Příkladem takové aplikace, která je nově dostupná i na našem trhu, je Nextiva Retail Traffic Analysis kanadsko-americké společnosti Verint. Stejně jako jiní výrobci v oboru bezpečnostních systémů i Verint věnuje v posledních letech značnou pozornost tzv. analýzám v obraze. Jde o to, že software rozpoznává v záběrech z digitálních kamer lidi, automobily či jiné objekty a vyhodnocuje jejich chování. Třeba v nově otevřených tunelech pražského dálničního okruhu, kde je také nasazeno řešení od Verintu, systém upozorní řízení provozu v případě prudkého zpomalení automobilu, ztráty nákladu z vozidla, vniknutí chodce, zvířete apod. Využití takových funkcí k analýzám zákaznického chování je jen logickým rozvinutím tohoto trendu. S tím podstatným rozdílem, že se nesledují jednotlivé osoby ani události, ale vytváří se statistiky a sledují trendy. Ohromnou výhodou proti všem dosavadním řešením je skutečnost, že již není zapotřebí fotografovat regály, zadávat data o zboží nebo instalovat nová zařízení. Využije se obraz ze stávajících bezpečnostních kamer. Verint jako první dotáhl takové řešení do podoby komerčního balíku a získal i reálné reference, i když zatím naprostou většinu z nich v USA.

Proč data z pokladen nestačí

Analýza obrazu z kamer umožňuje radikálně rozšířit informace, se kterými pracuje marketingový personál supermarketů, obchodních řetězců nebo obchodních center. Už delší dobu se využívají data z pokladen (POS). Některé organizace nasadily nástroje třídy category management, které ukazují souvislost mezi umístěním zboží a mírou prodejů. Ale ukazuje se, že to nestačí. Proč jsou některá místa atraktivnější než jiná? Kolik zákazníků se vyskytuje v jednotlivých odděleních? Jaká je míra konverze mezi zákazníky, kteří u regálu postojí, a těmi, kteří opravdu koupí? Není tomu třeba tak, že by v té chvíli potřebovali poradit? Mají tendenci se vracet, nebo ne? Jaké procento z těch, kdo postáli u určitého zboží, se zastaví také u konkurenčního produktu? Mění se chování podle denní doby a dne v týdnu? To jsou otázky, na které dává aplikace Nextiva Retail Traffic Analysis jasné odpovědi. Výsledkem pak může být nejen jiné rozmístění zboží, ale také optimalizace personálu v prostoru a čase i silnější pozice při vyjednávání s dodavateli – provozovatel supermarketu nebo nákupního centra může doložit, kolik lidí prochází kolem určitého regálu nebo výkladu.

RTA pomáhá porozumět chování nakupujících a zaměstnanců obchodů tím, že v obraze z kamer rozpoznává osoby, sleduje jejich chování a analyzuje je pomocí statistických algoritmů.

Před kamerami se neschováte

Technický princip řešení lze popsat zhruba následovně. Systém v obraze rozeznává jednotlivé lidi. Každému „objektu“ přidělí číslo a sleduje jej po celou dobu, kdy se pohybuje v záběru kamery. Neztratí objekt, ani když je větší část těla zakryta regálem nebo jinou překážkou nebo když se vytvoří dav. Testy ukázaly, že schopnost počítačového programu rozpoznat v členitém obraze člověka je vyšší než u lidského oka. Při analýzách z obrazu kamer navíc nevadí nedokonalé osvětlení. Toto počítání jednotlivých lidí je výhodou nejen při sofistikovanějších analýzách, ale třeba i při běžném zjišťování, kolik lidí vchází do supermarketu. Standardně používaný infračervený paprsek, který je při vstupu každého nového zákazníka přerušen, je totiž prakticky nepoužitelný, jakmile provoz zhoustne a vchází více zákazníků najednou.

Anylýza čel regálů odhaluje dramatické rozdíly mezi atraktivností produktů. Rozdíl mezi sousedními čely je až desetinásobný (zákazníci, kteří se zastavili na déle než 20sekund).

Identifikace nejatraktivnejších míst. Konkrétní televizní obrazovka přitahuje nejvíce pozornosti.

Srozumitelné analýzy

Systém takto získané údaje o chování osob načítá do celkových přehledů a zobrazuje je způsobem, který je na první pohled pochopitelný i laikovi. Uživatel nepotřebuje školení, aby okamžitě porozuměl, která místa jsou hojně navštěvována, a kde jsou „mrtvé zóny“. Aby viděl, kolik lidí se zastaví u kterého produktu. Že od vitríny A k vitríně B přešlo 320 zákazníků a opačným směrem jen čtrnáct. Statistiky toho, jak se během dne a týdne mění počet zákazníků v jednotlivých částech obchodu, jsou stejně snadno srozumitelné. Jakmile je řešení nasazeno, marketingový expert nebo manažer prodejny si myší prostě zaklikává, jaké údaje a statistiky ho zajímají.

Lidí, kteří se v oddělení kytar zdrží více než 40 vteřin, je průměrně 185 denně. „Tepelná mapa“ ukazuje, kam směřuje jejich zájem.

Měření konverzí v supermarketu

Pomocí integrace s dalšími systémy je možno provést i sofistikovanější analýzu dat. To se týká zejména dat z pokladen. To umožňuje sledovat nejen chování zákazníků, ale také míru konverze a její změny v čase. Při jednom z nasazení v Severní Americe se například ukázalo, že ačkoliv v období před vánocemi vzrostly prodeje některých položek, nárůst zdaleka neodpovídal nárůstu zákazníků, kteří se o tyto položky zajímali. Stačilo přidělit více prodavačů, aby byli kupujícím v kritických časech k dispozici, a míra konverze se zvýšila na úroveň jiných období roku. Využívání sofistikovanějších analýz pochopitelně klade větší nároky na připravenost uživatelů.

Identifikace mrtvých míst. Některá čela regálů nejsou tak atraktivní jako jiná.

Součást servisu nájemcům shopping centra

Řešení může být nasazeno v rámci jedné prodejny, ale také v celém maloobchodním řetězci. Data ze všech prodejen mohou být společně zpracovávána v centrále, takže je možné navzájem porovnávat chování zákazníků v různých prodejnách. Manažerům jednotlivých prodejen jsou pak poskytována ta data, která potřebují. Podobně při nasazení v nákupních centrech může majitel každé prodejny v nákupní galerii vidět, kolik lidí prochází kolem jeho výkladu, kolik z nich se zastavuje, jak se tento trend změnil s novou výlohou, nebo se změnou výlohy blízkého konkurenčního obchodu apod. Systém přitom neukládá žádná data o jednotlivých zákaznících ani jejich podoby. Nemůže tedy dojít k narušení soukromí nebo ke zneužití citlivých údajů.

Typické příklady využití

Výstupy z Nextiva Retaily Traffic Analysis se využívají zejména pro následující účely:

Schopnost rozeznat více lidí než jakákoliv konkurenční technologie. Stačí, aby za regálem vykoukla hlava, a systém zaznamená člověka.

Optimalizace personálu

Asi všichni známe situaci, kdy právě v té chvíli, kdy potřebujeme pomoc, není v okolí žádný prodavač. Všichni doplňují zboží nebo postávají v jiných částech prodejny. A často je tomu tak, že když se prodavač objeví, nevyjde na nás řada, protože jeho radu potřebují i jiní zákazníci. Analytická aplikace pomáhá manažerům prodejen rozmístit personál lépe podle toho, kde se vyskytují zákazníci. Zvyšuje se tedy kvalita služeb, někdy dokonce za současného snížení počtu prodavačů. Analýzy z kamer jsou využívány i pro zjišťování, kdy se tvoří největší fronty.

Ocenění prodejní plochy pro vyjednávání s partnery

Jednání o ceně mohou být založena na přesných informacích o tom, kolik zákazníků prochází určitým místem, kolik z nich se zastaví u určitého regálu, kolik času u tohoto regálu průměrně stráví.

Optimalizace uspořádání prodejen

Jestliže manažer prodejny ví o místech, která jsou málo zákaznicky atraktivní, ať je na nich umístěno jakékoliv zboží (to nemusí přímo souviset s úrovní prodejů), může provést odpovídající změny v uspořádání zboží, oddělení apod. a tyto mrtvé zóny eliminovat.

Měření a zvyšování konverze

Pomocí aplikace pro analýzu obrazu z kamer může marketingový specialista sledovat celý proces – zákazník prochází kolem, zákazník je zaujat, zákazník kupuje –, měřit úspěšnost jednotlivých fází a přizpůsobit tomu místo a způsob vystavení zboží. Je jen otázkou času, kdy bude samozřejmé, že naše chování v supermarketech a jejich okolí bude pečlivě analyzováno. Stejně jako je dnes samozřejmé, že telekomunikační operátoři měří spokojenost a retenci zákazníků. Ať se nám to líbí nebo ne, bezpečnostních kamer ubývat nebude, a zcela jistě nebude klesat ani zájem obchodních organizací o využití zdrojů.

Filip Šelemberk
Autor pracuje jako projektový manažer ve společnosti Integoo.