Nowe Technologie

Sztuczna inteligencja pomoże w... rozładowaniu kolejek w sklepach

fot. Adobe Stock

Brak kolejek, mniejsza irytacja klientów i stres pracowników. Większa lojalność i wyższe obroty ze sprzedaży. Tak wygląda sklep bliskiej przyszłości. 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. 

Wczesne wykrywanie kolejek i niwelowanie ryzyka ich wydłużenia zwiększa satysfakcję klientów. Ma to wpływ na ich lojalność, minimalizuje ryzyko wystąpienia sytuacji spornych i negatywnych opinii o danej marce. Poprawia jakość obsługi. W konsekwencji przekłada się też wprost na zwiększenie obrotu i przychodów ze sprzedaży. 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 ITmagination 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.

Przewidywanie ruchu i sprzedaży

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.

Pełna anonimowość

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. Pozyskiwane informacje są w pełni anonimowe, co eliminuje ewentualność jakichkolwiek problemów związanych z ochroną danych osobowych. 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.

Miesięcznik „My Company Polska
PRENUMERATA

Moim zdaniem

Najczęściej czytane

Czy przenieść firmę za granicę

Cztery sposoby na podatki

Boom na drony

Kto zyska na ozusowaniu umów zleceń?

Dobre auto na niskie raty