Видеоаналитика в бизнесе — улыбайтесь, вас снимают НЕ скрытой камерой

Эмоции продают. Но как узнать, какие эмоции испытывает клиент от посещения вашего мероприятия, шоурума, магазина? Юрий Кучеровский из компании Rockets занимается computer vision и искусственным интеллектом в event-индустрии. Эксперт по эмоциям рассказал в интервью нашему корреспонденту, как видеоаналитика используется для оценки работы персонала и повышения уровня лояльности клиентов.

— Юрий, расскажите немного о том, откуда вообще взялась видеоаналитика и как она развивалась.

В ее первоначальном виде видеоаналитика появилась в России еще в конце 1990-х годов. Изначально это было видеонаблюдение для охранных целей с последующей ручной обработкой. Когда оно получило широкое распространение, резко возросла потребность в операторах видеонаблюдения. Спрос превысил предложение. Профессиональные требования к операторам снизились. Как следствие, снизилось качество их работы. С появлением видеомагнитофонов, специально разработанных для систем видеонаблюдения, ситуация немного изменилась. Возможность контроля стимулировала у операторов более ответственное отношение к работе.

Технический прогресс привел к широкому внедрению компьютерной техники. На базе компьютеров появились системы видеонаблюдения с детектором движения. Оказалось, что детектор движения может заменить несколько операторов видеонаблюдения.

Развивались и технологии в области аналитики. Благодаря вычислительным мощностям, которые проводили анализ быстрее и проще, видеоаналитика снова набрала популярность. Сегодня она широко применяется в сфере безопасности, маркетинге, ритейле. Мы первые, кто начали применять ее в сфере event.

— В чем суть видеоаналитики?

Как маркетинг — довольно широкое понятие, которое включает в себя и PR, и интернет-маркетинг, и event-маркетинг, так и видеоаналитика — это в первую очередь компьютерное зрение, в котором есть распознавание:

• лиц,
• эмоций,
• объектов и т. д.

 Анализ видеоданных является подмножеством компьютерного зрения и искусственного интеллекта. Научные исследования в области компьютерного зрения и искусственного интеллекта ведутся в России с 2000-х годов на базе исследовательских центров и нескольких крупных университетов.

В России до недавних пор алгоритмы видеоаналитики применялись в основном для детектирования событий, распознавания опасных предметов и идентификации лиц с целью обеспечения безопасности на различных объектах: охраняемых территориях, транспорте (аэропорты, распознавание автомобильных номеров для ГИБДД), а также на государственных объектах. 

dic.academic.ru

Видеоаналитика имеет довольно широкое применение. Например, отслеживание нежелательных лиц в ритейле. Очень часто заведения направления HoReCa, а также различные торговые площадки сталкиваются с недостачами, воровством и проблемами несоответствия проведенного и фактически выданного товара. От такой недобросовестной работы персонала бизнес может терять свыше 20 % прибыли. Видеоаналитика позволяет значительно снизить этот процент и вернуть бизнесу потерянные деньги.

В маркетинге коммерческих отделов ритейла есть такой важный показатель, как OSA (On-Shelf Availability) — доступность товара на полке магазина в любое время. В свою очередь ситуация, когда товар отсутствует на полке, а вы хотите его купить, называется OOS (Out-of-Stock). Представим себе продуктовый магазин у которого 4000 SKU, например та же молочная группа. Как понять, когда товар на полке закончился? Обычно мерчендайзер узнает об этом лишь в конце дня, когда проверяет полки магазина. Возникает история, когда клиент приходит в магазин, а товара нет. В целом по рынку из-за отсутствия нужного товара на полке магазины в среднем теряют около 20 % прибыли.

Решение — камера, которая смотрит на товарную полку. По каждому наименованию продукта есть база, а машинное зрение в свою очередь отслеживает, есть товар на полке или нет. Как только покупатель забирает, скажем, предпоследний товар с полки, в отдел закупок приходит уведомление. Таким образом, видеоаналитика позволяет более оперативно среагировать и в результате возвращает потерянные деньги.

Самые рентабельные способы применения видеоаналитики в ритейле: контроль наличия и правильности выкладки товаров на полках, оценка количества людей в очередях и предотвращение краж в магазинах. Результаты внедрения видеоаналитики:

• от 2 до 5 % роста в товарообороте за счет повышения показателя наличия товаров на полке;
• +20 % рост оборота и до 30 % рост среднего чека при внедрении системы детекции очередей и открытии дополнительных касс;
• +10 % увеличение оборота за счет внедрения планограмм на базе видеоаналитики.

Отличный кейс — эксперимент Х5 Retail Group, который компания проводила на основе нейронных сетей и искусственного интеллекта. Она использовала технологии видеоаналитики и компьютерного зрения для контроля правильности выкладки и количества товаров на полке, отслеживания числа людей в очередях, определения самых посещаемых отделов в магазинах, а также распознавания лиц покупателей, их пола, возраста и настроения.

 Разработку ИТ-кластера «Сколково» Intelligence Retail протестировали в пяти супермаркетах «Перекресток» Московского региона и в торговой сети «Пятерочка». X5 выбрала самые рентабельные способы применения видеоаналитики: контроль наличия и правильности выкладки товаров на полках, оценку количества людей в очередях и предотвращение краж в магазинах. Кроме этого, видеоаналитика помогла улучшить качество обслуживания на кассах.

За время пилотного запуска эта система научилась распознавать около 1500 товаров. Она показала точность на уровне 93,7 % в распознавании товаров на полках. В результате контроль планограмм (схем размещения товаров на стеллажах и в витринах магазина) ускорился в десятки раз. Количество людей, уходящих из магазина без покупок, было сокращено на 10 %, и на 20 % снизились потери магазинов. Кроме того, с помощью видеоаналитики удалось вдвое снизить количество краж в магазинах. 

Источник: https://www.x5.ru/ru/Pages/Media/News/060618.aspx

Также видеоаналитика используется для оценки работы персонала и повышения уровня лояльности клиентов. Когда пользователь/клиент/посетитель подходит к персоналу, видеоаналитика позволяет проанализировать, насколько хорошо его обслужили, удовлетворили ли его потребности. Например, мы видим по отчету, что из 1000 человек, которые общались с этим менеджером, 33 % испытывали негативные эмоции. Это очень много, явно что-то не так с этим менеджером. :)

Например, для одной сети АЗС мы настроили систему пуш-уведомлений: руководству приходит пуш-уведомление, если уровень негатива на АЗС выходит за рамки нормы. Таким образом, многократно увеличивается скорость реакции и, как следствие, улучшается клиентский опыт.

Другие возможности для бизнеса:

• прогнозирование продаж на основе данных о реальном потоке посетителей/покупателей;
• оценка эффективности бизнеса, расчет коэффициента конверсии на основании статистических данных о посещаемости объекта;
• привязка мотивационной системы сотрудников к коэффициенту конверсии;
• анализ качества использования мощностей: торговой площади, работы персонала;
• оценка эффективности рекламных кампаний и вложений в PR и маркетинг на основании данных о посещаемости объекта;
• снижение издержек на персонал, корректировка количества персонала в смене и графика работы объекта в соответствии с интенсивностью потока посетителей.

Мы занимаемся computer vision и искусственным интеллектом в event-индустрии. Используем в своей работе распознавание лиц и эмоций.

Во время iForum 2019 мимо установленного нами стенда на протяжении дня прошли почти 3 тыс. гостей конференции. Система вычислила их пол, возраст и зафиксировала настроение.

Каждому зафиксированному посетителю был присвоен ID. Дальше собранную информацию комбинировали, сегментировали и подвергли бизнес-анализу. В результате наш клиент убедился в том, что хорошо выбрал место для своего стенда, смог оценить эффективность работы персонала, а также получил оцифрованные лиды со стенда с выгрузкой в СRM.

— Как это работает на техническом уровне?

Сами алгоритмы любой видеоаналитики — это база, платформа, на которой строятся различные решения. Таких платформ всего две — Microsoft и Amazon. Их код находится в открытом доступе. Компании берут его за основу и модернизируют под определенные решения. Например, для отслеживания брака товара в производстве. В сфере услуг замеряют «уровень счастья» клиентов и т. д. Мы первые, кто начал применять это в event-индустрии.

Решений очень много, и их количество стремительно растет. Сейчас уже более 1000 компаний в СНГ занимаются видеоаналитикой в различных сферах. Согласно исследованию, рост составляет 27 % в год.

Мы используем модуль Microsoft по распознаванию пола и возраста. Также у нас есть своя нейронная сеть, которая распознает эмоции людей. Она собрана нашими специалистами и обучена на большой базе данных фотографий (открытые и собственные датасеты).

Далее мы взяли за основу методологию американского психолога Пола Экмана о 6 базовых эмоциях, дополнили ее еще двумя и с помощью Machine Learning обучили модель распознавать эти эмоции на лицах людей.

Например, одна из базовых эмоций — счастье. Мы взяли 100 тыс. фотографий счастливых людей и сказали программе: «Это счастье». Затем она смотрит на фото другого человека и уже сама говорит, счастлив он или нет. Берем следующую эмоцию и т. д. Так технология учится, это и есть то самое машинное обучение. Загружаем еще 100 тыс. фотографий удивленного лица, например. Спрашиваем: этот человек счастливый, грустный, удивленный? Какой?

Две эмоции, которые мы добавили к базовой методологии Экмана, — это отвлечение и, скорее, даже не эмоция, а поведение — человек смотрит в телефон. Сейчас мы работаем над тем, чтобы распознавать не 8, а уже 40 разных эмоций. Хотим разбирать микроэмоции по физиогномике, чтобы увеличить точность распознавания.

Естественно, event не единственная сфера, где применяется распознавание эмоций. Например, компания Kia на своем стенде CES 2019 показала возможности технологии Affectiva's Emotion AI для отслеживания состояния водителей во время езды и уменьшения таким образом количества ДТП.

— В каких случаях имеет смысл применение данной технологии в event-индустрии?

1. Для подсчета посещаемости лекций, конференций, выставок. Для понимания нагрузки — в какой конкретно момент происходят пики нагрузки.

Например, на форуме маркетинг-директоров, который мы анализировали, основной всплеск посещаемости наблюдался за 15 минут до начала мероприятия. У нас есть четкие данные, подтверждающие это.

2. Для анализа эмоций посетителей, чтобы в целом понять, как они отнеслись к лекции, выступлению спонсора и т. д. Чтобы затем сделать выводы, скорректировать программу на следующее мероприятие или предоставить отчетность спонсорам.

3. Используем для вау-эффекта и привлечения посетителей на бренд-зону. Видеоаналитика пока не очень распространена и поэтому, когда на каком-то спонсорском стенде появляется монитор с распознаванием эмоций в режиме реального времени, это привлекает внимание. Человек подходит, смотрит в экран, его снимает камера, и на монитор сразу же выводится его лицо и, например, happiness 98 % или, если он удивлен — surprise 80 % и т. д.

— Как оценить результативность видеоаналитики в event?

Видеоаналитика в event — это больше не про увеличение доходности здесь и сейчас, а про работу на перспективу. Мы вообще уходим от оперирования понятиями прибыльности/доходности. Видеоаналитика обеспечивает прирост в деньгах за счет уменьшения человеческого фактора, ускорение реакции в каких-то важных ситуациях.

Если, применяя видеоаналитику в ритейле, мы сразу видим все тепловые карты торгового центра, как посетители перемещались по нему, знаем, как нужно оборудовать зоны, чтобы проходимость увеличилась, и т. д., то в ивентах есть определенная специфика. Организаторы события зарабатывают ДО того, как этот ивент состоялся. Видеоаналитика же дает информацию постфактум. Поэтому здесь логичнее говорить об отложенном профите. Исключение — если видеоанализ как опция предлагается спонсорам и в экспозону и организатор имеет дополнительную маржу.

Если мы оцениваем одно мероприятие, то данные позволят увидеть группу лояльных участников, понять, зашло ли то или иное выступление, узнать по каждому спикеру, сколько процентов людей его слушали и как оценили лекцию. Если мы анализируем ряд мероприятий, то получаем больше данных для более глубокого анализа: есть ли группа постоянных посетителей этих ивентов, какова динамика реакции на один и тот же рекламируемый продукт и посещения его на мероприятиях, какой спикер заходит аудитории, а каким сегментам не заходит, стоит ли поменять название лекции, чтобы исключить негативные реакции.

Так у организаторов событий на руках появляются технически обоснованные данные для спонсоров и СМИ. То есть они приходят и говорят: «Вот что мы конкретно готовы вам предложить». И это не просто листовки про стенды. Они показывают точные данные: «Столько человек было на нашем прошлом мероприятии, столько человек послушали лекцию, стольким понравилось, столько увидели стенд» и т. д. И такие же данные они могут предоставить спонсорам после мероприятия.

Будущее уже наступило. Просто оно неравномерно распределено. Вопрос лишь в том, кто мы в этом будущем – последователи или инициаторы?