Сегодня поговорим о применении видеоаналитики в ритейле, сфере услуг и ресторанном бизнесе. Речь пойдет об анализе покупателей, их трафике, уникальности, повторяемости, поле и возрасте и, конечно, эмоциях. Немного затронем дисциплину сотрудников. Будет только практический анализ, примеры и никакой воды.

Статья получилась большая, и я разбил её на две части, но всё равно букв будет много.




По следам статьи «Как нас анализируют в кинотеатрах… и не только».

Тема c распознаванием лиц достаточно социально чувствительная, поэтому требует трепетного и осторожного подхода к анализу данных. С одной стороны, необходимо не входить в область личных и персональных данных людей без их согласия, с другой стороны, изучать и анализировать интерес людей для правильного и ненавязчивого позиционирования своих услуг и товаров.


Напомним, что во всех решениях и технологиях мы рассматриваем и анализируем человека в публичном месте как анонимного человека, который с определенной достоверностью (80-90%) имеет набор признаков: пол, возраст, эмоции. Не вводим дополнительные персонализированные параметры: номера документов, имя, даты рождения и не ищем его в социальных сетях и других базах данных. Таким образом, технологии позволяют получить не большее количество информации, чем ее мог получить обычный человек, просматривая видео, записанное в разрешенном публичном месте (магазин, ресторан, парикмахерская и прочие точки).


Как и в прошлом посте здесь не будет фантастики, зато будет рассказ о вполне прикладных и доступных решениях, которые уже есть и работают. На доступности сделаем отдельный акцент, т.к. наша компания сама по себе – малый бизнес и мы стараемся сделать так, чтобы продукты наши были доступны в, первую очередь, малому бизнесу.


Видеоаналитика на рынке существует достаточно давно – не один десяток лет. Время идет, меняются и появляются новые технологии. То, что раньше было по карману только огромным корпорациям и госструктурам выходит на обычный потребительский рынок. Ценник становится подъемным, а ценность от использования видеоанализа покупателей, посетителей и клиентов может быть очень большой. Главное, понимать, как эти данные использовать, чтобы они не оказались просто очередным архивом с неясными перспективами!


Поехали.


Инструменты для анализа посетителей


Какие сейчас есть инструменты на рынке, которые позволят бизнесу собирать и анализировать данные по своим клиентам, покупателям и просто посетителям? Я имею в виду не online аудиторию, где все проще и понятнее, а offline.


Во-первых, это ставшие уже традиционными, счетчики людей. Их используют если не все, то очень многие. Они практически обязательны в арендуемых площадях торговых центров, но всё чаще встречаются и в обособленных магазинах, салонах и т.п. Это могут быть обычные ИК-рамки, работающие по принципу прерывания луча, это могут быть 2D-счетчики на базе видеокамер, 3D-счетчики, а также Wi-Fi сканеры. Я не буду в рамках этой статьи сравнивать принципы работы, качество и стоимость каждого из типов счетчиков. Важно, что они есть на рынке и каждый выбирает решение по карману и по ожидаемому качеству подсчета. Забыл еще один вид подсчета – ручной. Он тоже имеет место быть. Назову два распространенных варианта ручного подсчета: подсчет людей контролером непосредственно в магазине, и подсчет людей по видеоархивам. Естественно, первый вариант имеет характер скорее случайный, а вот второй вариант очень даже распространен. Я знаю пример, когда владелец небольшой сети парикмахерских таким образом вел (да и продолжает вести) подсчет по всем своим шести точкам. Минусы ручного подсчета достаточно очевидны: трудоемкость подсчета, человеческий фактор при подсчете, и, как следствие, слабопредсказуемая вероятность ошибок.


Зачем считать людей?


Например, чтобы знать действительную посещаемость твоего магазина одежды, салона или кафе. Чтобы понимать пиковые по посещаемости часы, дни, дни недели. Чтобы отлавливать/прогнозировать подобные скачки. Чтобы оценивать конверсию продаж (сколько зашло в магазин – сколько чеков на кассе). Наконец, чтобы контролировать персонал, пресекать воровство и т.п. Например, в парикмахерской у мастера отмечено за день 5 клиентов, а по факту – 8.


Во-вторых, это карты лояльности. Карты лояльности распространены еще больше, чем счетчики людей и основной своей целью призывают клиента возвращаться, и в идеале возвращаться многократно. Придумываются целые программы лояльности, чтобы держать руку на пульсе и стараться по максимуму удержать клиента после того, как он пришел в первый раз. Это не просто, но оно того стоит.


В-третьих, это анкетирование. Мало дать клиенту дисконтную карточку. Важно знать и понимать, кому карту выдали: пол, возраст, предпочтения, любая информация, которая должна помощь работать с клиентом более избирательно и угадывать его желания.


Еще один инструмент, который всё чаще стал появляться в сфере услуг – это оценка качества обслуживания клиента им самим. То есть, по окончанию получения услуги клиенту предлагается нажать на одну из кнопок «Понравилось», «Не понравилось».


Ну и наконец, анализ кассовых данных и их сопоставление с информацией, полученной от всех предыдущих источников.


Таким образом, основная цель контроля посещаемости магазина, фитнесклуба, кофейни и других предприятий – это непрерывный поиск рычагов, чтобы эта посещаемость росла или хотя бы не падала. Размер и специфика бизнеса диктует состав инструментов и методов.


Очевидно, что чем крупнее бизнес, тем больше разных инструментов и их комбинаций он может себе позволить.


С малым бизнесом сложнее. Здесь очень трепетно относятся к каждому новому виду затрат, маркетинговый бюджет зачастую вообще отсутствует, а владелец – сам себе режиссер и маркетолог. Но всё равно рук на все задачи не хватает. А значит в любом случае придется делегировать задачи либо машинам, либо людям.


Поэтому основная проблема контроля и мониторинга операционной деятельности – это проблема доверия к данным. Как к тем, что получены со счетчиков, так и к тем, что были посчитаны вручную.


Если бизнес доверяет данным, то очень часто стоимость продукта или технологии отходит на второй план.


Компьютерное зрение — современный инструмент анализа трафика посетителей


В решении CVizi, получившем название Track Expert есть два совершенно разных способа сбора и обработки статистики по людям. Первый – это подсчет людей по головам, проще говоря, по макушкам. А второй, инновационный – подсчет людей по лицам с различными дополнительными возможностями.


Счетчики посетителей 2D и 3D


Вначале несколько слов про первый подход, чтобы было от чего оттолкнуться.





Камера устанавливается над входной зоной и считает всех прошедших в оба направления. Этот метод также называется 2D-счётчиком посетителей, т.к. использует две координаты для отслеживания событий входа или выхода.


В Track Expert используется алгоритм 2D счётчика собственной разработки – достаточно простой, надежный и дающий гарантированную точность подсчета не менее 85%, а по факту даже более 90%. Хочу обратить внимание на термин «не менее». Никаких там «до 99%», которые может иногда и достигаются, а в штатном режиме хорошо если 60%. Это важно! Так как во время, например, распродажи важно оценить прирост людского трафика. А если ошибка плавающая, да еще в пределах нескольких десятков процентов, то толку от такого датчика ноль.


Как правило, алгоритмы 2D счетчиков состоят из нескольких важных этапов:


  1. Качественное изменения пикселей в кадре. Под ним понимается выделение движения крупных объектов относительно других изменений (тень, световые вспышки, колебания матрицы).
  2. Кластеризация выявленного движения — построение контуров предполагаемых объектов. Другими словами, распределение всех найденных движений между движущимися объектами.
  3. Сопровождение движения — выделенные объекты движутся, необходимо контролировать их движение, при этом задается уникальный идентификатор каждого объекта (он учитывается при подсчете).

Далее учтем ограничения нашего мира и допуски:


  1. Объект не может появиться и исчезнуть в определенных областях, например, в центре зала (если, конечно, нет люка, шапки невидимки, объект не обладает сумасшедшей скоростью относительно частоты камеры и прочее). Принимая этот допуск, организуется зоны, которые устанавливаются, например, на вход в магазин и определяется траектория пути.
  2. При виде сверху два человека не могут быть друг на друге (кроме, разумеется, детей на шее родителей)). Этот допуск позволяется организовать возможность сталкиваться и отталкиваться движущимся объектам.

Счетчики 3D более точные чем 2D в силу того, что вместо этапов 1 и 2, в 3D используется не движение, а глубина картинки (а ее дают два объектива, смещенных друг от друга на небольшое расстояние и откалиброванных между собой). Таким образом, кластеризация будет точнее.


Как я уже сказал выше, подобные счетчики (и 2D и 3D) достаточно распространены, но остаётся открытый вопрос доверия к данным, и здесь мы предлагаем воспользоваться функцией фотоподтверждения всех событий, когда пользователь всегда может проверить и убедиться в качестве подсчёта самостоятельно.




Естественно, можно получить отчеты с различными группировками по объектам, входным зонам, дням неделям и времени суток и сравнить посещаемость в этих разрезах.


Например, так:




Таким образом, мы выжали максимум информации из этих данных. Однако, заказчику хочется большего: отделять посетителей от сотрудников, понимать, что человек пришел не первый раз, сегментировать аудиторию по полу и возрасту. И для решения этих задач подобный ракурс камеры (которая смотрит сверху вниз и считает по головам) никак не подойдет, поэтому в Track Expert есть второй способ подсчета – по лицам.


Лицо человека — достаточно уникальная идентификационная единица, позволяющая распознать человека, его пол и возраст, вычислить, когда это лицо появлялось перед камерой в последний раз, понять, является ли это лицо сотрудником и даже увидеть его эмоции.


Анализ аудитории по лицам в автоматическом режиме — реальность или мечты?


Где сейчас активно используется распознавание лица? Сама то технология ведь не новая. Навскидку, на ум сразу приходит банковская сфера, а также всё, что связано с силовыми ведомствами и с безопасностью крупных объектов: метро, аэропорты, закрытые предприятия и т.п. Может ли позволить её себе обычный бизнес? Вряд ли.


Многие вендоры предлагают сейчас системы распознавания лиц. Кто-то чуть лучше распознает, кто-то чуть хуже. Не это важно. Ну вот распознали лицо, а дальше что? Что делать со всем этим массивом лиц? Готов ли ваш отдел маркетинга к этому объему новой информации? Может быть ваша CRM система готова принять эти данные и проанализировать их?


Бизнесу нужно решение максимально законченное, чтобы им можно было пользоваться и получать business value, а не просто технология.


Перехожу наконец к практической области, покажу несколько примеров и какую информацию предоставляет Track Expert и как это может помогать бизнесу в оперативном и стратегическом управлении.


Что такое правильная статистика по лицам и как ее использовать


Ниже я приведу примеры, которые позволят вам оценить тот объем информации, который можно получить лишь от одной камеры с помощью Track Expert.


С данными должно быть удобно работать и к ним должно быть доверие. Один из первых вопросов, который мы слышим – это «Докажите, что статистика собрана по настоящим лицам, а не случайно сгенерирована». С одной стороны, слышать обидно, а с другой опасения понятны. Мы ведь перешли в область тонких материй, которые станут обыденностью лет так через пять, а сейчас это ещё инновации. Поэтому, пожалуйста. Держите наши доказательства.


Это фрагмент альбома лиц за целый день:




Теперь сама статистика и аналитика на примере одного месяца и одного объекта (кстати, – это кафе, что заставляет смотреть на анализ через соответствующую призму).




Посещаемость и коэффициент возврата


Глядя пока лишь на эти данные, можно сразу и четко увидеть портрет посетителей. У женщин это заведение пользуется гораздо большей популярностью, чем у мужчин. Более того, из половозрастной диаграммы можно четко выделить женщин 18…25 лет и мужчин 35…50 лет, которым данное кафе гораздо симпатичнее, чем остальным.


На месте владельца кафе я бы подумал в сторону следующих аспектов. Первое. Как привлечь еще больше девушек из группы 18…25 лет и мужчин из группы 35...50 лет, т.к. это уже на сто процентов их целевая аудитория, и они что-то для себя нашли в кафе. Второе, как уравнять гендерную разницу внутри этих возрастных групп – подтянуть «отстающих». Предположу, что рядом находится какой-то ВУЗ, который и создает этот трафик из девушек 18…25 лет. Если это пединститут, то дело конечно плохо – найти в таком количестве мужчин 18…25 лет будет проблематично, даже я бы сказал невозможно, а для остальных – проблем не должно быть. Как вариант, можно поработать с меню плюс сделать какие-то промоакции для «отстающих» категорий клиентов, при этом абсолютно не «сломав» статистику по остальным.


Запас по лояльности есть, т.к. конверсия по возврату примерно 70%:






 


Длительность обслуживания


Камера установлена на кассе. Для сферы услуг скорость обслуживания клиентов может являться одной из ключевых метрик эффективности работы персонала. И такую информацию Track Expert предоставляет. Вот так выглядит диаграмма времени обслуживания посетителей по часам рабочего дня.




В целом проблем не видно. Есть небольшие задержки обслуживания утром, но вызваны ли они нерасторопностью кассира или самих клиентов – это еще вопрос. Так что, по этой кассе все хорошо. А вообще – это очень ценная информация, нужная и даже необходимая для сравнения между собой касс, операторов, магазинов. Можно даже выстроить и контролировать в автоматическом режиме систему KPI сотрудников.


Есть еще одна метрика, которую мы назвали «Количество подходов к кассе». Количество повторных подходов к кассе за определенный период косвенно указывает на то, насколько удобно и правильно выложены товары для покупателя. Сколько раз клиент возвращался то за кофе, то за булочкой или спросить что-то? Носят эти параметры эпизодический характер или регулярный? Данная метрика отлично помогает подумать, разобраться в причинах и ответить на эти вопросы.




Эмоции посетителей


Эмоции клиентов – вещь сиюминутная, но если грамотно подойти к вопросу и оценивать эмоциональный фон за все время оказания услуги, то статистика будет вполне релевантной. И это может стать еще одной метрикой оценки качества обслуживания, причем полностью автоматической.




По аналогии с тем, как мы анализируем эмоции на мероприятиях и в кинотеатрах каждая уникальная персона поставляет нам большой массив данных, который становится кирпичиком в общей статистике.


Например, посмотрим на средний эмоциональный фон посетителей за месяц:




Ну тут всё ровно. Все кассиры, вероятно, были в меру приветливы, еда и цены в большей степени всем нравились. В общем ничего из ряда вон, аж противно.


Можно еще посмотреть, что там происходит внутри дня. Вдруг там есть какие-то характерные всплески?




Но нет, опять ничего интересного. Тогда пойдем другим путем.


Найдем людей, которые выбиваются из общего фона.






Четырех- и пятизначные цифры по оси Х – это персоны, отсортированные в первом случае по убыванию позитивных эмоций, а во втором – по убыванию негативных.


Соответственно можно брать и даже индивидуально работать с этими гражданами. Узнать, что же их расстроило или постоянно расстраивает, или что так порадовало в тот день.




Сотрудники и дисциплина


Одна из насущных проблем в подсчете людского трафика – это влияние на статистику сотрудников.


Во-первых, далеко не везде для них есть выделенный вход. Во-вторых, сотрудники могут преднамеренно портить статистику, прохаживаясь мимо счетчика входа туда-сюда. А, в-третьих, многим владельцам и управленцам хочется контролировать дисциплину сотрудников. Но не так, чтобы отсматривать километры видео (неважно, самому или нанять кого-то), а чтобы это было максимально автоматизировано. Посмотрел раз в день отчет и всё ясно – кто, когда, сколько раз. Точка. По аналогии со СКУД, но только с фотоподтверждениями! Это ни в коем случае не замена СКУД, а лишь дополнение. Не буду детально описывать применение этой информации, просто покажу как это выглядит.






Выводы по первой части


В первой части статьи я рассказал, как и какие данные можно собирать при помощи видеокамеры. Это всё не фантастика, но вовсе и не тривиальные вещи, как многие могут возразить. Сервисов по распознаванию лиц полно, а вот законченных бизнес-решений на их основе – раз-два и обчелся.


В следующей части я расскажу про более глубокий анализ, про различные практические кейсы в ритейле и не только, и, конечно, про то как это всё работает. Мы же на хабре!!!


Команда CVizi сделала еще один шаг к тому фантазии и мечты многих собственников стали чуть ближе и реальнее.


Продолжение следует….


Об авторе


Алексей Осипов — директор по развитию компании CVizi. Контакты: 'aosipov @ cvizi.com'. На нашей страничке в FB мы выкладываем новости по выходу и использованию наших новых наработок и технологий.

Комментарии (8)


  1. jenga67
    14.05.2019 11:13

    Спасибо за статью.
    На скриншоте с отчетом по счетчику посетителей, по некоторым группам вышло меньше людей чем зашло, это статистика только по одному входу? Бывает ли такое в целом по локации и как вы с этим работаете?


    1. SandroSmith
      16.05.2019 09:55

      Это, скорее всего, те самые 5-15% неточности. У нас такая картина тоже постоянно наблюдается в могазинах с единственным датчиком.


  1. Juster
    14.05.2019 11:13

    Объект не может появиться и исчезнуть в определенных областях

    Легко: приходит папа с дочкой на шее, снимает её, и вот у вас уже два объекта.
    Парень с девушкой плотно обнимаются, накрываются курткой сверху, и вот уже один объект.
    Или камера залагала и пропустила несколько кадров и объекты появились/исчезли. Или свет выключили на пару секунд. Или отблеск от металлического объекта засветил камеру на пару секунд. Или детектор объекта ошибочно воспринял графический узор за человека.


    1. agat000
      15.05.2019 08:08

      Это единичные случаи. 2-3 раза в день не критично. А вот большие расхождения должны вызывать вопросы и проверку техники. И дисциплины.


  1. Zempik
    14.05.2019 12:25

    Очень надеюсь, что вся собранная информация в магазинах и ресторанах, и других местах, действительно будет проанализирована и применена для улучшения сервиса.

    Особенно понравилось определение эмоций на лице. Это же сколько возможностей для исследований поведенческих факторов.


    1. belyvoron
      14.05.2019 20:37

      эти решения стоят денег. Поэтому их внедряют, в первую очередь, для того, чтобы повысить прибыль. Основной заказчик решений по видео-, wifi- и прочей аналитике — маркетинговые службы, которым нужно повысить конверсию рекламы, онлайн-в-оффлайн, средний чек и т.п.
      улучшение сервиса тоже, конечно, повысит средний чек, но косвенно.


      1. kITerE
        16.05.2019 12:48

        Дело не только в намерениях тех, кто ставит такое оборудование.
        Важно еще кто в какой форме и объеме будет иметь доступ к собранной информации.


        Не вводим дополнительные персонализированные параметры: номера документов, имя, даты рождения и не ищем его в социальных сетях и других базах данных. Таким образом, технологии позволяют получить не большее количество информации, чем ее мог получить обычный человек, просматривая видео, записанное в разрешенном публичном месте (магазин, ресторан, парикмахерская и прочие точки).

        То, что этого не делает система — прекрасно. Важно что бы сырой массив данных не попал к не самому честному сотруднику, который парой py-скриптов сможет привязать и профилям в соц. сетях и много чего еще.


  1. thauquoo
    14.05.2019 21:40

    Вот «впаривание» карт лояльности порой сильно раздражает. Именно, когда идёт впаривание. В лучшем случае приходится сказать «нет» раз 5. В худшем начинают придумывать «ну это обязательно, мы не можем так продать товар». Был случай, когда вызывали менеджера и с недовольством оформляли покупку без карточки, когда я сказал, что отказываюсь покупать с обязательным оформлением карточки.