Як торгові центри можуть аналізувати дані турнікетів за допомогою великих даних?

一 Збір даних: створення мережі сприйняття, яка включає багато вимірів
Поворотні ворота можуть збирати дані, оскільки їх апаратне та програмне забезпечення працюють разом, щоб це відбувалося. Більшість сучасних турнікетів мають такі датчики та модулі розпізнавання:
Модуль біометричного розпізнавання: цей модуль використовує камери розпізнавання обличчя для збору інформації про вік, стать, вираз обличчя та інші риси людини. Потім він використовує систему членства, щоб зіставити ці записи для створення динамічного профілю користувача.
Поведінкові датчики: інфрачервоні датчики відстежують напрямок, швидкість і тривалість руху. Датчики тиску відстежують частоту та навантаження вимикачів воріт, щоб дізнатися, наскільки справне обладнання.
Пристрої, які сприймають навколишнє середовище: датчики температури та вологості стежать за умовами в зоні воріт, зонди Wi-Fi записують MAC-адреси мобільних телефонів клієнтів і допомагають визначити, скільки людей проходить і куди йде тепло.
Ворота підключені до POS-системи та системи балів учасників. Це робить замкнутий цикл «споживання пропуску» шляхом синхронізації даних, наприклад, скільки було витрачено, скільки купонів було використано та скільки балів було викуплено.
Наприклад, система інтелектуальних воріт, встановлена ​​в торговому центрі в -місті першого рівня, генерує 500 000 біт даних на день. Це включає 200 000 записів розпізнавання облич, 150 000 журналів дорожнього руху, 100 000 екологічних індикаторів і 50 000 даних,-пов’язаних із транзакціями. Граничний обчислювальний вузол спочатку обробляє ці дані, а потім вони надсилаються в хмарне сховище даних у реальному часі, що є основою для подальшого аналізу.

2, Обробка даних: очищення, об'єднання та моделювання
Необроблені дані містять проблеми, зокрема надмірний шум, багато розмірів і змішані формати. Щоб усунути ці труднощі, дані повинні пройти наступні етапи:

Очищення даних: позбудьтеся повторюваних записів трафіку (наприклад, один і той самий клієнт, який входить і виходить багато разів), викидів (наприклад, надто високий час відкриття та закриття воріт) і відсутніх значень (наприклад, пропуски в стовпці віку, спричинені помилками розпізнавання обличчя). Точність очищених даних зросла до понад 99% завдяки використанню алгоритмів машинного навчання для самостійного пошуку та виправлення помилок у даних.
Об’єднання даних: щоб створити єдине озеро даних, об’єднайте дані шлюзу з даними з інших систем торгового центру, таких як CRM, ERP і POS. Наприклад, ви можете порівняти кількість часу, який клієнти витрачають на проходження через ворота, з часом, який вони проводять у системі POS, і переглянути коефіцієнт конверсії для «-споживання в магазині». Ви також можете порівняти потік пасажирів у зоні воріт із даними про продажі магазину, щоб побачити, наскільки добре бізнес виснажує.
Інженерні функції: щоб створити структурований набір даних, вам потрібно витягнути важливі частини з необроблених даних, зокрема «піковий обсяг трафіку», «розподіл часу перебування споживачів», «частоту збоїв у воротах» тощо. Аналіз основних компонентів (PCA) — це метод для зменшення кількості вимірів і обсягу роботи, необхідної для виконання обчислень.
3, Аналіз даних: розумний вибір від опису до прогнозу
Роздрібний торговий центр може виконувати багато{0}}рівневий аналіз на основі даних, які він обробив:

1. Описовий аналіз: погляд на поточний стан речей
Куди і коли рухаються пасажири: використовуйте теплову карту, щоб показати щільність пасажиропотоку в зоні виходу на посадку, знайдіть час найбільшої завантаженості (наприклад, 14:00–16:00 у вихідні) та час найменшої завантаженості (наприклад, 10:00–12:00 у будні), а також найкращим чином використовуйте прибиральник і персонал служби безпеки.
Профіль споживача: використовуючи дані розпізнавання обличчя та системи членства, подивіться, як часто подорожують люди різного віку та статі, де вони зупиняються та що люблять їсти. Наприклад, дослідження показало, що жінки віком від 25 до 35 років частіше залишаються на косметичних підприємствах біля воріт, де можна просувати цільові купони.
Статус роботи обладнання: слідкуйте за кількістю перемикачів воріт, частотою відмов, записами про технічне обслуговування, прогнозованим терміном служби обладнання та небезпекою простою.
2. Прогнозний аналіз: вгадування того, що станеться далі
Прогнозування пасажиропотоку. Модель часових рядів (ARIMA) використовується для оцінки майбутнього пасажиропотоку на основі минулих даних про трафік і зовнішніх факторів, таких як погода, свята та діяльність, що відбувається поблизу. Це дає змогу миттєво коригувати робочий час працівників служби безпеки та магазинів.
Прогнозування поведінки споживачів. Використовуйте правила асоціації (наприклад, алгоритм Apriori), щоб побачити, як пов’язані шляхи подорожей споживачів і споживча поведінка. Наприклад, якщо люди, які йдуть прямо в обідню зону після того, як знайшли ворота, витрачають на 30% більше, ніж звичайна людина, можна спланувати цілеспрямовані заходи з просування громадського харчування.
Попередження про проблеми з обладнанням: використовуючи модель нейронної мережі LSTM, подивіться на дані датчика затвора (наприклад, температуру двигуна та частоту перемикань), щоб виявити проблеми за 72 години до їх виникнення та зменшити вплив раптового відключення на роботу.
3. Причинно-наслідковий аналіз: метод оптимізації
Оцінка ефективності маркетингу: A/B-тестування дає змогу побачити, як реклама в різних зонах воріт (наприклад, рекламна інформація на електронному екрані) впливає на тривалість перебування людей і скільки вони купують. Тоді ви зможете покращити вміст і розміщення оголошень.
Удосконалення планування магазину: подивіться, як кількість клієнтів у зоні воріт впливає на продажі в магазині, а потім перенесіть магазин. Наприклад, поєднання турнікетів на жвавих ділянках із закладами, які не продають багато, може допомогти людям зорієнтуватися, надаючи їм інші маршрути.
Запобігання та контроль ризиків безпеки: алгоритми виявлення аномалій, як ізольовані ліси, виявляють дивну поведінку в зоні воріт, наприклад, люди багато рухаються або слідують за іншими. Потім система безпеки підключається для надсилання-сповіщень у реальному часі, що знижує ймовірність крадіжки та шахрайства.
4, Застосування даних: замкнутий цикл від розуміння до дії
Висновки аналізу необхідно перетворити на стратегії, які можна втілити в дію:

Точний маркетинг: оголошення, адаптовані до кожного клієнта, розміщуються в зоні воріт. Наприклад, надсилання рекламних матеріалів сучасного бренду молодим людям, які часто відвідують сайт, і надсилання знижок на дитячу ігрову зону сім’ям.
Динамічна робота: змінюйте години роботи магазину на основі прогнозів щодо кількості клієнтів, які прийдуть. Наприклад, ресторани можуть залишатися відкритими довше у вихідні з великою зайнятістю та виконувати ремонт свого обладнання під час меншої завантаженості.
Покращте безпеку, розмістивши камери в-місцях підвищеного ризику (наприклад, у місцях зустрічі турнікетів і ліфтів), зробивши шляхи патрулювання безпеки більш ефективними та прискоривши час реагування на надзвичайні ситуації.
Управління обладнанням: Зробіть запис про стан воріт, відстежуйте історію технічного обслуговування, типи несправностей, запасні частини та іншу інформацію. Крім того, вдосконаліть запаси запасних частин і плани технічного обслуговування.
Поворотний турнікет безпеки аеропорту E-gate