik untuk mengidentifikasi pembeli dan pekerjaan pribadi dengannya.
Untuk mulai dengan, kami sarankan membagi semua pengunjung menjadi 5 grup: Baru, Sangat jarang, Jarang, Sering, Sangat sering.
Loyalitas pelanggan tidak dapat diperoleh hanya dengan mengklik satu jari. Tentu saja, orang dapat berharap bahwa klien yang pergi ke restoran / kafe / toko sekali setiap 3 bulan tiba-tiba mulai pergi ke sana beberapa kali seminggu, tetapi ini kemungkinan besar akan menjadi situasi yang luar biasa. Pelanggan harus dimenangkan, dan kemudian tidak hilang! Dan karena itu lebih baik untuk secara bertahap memindahkannya dari satu grup ke grup lain - dari "Baru" ke "Sangat sering."
Untuk setiap bisnis, konsep "Sering" atau "Sangat Sering" akan berbeda. Karena itu, agar tidak memuaskan diri Anda dengan ilusi tentang seberapa sering orang kembali kepada Anda, Anda dapat menggunakan metrik "Kekinian Kunjungan" dan memahami frekuensi pengembalian rata-rata pelanggan mereka.
Dapat dilihat bahwa sebagian besar pengunjung adalah mereka yang pergi ke kafe setiap minggu (dari 1 kali per minggu - hingga 7). Jika seseorang berjalan, misalnya, di kafe setiap dua minggu sekali, maka dia sudah termasuk dalam kategori "bulan". Jumlah mereka juga cukup banyak. Oleh karena itu, analisis kesetiaan dilakukan terutama untuk dua kelompok pelanggan - untuk siapa lamanya kunjungan adalah "minggu" dan "bulan".
Akan ada dua tujuan. Yang pertama adalah mencoba mencari pengaruh untuk mentransfer jumlah maksimum pengunjung dari grup bulan ke grup minggu. Dan yang kedua - dalam masing-masing kelompok untuk mempengaruhi frekuensi kunjungan dari "Sangat jarang" ke "Sangat sering." Secara umum, ini adalah masalah konsultasi pemasaran yang baik.
Menggunakan contoh grup "Minggu", saya akan menunjukkan bagaimana memahami masalah ini, untuk membagi pengunjung ke dalam kelompok dalam hal kesetiaan dan apa yang harus dilakukan selanjutnya dengan mereka semua. Nilai frekuensi untuk grup "minggu" yang kami tetapkan (dapat diubah) sebagai berikut: "Sangat jarang" - 1 kali per minggu, "Jarang" - 2 ... 3 kali seminggu, "Sering" - 4 kali seminggu, "Sangat sering" - 5 ... 7 kali seminggu.
Selama dua bulan jelas bahwa rasio jumlah pengunjung dalam kategori ini hampir tidak berubah. "Sangat jarang" menempati minimum 50% sehubungan dengan frekuensi lain, oleh karena itu, margin untuk meningkatkan kehadiran sangat besar. Untuk melakukan ini, Anda perlu mencari tahu siapa di kolom berwarna-warni ini.
Saya tidak akan melakukan analisis lebih lanjut dalam artikel ini, meskipun menarik. Saya hanya dapat mengatakan bahwa, paling tidak, yang berikut ini dapat dan harus dilakukan:
- lihat distribusi usia dan jenis kelamin untuk setiap kelompok frekuensi. Temukan karakteristik perilaku yang serupa dan bekerja pada rencana pemasaran secara individual dengan masing-masing.
- Setelah setiap langkah pemasaran, Anda perlu mengukur perubahan dengan cermat.
Harus diingat bahwa untuk setiap kunjungan (minggu / bulan / kuartal / tahun) efek pemasaran harus diharapkan tepat dengan frekuensi yang sesuai.
Penggunaan ritel lainnya
Saya mengingatkan Anda sekali lagi bahwa semua data ini diterima dari satu kamera. Sekarang mari kita bayangkan jika ada beberapa kamera (di dalam objek, pada objek yang berbeda).
Kasing 1. Satu kamera di pintu masuk, dan yang kedua di kasir atau di pintu keluar.
Dengan menempatkan dua atau lebih kamera sekaligus di toko, kami mendapatkan set metrik lain yang memungkinkan Anda mengukur:
- rata-rata waktu yang dihabiskan oleh pengunjung di toko.
- waktu tempuh rata-rata dari pintu masuk ke kantor tiket.
- Emosi pengunjung di pintu keluar dan di kasir.
Sangat sering, pelanggan menginginkan informasi tentang waktu yang dihabiskan pelanggan di toko. Menggunakan penghitung pengunjung tradisional, Anda tidak dapat memperoleh informasi tersebut. Kami hanya dapat berbicara tentang nilai rata-rata tertentu selama periode waktu tertentu. Misalnya, dalam 1 jam 14 orang masuk, keluar 9. Atau sebaliknya - 8 orang masuk, dan 12 keluar. Sekarang pertanyaannya adalah. Berapa lama rata-rata pengunjung menginap di toko jika 5 cek rusak di kasir?
Jika kita menggunakan teknologi pengenal wajah, maka tugas ini segera menjadi layak dan dapat dipecahkan. Ada opsi lain - untuk melacak setiap pengunjung. Tetapi untuk ini, toko perlu ditutupi dengan kisi-kisi kamera sehingga, dengan analogi dengan sistem komunikasi seluler, pengunjung dipindahkan dari satu sel (zona kamera) ke yang tetangga, jadi sebelum keluar. Sebuah solusi yang tidak terlalu terjangkau dalam hal biaya akan keluar ditambah kemungkinan gangguan trek (kehilangan pengunjung) dalam bingkai bahkan tidak terlalu kecil.
Dengan pengenalan wajah, cukup untuk menghapus seseorang di pintu masuk dan keluar, atau di pintu masuk dan di kasir. Dan sekarang Anda memiliki statistik yang akurat tentang waktu yang dihabiskan pengunjung di toko.
Kasus 2. Pekerjaan prediktif dengan pelanggan
Bayangkan sejenak bahwa pengunjung datang ke toko Anda yang telah membeli sesuatu dari Anda lebih dari sekali, tetapi baru-baru ini keluar-masuk tanpa berbelanja. Pertama, bagaimana memahami bahwa situasi seperti itu terjadi pada prinsipnya, dan kedua, apa alasannya?
Pertanyaan pertama akan dijawab oleh informasi dari kasus 1, ditambah data tentang kesetiaan, ditambah informasi tentang emosi orang-orang yang pergi. Dan pada pertanyaan kedua, mungkin ada sejuta alasan. Misalnya, Anda telah mengubah garis pakaian, sepatu, sesuatu yang lain, dan seseorang mencari apa yang ia beli tahun lalu. Pembeli datang sekali, dua, dan ketiga Anda kehilangannya. Situasi yang biasa? Apakah menarik untuk proaktif dan memprediksi perilaku seperti itu atau untuk menangkap pengunjung yang loyal bahkan sebelum mereka membeli sesuatu? Pertanyaannya retoris. Tetapi penting untuk mengetahui bahwa jawabannya sudah mungkin.
Arsitektur dan cara kerjanya
Dalam artikel sebelumnya, saya sudah mengatakan bahwa arsitektur solusi CVizi ringan. Tidak ada server besar, pendaftar. Tidak perlu memelihara armada peralatan dan memasangkan semuanya dengan satu sama lain.
Apalagi arsitekturnya tidak berawan dalam bentuknya yang paling murni. Dia hibrida. Pendekatan ini, mengingat keadaan saat ini dalam pengembangan kamera video rumah tangga, sepenuhnya dibenarkan.
Sekarang saya akan coba jelaskan. Dari sudut pandang internet, kamera video dapat dianggap sebagai beberapa sensor yang memasok konten untuk pemrosesan otomatis, analisis, dan pengambilan keputusan lebih lanjut. Anda dapat mengarahkan lalu lintas ke beberapa server cloud dan memprosesnya di sana, tetapi ada beberapa perangkap (meskipun bukan perangkap).
- Jumlah lalu lintas Internet yang akan ditransmisikan ke cloud. Jika suatu objek memiliki banyak kamera dan / atau Anda memiliki banyak objek, maka volume lalu lintas akan kolosal dan saluran Internet khusus akan diperlukan. Yang jauh dari selalu mungkin.
- Persyaratan untuk server yang mendaftar dan memproses aliran: daya komputasi, redundansi, manajemen beban.
- Toleransi kesalahan seluruh sistem. Ketergantungan yang kuat dari kesehatan seluruh sistem pada kesehatan bahkan satu server.
Akan lebih baik menggunakan kamera tidak sederhana, tetapi kamera pintar untuk tugas analitik video. Tugas utama yang harus menjadi analisis awal dari aliran video "on the fly", alokasi acara yang diinginkan dari itu, untuk menyiapkan data untuk analisis mereka. Sayangnya, kamera pintar universal di pasar untuk uang yang masuk akal tidak dapat ditemukan. Karena itu, kami “membuatnya” sendiri.
Mari kita membahas secara singkat elemen-elemen arsitektur.
Perangkat komputasi S-Box
Berikut ini salah satu modifikasi perangkat:
Tujuan utamanya adalah pemrosesan utama aliran dari IP atau kamera USB. Pada setiap bingkai, fungsi deteksi wajah menemukan wajah, menangkapnya dan membentuk daftar atribut wajah (koordinat, sudut, kualitas gambar pada bingkai, jarak ke kamera). Selanjutnya, informasi ini dikirim ke portal cloud CVizi, berjalan pada platform Azure, melalui saluran terenkripsi. Harap perhatikan bahwa aliran video itu sendiri tidak ditransmisikan ke cloud.
Kode ini ditulis dalam C ++ dan Python, yang memungkinkan Anda untuk menggunakan seluruh rangkaian alat untuk bekerja dengan gambar dan kamera.
Omong-omong, dengan cara yang sama, S-Box juga digunakan untuk tugas-tugas lain dari analitik video: deteksi proses produksi, orang, kendaraan dan hal-hal lain.
Kamera
Kamera bisa sangat berbeda. Selain itu, tidak ada kriteria yang sangat ketat yang akan membatasi pilihan mereka. Hal utama adalah bahwa ini adalah rumah tangga sederhana, kamera IP non-industri (paling sering IP) dengan label harga yang demokratis. Perlu dicatat bahwa kamera adalah peralatan yang dimodernisasi di pasaran, mungkin yang tercepat dari yang kami gunakan. Kriteria utama untuk pilihan kami pada kamera tertentu dalam paket instalasi Track Expert adalah Harga / Kualitas. Untuk menjaga biaya paket instalasi pada tingkat yang sama, tetapi pada saat yang sama untuk terus meningkatkan kualitas layanan, kami terus mengikuti semua produk baru. Di laboratorium pengujian kami, selalu ada kandidat sampel untuk kamera untuk tugas bisnis tertentu.
Sebagai contoh, pada saat penulisan untuk pengenalan wajah, kami menggunakan kamera 5MP ini dengan dua faktor bentuk.
Portal CVizi
Portal sebenarnya adalah jantung dari seluruh sistem, yang hanya memiliki fungsi yang tak terhitung jumlahnya. Daftar yang paling dasar.
Yang pertama adalah penyimpanan data. Di sinilah SQL Azure membantu kami. Pertama, kami menggunakan SQL Server tradisional yang digunakan pada mesin virtual. Dan ini adalah pilihan yang baik, karena kami memiliki cukup kompetensi untuk mengelola dan mengoptimalkan kinerja SQL Server. Tetapi di beberapa titik dengan pertumbuhan pelanggan, kami menyadari bahwa menjadi sulit secara fisik dan tidak efisien untuk mengelola sejumlah besar DB kecil dan tidak terlalu banyak. SQL Azure dengan mudah menyelesaikan tugas kami dengan sistem analitik terintegrasi dengan pelatihan komputer dan teknologi adaptif untuk optimalisasi berkelanjutan kinerja database secara real time.
Juga nyaman untuk mengelola kinerja database secara dinamis, yang memungkinkan Anda memproses statistik dalam jumlah yang luar biasa.
Kedua , Microsoft Blob Storage memungkinkan Anda untuk menyimpan semua foto dan video dalam jumlah berapa pun, menerimanya melalui hyperlink dan menggunakannya, misalnya, dalam alat-alat seperti Power BI.
Ketiga , layanan kognitif Microsoft Face API. Dengan bantuan itu kita mengenali wajah, mengelompokkan orang-orang yang mirip dan menghitung wajah mana dan kapan itu direkam sebelumnya.
Untuk bekerja dengan Microsoft Face API kami menggunakan Python. Saya tidak ingin mengulang sendiri, di artikel sebelumnya ada beberapa contoh skrip untuk mengakses Microsoft Face API.
Keempat , sistem untuk memantau dan mengendalikan kesehatan semua peralatan yang dipasang oleh pelanggan. Faktanya, semua S-Boxs bersama-sama mewakili IOT yang sama. Kami telah membangun sistem pemantauan terpisah untuk setiap perangkat di jaringan dan terus memantau kesehatan peralatan. Tampaknya ini sangat istimewa? Tetapi pikirkan tentang seberapa banyak pemiliknya, misalnya, memiliki toko peralatan apa pun yang seharusnya berfungsi dengan lancar. Adalah satu hal jika kulkas atau mesin kasir rusak dan kerusakannya segera terlihat, dan yang lainnya adalah semacam penghitung orang, di mana kerusakan dapat dibuka dalam sebulan atau lebih, ketika pemilik ingin mendapatkan laporan akhir. Kenapa tidak dikontrol? Kenapa tidak dilaporkan? Siapa yang harus disalahkan? Bagaimana cara mengembalikan statistik? Adakah riset pemasaran di toko kuartal ini yang sia-sia?
Dalam kasus kami, ini tidak mungkin. Semua pihak yang berkepentingan akan menerima pemberitahuan kerusakan peralatan mulai dari beberapa menit hingga beberapa jam, dan tim dukungan kami akan membantu menyelesaikan masalah. Apalagi jarak jauh! Untuk referensi. Sebagai aturan, 80% -90% insiden dikaitkan dengan penurunan saluran Internet pelanggan.
Dan untuk mengikuti perkembangan zaman, sistem administrasi Track Expert memiliki kemampuan untuk memperbarui perangkat lunak dari jarak jauh. Algoritme baru yang berhasil telah muncul - dengan satu sentuhan "satu tombol", akan diperbarui untuk pelanggan yang membutuhkan dan menggunakannya.
Manfaat arsitektur
Arsitektur CVizi, seperti yang Anda pahami, adalah hibrid. Di tanah - S-Boxes, dan di cloud - Layanan Azure dan banyak lagi.
Di lokasi : S- Box Distributed Network
Menggunakan banyak perangkat komputasi kecil selalu lebih baik daripada satu megaserver / cluster server besar, tempat semua aliran video dari berbagai sumber ditutup. Tidak peduli seberapa kuat dan kerennya, saatnya akan tiba ketika itu akan menjadi hambatan dalam sistem dan operasi seluruh sistem akan tergantung pada kinerjanya. Dalam hal sistem perangkat komputasi terdistribusi, masing-masing S-Box melakukan kumpulan kecil tugas-tugasnya sendiri dan kinerja seluruh sistem tidak tergantung pada kinerja satu S-Box tertentu.
Selain itu, daya komputasi total S-Box, misalnya, pada beberapa fasilitas yang cukup besar dapat dengan mudah melebihi daya komputasi server-server top, dan harga peralatan akan beberapa kali lebih rendah. Yang paling penting adalah belajar bagaimana mengelola dengan baik komputasi J. terdistribusi ini. Dan kita bisa melakukannya.
Upgrade Infrastruktur Di Lokasi. Bagi banyak pelanggan, ini adalah masalah yang sangat sensitif selalu sangat mahal dan disertai dengan kegagalan fungsi dan downtime dalam pengoperasian seluruh sistem, karena transisi yang mulus (dari besi ke besi atau dari platform ke platform) hampir tidak pernah terjadi. Dalam kasus jaringan perangkat yang terdistribusi, semuanya menjadi sederhana. Transisi bisa sangat lancar dan tidak mahal dalam hal membeli sejumlah besar perangkat sekaligus. Dan selama upgrade, operasi berkelanjutan dari seluruh sistem akan dipastikan.
Cloud: Azure
Perlu dicatat bahwa Azure menyediakan alat yang sangat nyaman dalam hal penskalaan dan manajemen kinerja infrastruktur. Pelanggan semua berbeda dengan volume konsumsi sumber daya yang berbeda. Mengenali 100-300 orang per hari di toko dekat rumah adalah satu hal, dan ini situasi yang sama sekali berbeda ketika sebuah pusat perbelanjaan besar dengan beberapa pintu masuk atau rantai toko, memiliki lalu lintas harian beberapa ribu pengunjung unik.
Dengan pendekatan tradisional dengan arsitektur On Premise, sebuah situasi mungkin muncul bahwa kapasitas server mungkin menganggur, dan yang kedua mungkin terlewatkan, terutama pada hari-hari dengan lalu lintas puncak. Dan manajemen daya komputasi bekas yang fleksibel dan hampir instan di Azure hanyalah hadiah bagi kami.
Ringkasan
Apa yang ingin saya katakan sebagai kesimpulan ...
Kemajuan teknologi mendekati kita dan setiap hari memberi kita alat dan teknologi baru dan baru. Anda tentu saja dapat berbicara tentang bagaimana semuanya menjadi buruk: wajah Anda dikenal di mana-mana; lebih baik tidak meninggalkan rumah sekarang, karena Kakak sedang memperhatikanmu; Saya tidak memberikan izin untuk pemotretan dan analisis saya, dll. dll. Tapi itu sudah. Dari kamera yang terletak di tempat umum wajah Anda berkumpul dan berbaring di arsip video. Dan mereka berkumpul untuk waktu yang sangat lama. Suka atau tidak suka.
Baru saja, kemajuan teknologi telah mengambil langkah lain dan menjadi mungkin untuk memproses data ini tidak secara manual, tetapi secara otomatis. Jaringan saraf convolutional muncul. Ada yang murah, jika tidak murah, camcorder, mikrokomputer. Sumber daya cloud yang tersedia. Sinergi dari ini dan teknologi lainnya memungkinkan Anda untuk membuat produk yang menarik bagi orang awam yang sederhana. Aplikasi hanya dibatasi oleh imajinasi Anda. Ritel, HoReCa, Event-industri, pendidikan - inilah yang langsung terlintas di benak kami. Tetapi setiap proses yang melibatkan analisis seseorang terhadap beberapa peristiwa dalam bingkai dapat dilakukan dengan tingkat kepastian tertentu:
- Transfer dari operator ke mesin (visi komputer)
- Akumulasi statistik untuk acara yang diinginkan (daripada menyimpan catatan terus menerus)
- Otomatis pemrosesan acara
- Hubungkan analisis acara prediktif
Ini adalah lapisan data yang sebelumnya tidak ada. Tetapi untuk saat ini, kemauan bisnis untuk mengambil data ini untuk dirinya sendiri dan memproses dengan benar, menafsirkan dan menggunakannya masih sangat rendah.
Tim CVizi mengambil langkah lain untuk membuat alat analisis tersebut tersedia dan membuat fantasi dan mimpi sedikit lebih dekat dan lebih nyata.
Tentang penulis
Alexey Osipov - Direktur Pengembangan
CVizi . Kontak: 'aosipov @ cvizi.com'. Di halaman kami di
FB kami memposting berita tentang rilis dan penggunaan perkembangan dan teknologi baru kami.