Как торговые центры могут анализировать данные турникетов с помощью больших данных?

一, Сбор данных: создание сети представлений, включающей множество измерений
Поворотные ворота могут собирать данные, потому что их аппаратное и программное обеспечение работают вместе, чтобы это произошло. Большинство современных турникетов имеют следующие датчики и модули распознавания:
Модуль биометрического распознавания: этот модуль использует камеры распознавания лиц для сбора информации о возрасте, поле, выражении лица и других характеристиках человека. Затем он использует систему членства для сопоставления этих записей и создания динамического профиля пользователя.
Поведенческие датчики: инфракрасные датчики отслеживают направление, скорость и продолжительность движения транспорта. Датчики давления отслеживают частоту и нагрузку на переключатели ворот, чтобы узнать, насколько исправно оборудование.
Устройства, которые воспринимают окружающую среду: датчики температуры и влажности следят за условиями в зоне ворот, датчики Wi-Fi записывают MAC-адреса мобильных телефонов клиентов и помогают определить, сколько людей проходит через них и куда уходит тепло.
Ворота подключены к POS-системе и системе баллов участников. Это создает замкнутый цикл «потребления пропусков» за счет синхронизации данных, например, сколько было потрачено, сколько купонов было использовано и сколько баллов было погашено.
Например, интеллектуальная система ворот, установленная в торговом центре города-первого уровня, генерирует 500 000 бит данных в день. Сюда входят 200 000 записей распознавания лиц, 150 000 журналов трафика, 100 000 показателей окружающей среды и 50 000 данных, связанных с транзакциями-. Узел периферийных вычислений сначала обрабатывает эти данные, а затем в режиме реального времени они отправляются в облачное хранилище данных, что является основой для последующего анализа.

2. Обработка данных: очистка, объединение и моделирование.
Необработанные данные содержат проблемы, включая чрезмерный шум, множество измерений и смешанные форматы. Чтобы устранить эти трудности, данные должны пройти следующие этапы:

Очистка данных: избавьтесь от повторяющихся записей о трафике (например, один и тот же клиент входил и выходил много раз), выбросов (например, слишком большого времени открытия и закрытия ворот) и пропущенных значений (например, пробелов в столбце возраста, вызванных сбоями в распознавании лиц). Точность очищенных данных выросла до более чем 99% благодаря использованию алгоритмов машинного обучения для самостоятельного поиска и исправления ошибок в данных.
Объединение данных. Чтобы создать единое озеро данных, объедините данные о воротах с данными из других систем торговых центров, таких как CRM, ERP и POS. Например, вы можете сравнить количество времени, которое покупатели тратят, проходя через ворота, с количеством времени, которое они проводят в POS-системе, и посмотреть на коэффициент конверсии для «потребления в магазине». Вы также можете сравнить поток пассажиров в зоне ворот с данными о продажах магазина, чтобы увидеть, насколько хорошо истощается бизнес.
Инженерные особенности: чтобы создать структурированный набор данных, вам необходимо извлечь важные части из необработанных данных, включая «пиковый объем трафика», «распределение времени пребывания потребителей», «частоту отказов ворот» и так далее. Анализ главных компонентов (PCA) — это метод уменьшения количества измерений и объема работы, необходимой для выполнения расчетов.
3. Анализ данных: разумный выбор от описания к прогнозированию
Торговый центр может проводить многоуровневый-анализ на основе обработанных данных:

1. Описательный анализ: взгляд на текущее положение вещей
Куда и когда движутся пассажиры: используйте тепловую карту, чтобы показать плотность пассажиропотока в зоне выхода на посадку, найдите самое загруженное время (например, 14:00–16:00 по выходным) и наименее загруженное время (например, 10:00–12:00 в будние дни), а также максимально эффективно задействуйте персонал по уборке и охране.
Профиль потребителя: Используя данные распознавания лиц и системы членства, посмотрите, как часто люди разных возрастов и полов путешествуют, где они останавливаются и что они любят есть. Например, исследования показали, что женщины в возрасте от 25 до 35 лет с большей вероятностью останавливаются в косметических магазинах возле ворот, где можно продать целевые купоны.
Состояние работы оборудования. Следите за количеством переключателей ворот, частотой отказов, записями о техническом обслуживании, прогнозируемым сроком службы оборудования и опасностями простоев.
2. Прогнозный анализ: угадывание того, что произойдет дальше
Прогнозирование потока пассажиров. Модель временных рядов (ARIMA) используется для оценки будущего пассажиропотока на основе прошлых данных о трафике и внешних факторов, таких как погода, праздники и мероприятия, происходящие поблизости. Это позволяет службам безопасности и часам работы магазина корректироваться на лету.
Прогнозирование поведения потребителей. Используйте ассоциативные правила (например, алгоритм Априори), чтобы посмотреть, как связаны пути передвижения потребителей и потребительское поведение. Например, если люди, которые идут прямо в обеденную зону после того, как нашли пропускной пункт, тратят на 30% больше, чем обычный человек, можно запланировать целевые мероприятия по продвижению общественного питания.
Предупреждение о проблемах с оборудованием. Используя модель нейронной сети LSTM, просмотрите данные датчиков ворот (например, температуру двигателя и частоту переключения), чтобы обнаружить проблемы за 72 часа до их возникновения и уменьшить влияние резкого отключения на операции.
3. Причинно-следственный анализ: метод оптимизации
Оценка эффективности маркетинга. A/B-тестирование позволяет увидеть, как реклама в различных зонах входа (например, рекламная информация на электронных экранах) влияет на то, как долго люди остаются на сайте и сколько они покупают. Затем вы можете улучшить содержание и размещение объявлений.
Улучшение планировки магазина. Посмотрите, как количество покупателей в зоне ворот влияет на продажи в магазине, а затем переместите магазин. Например, соединение турникетов в оживленных участках с заведениями с небольшим объемом продаж может помочь людям сориентироваться, предоставив им другие маршруты.
Предотвращение и контроль угроз безопасности. Алгоритмы обнаружения аномалий, например, в изолированном лесу, обнаруживают странное поведение в зоне ворот, например, когда люди много передвигаются или следуют за другими. Затем система безопасности подключается к отправке оповещений в-режиме реального времени, что снижает вероятность кражи и мошенничества.
4. Применение данных: замкнутый цикл от понимания к действию
Выводы анализа необходимо превратить в стратегии, которые можно будет реализовать на практике:

Точный маркетинг: реклама, адаптированная для каждого клиента, размещается на входе. Например, рассылка современных рекламных материалов бренда молодым людям, которые часто его посещают, а семьям — скидки на детскую игровую площадку.
Динамическая работа: измените часы работы магазина на основе прогнозов количества посетителей. Например, рестораны могут оставаться открытыми дольше в загруженные выходные и выполнять ремонт своего оборудования в менее загруженное время.
Повысьте безопасность, разместив камеры в местах-риска (например, там, где сходятся турникеты и лифты), повысив эффективность маршрутов патрулирования и ускорив время реагирования на чрезвычайные ситуации.
Управление оборудованием: ведите учет состояния ворот, отслеживайте историю технического обслуживания, типы неисправностей, запасные части и другую информацию. Кроме того, улучшите запасы запасных частей и планы технического обслуживания.
Поворотный турникет службы безопасности аэропорта, Е-ворота