门店客流系统应该怎么选 剔除店员事件是关键

为了更好地对门店进行数字化运营管理,越来越多的零售品牌正在通过「门店客流系统」来采集、分析、洞察和管理客流数据。门店客流量,已经成为评估零售实体经营状况的重要指标之一。实际运营中,不少企业都曾遇到这样的问题,虽然采买了客流系统,但由于数据不准确、不完整,运营支持不够甚至有隐私风险等问题,才买没多久就要更换系统,或是沦为用不起来的数字化“摆设”。

如何正确选择「门店客流系统」,如何不在数字化建设中花冤枉钱?

大数据分析中有一个重要的原则 Garbage In, Garbage Out(GIGO),指输入数据的质量直接影响输出结果的质量。如果输入的数据不准确、有误或不完整,那么无论处理过程如何建模、分析,输出的结果都是不可用的。GIGO 原则同样适用于零售数据的分析,如果「门店客流系统」提供的数据不准确,在制定门店经营策略、考核业绩时也会出现偏差。

而数字化运营的精髓,就在于通过智能技术让运营管理过程和结果得以量化,进而数字化、标准化、指标化地进行目标的设定与考核的开展。利用数据分析去看清问题,说清事实,预测未来,衡量提升效率、降低成本等目标的达成度。但值得警惕的是,任何考核都需要依托准确的数据事实,哪怕只有10%～20%的偏差,都不可作为考核依据。

因此,数据准不准,就成为衡量「门店客流系统」是否真正可用的关键。本篇文章开始,我们将通过系列内容详细介绍数据准确、真正可用的门店客流系统的必备特点/能力。

本期我们重点说说剔除店员事件。线下门店客流统计中,需要将店员进出店的数据剔除,才能得到相对准确的客流数据。比如店员送顾客出店,或是店员去洗手间,有些门店还需要店员在门口带领顾客测试产品等等,都会引发反复进出门店的情况出现。

这有多影响客流数据准确性呢?举个让某珠宝品牌店头疼的实际案例,该店常规配置6-7个店员接待,其中单个店员去洗手间、拿外卖/吃饭、换班等进出店事件就接近10次。从传统客流系统的当日进店人次统计来看,进店客流总计160人次,事实上其中60-70人次为店员数据,这就给依托数据做运营判断带来很大的干扰。

爱笔门店客流数据显示,以汽车商超店为例,店员进出店事件占客流数据的比例最少可能不超过5%,最多则接近50%,不同门店类型,店员进出店事件在客流数据中的占比也不同。如果不能针对不同门店情况准确剔除店员数据,误将店员当顾客,客流系统的可用性就大打折扣。

传统客流系统基于垂直俯视的摄像机,从最早利用头肩识别到近几年采用 ReID 算法( 行人重识别,Person re-identification),不难做到较为准确地统计「进店人次」。但是,由于从头顶向下拍摄范围有限(多为头顶及肩膀等特征),能够用于区分店员的特征较少,很难做到准确剔除店员事件。特别是客流量大、顾客与店员穿着类似等情况,基本就是不可能的任务。

为解决这一难题,爱笔门店客流系统的做法是,通过独家的线下人员行为全流程感知技术,其融合了10-15个不同的空间计算技术(包含ReID),基于200多个人体表观特征进行时空关联分析,能够对穿着工服的店员特征、行为及在店时长等进行自训练,基于深度学习AI算法形成「店员剔除模型」,实现店员数据的精准过滤。

爱笔门店客流系统的「店员剔除模型」更能根据工服变换进行动态调整。例如,有些零售企业夏冬季工服不同,又或是企业定期更换工服样式,传统客流系统的店员剔除功能就会彻底“失灵”,但是爱笔门店客流系统能够基于对店员服装变化的精准捕捉,进行持续的自学习,迭代升级「店员剔除模型」,保持数据的准确性。

如何选择一套真正可用的「门店客流系统」,数据的准确性,关乎着整个系统是否有用、是否可用,是重中之重。

是否能剔除店员进出店数据?是否能去除重复进店数据,甚至是否能过滤穿堂客、外卖员、保洁员、商场管理者等无效的客流数据?是否能精准捕捉过店客流区域?这些都直接关系着「门店客流系统」是否能为您的日常运营真正带来价值。

除此之外,「停留时长」也是门店运营中需要参考的关键指标,「门店客流系统」在统计过店、进店的同时是否也能产出准确的「停留时长」?更进一步,将摄像机覆盖范围从门口延伸至店内区域,基于线下人员行为全流程感知技术,爱笔的系统还能提供哪些精细的数据和丰富的功能。我们将陆续展开介绍,敬请期待……

http://bgacdzs.yongzhou.gov.cn/news-99-49704-1.html