Làm thế nào các trung tâm mua sắm có thể phân tích dữ liệu cửa quay thông qua dữ liệu lớn?

一, Thu thập dữ liệu: Tạo ra một mạng lưới nhận thức bao gồm nhiều chiều
Cổng quay có thể thu thập dữ liệu vì phần cứng và phần mềm của nó phối hợp với nhau để thực hiện. Hầu hết các cửa quay hiện đại đều có các cảm biến và mô-đun nhận dạng sau:
Mô-đun nhận dạng sinh trắc học: Mô-đun này sử dụng camera nhận dạng khuôn mặt để thu thập thông tin về tuổi, giới tính, nét mặt và các đặc điểm khác của một người. Sau đó, nó sử dụng hệ thống thành viên để khớp các bản ghi này để tạo hồ sơ người dùng động.
Cảm biến hành vi: Cảm biến hồng ngoại theo dõi hướng, tốc độ và thời gian dừng của phương tiện giao thông. Cảm biến áp suất theo dõi tần số và tải của các công tắc cổng để tìm hiểu tình trạng hoạt động của thiết bị.
Các thiết bị cảm nhận môi trường: cảm biến nhiệt độ và độ ẩm theo dõi các điều kiện trong khu vực cổng, đầu dò Wi Fi ghi lại địa chỉ MAC trên điện thoại di động của khách hàng và giúp tìm hiểu có bao nhiêu người đi qua và nơi có nhiệt độ cao.
Cổng được kết nối với hệ thống POS và hệ thống điểm thành viên. Điều này tạo ra một vòng khép kín "tiêu thụ vượt qua" bằng cách đồng bộ hóa dữ liệu như số tiền đã chi tiêu, số phiếu giảm giá đã được sử dụng và số điểm được đổi.
Ví dụ: hệ thống cổng thông minh được lắp đặt trong trung tâm mua sắm ở-thành phố hạng nhất tạo ra 500.000 bit dữ liệu mỗi ngày. Điều này bao gồm 200.000 bản ghi nhận dạng khuôn mặt, 150.000 nhật ký giao thông, 100.000 chỉ báo môi trường và 50.000 dữ liệu liên quan đến giao dịch. Nút điện toán biên xử lý dữ liệu này trước, sau đó được gửi đến kho dữ liệu đám mây theo thời gian thực, làm cơ sở cho phân tích sau này.

2, Xử lý dữ liệu: làm sạch, kết hợp và mô hình hóa
Dữ liệu thô chứa các vấn đề bao gồm nhiễu quá mức, nhiều kích thước và định dạng hỗn hợp. Để khắc phục những khó khăn này, dữ liệu cần trải qua các bước sau:

Làm sạch dữ liệu: Loại bỏ các bản ghi lưu lượng truy cập trùng lặp (chẳng hạn như cùng một khách hàng vào và ra nhiều lần), các giá trị ngoại lệ (như thời gian mở và đóng cổng quá cao) và các giá trị bị thiếu (như khoảng trống trong cột độ tuổi do lỗi nhận dạng khuôn mặt). Độ chính xác của dữ liệu được làm sạch đã tăng lên hơn 99% bằng cách sử dụng thuật toán học máy để tự tìm và sửa lỗi trong dữ liệu.
Kết hợp dữ liệu: Để thiết lập một hồ dữ liệu duy nhất, hãy kết hợp dữ liệu cổng với dữ liệu từ các hệ thống trung tâm mua sắm khác, chẳng hạn như CRM, ERP và POS. Ví dụ: bạn có thể so sánh lượng thời gian khách hàng dành để di chuyển qua cổng với lượng thời gian họ dành cho hệ thống POS và xem tỷ lệ chuyển đổi cho "tiêu dùng tại-cửa hàng". Bạn cũng có thể so sánh lưu lượng hành khách trong khu vực cổng với dữ liệu bán hàng của cửa hàng để xem hoạt động kinh doanh hiệu quả như thế nào.
Tính năng kỹ thuật: Để tạo tập dữ liệu có cấu trúc, bạn cần rút ra các phần quan trọng từ dữ liệu thô, bao gồm "lưu lượng truy cập cao điểm", "phân bổ thời gian lưu trú của người tiêu dùng", "tần suất lỗi cổng", v.v. Phân tích thành phần chính (PCA) là một phương pháp để giảm số lượng kích thước và khối lượng công việc cần thiết để thực hiện các phép tính.
3, Phân tích dữ liệu: Lựa chọn thông minh Đi từ mô tả đến dự đoán
Trung tâm bán lẻ có thể thực hiện phân tích đa cấp-dựa trên dữ liệu đã xử lý:

1. Phân tích mô tả: nhìn vào hiện trạng của sự vật
Địa điểm và thời điểm hành khách di chuyển: Sử dụng bản đồ nhiệt để hiển thị mật độ lưu lượng hành khách trong khu vực cổng, tìm thời gian bận rộn nhất (như 14:00–16:00 vào cuối tuần) và thời gian ít bận rộn nhất (như 10:00–12:00 các ngày trong tuần) và tận dụng tối đa nhân viên vệ sinh và an ninh.
Hồ sơ người tiêu dùng: Sử dụng dữ liệu nhận dạng khuôn mặt và hệ thống thành viên, hãy xem tần suất mọi người ở các độ tuổi và giới tính khác nhau đi du lịch, nơi họ dừng chân và món ăn họ thích ăn. Ví dụ, nghiên cứu đã chỉ ra rằng phụ nữ trong độ tuổi từ 25 đến 35 có nhiều khả năng ở lại các cơ sở kinh doanh mỹ phẩm gần cổng hơn, nơi có thể đẩy các phiếu giảm giá có mục tiêu.
Tình trạng hoạt động của thiết bị: Theo dõi số lượng công tắc cổng, tỷ lệ hỏng hóc, hồ sơ bảo trì, tuổi thọ dự đoán của thiết bị và mối nguy hiểm khi ngừng hoạt động.
2. Phân tích dự đoán: Đoán xem điều gì sẽ xảy ra tiếp theo
Dự đoán luồng hành khách: Mô hình chuỗi thời gian (ARIMA) được sử dụng để ước tính lưu lượng hành khách trong tương lai dựa trên dữ liệu giao thông trong quá khứ và các yếu tố bên ngoài như thời tiết, ngày lễ và các hoạt động diễn ra gần đó. Điều này cho phép lực lượng an ninh và giờ lưu trữ được điều chỉnh nhanh chóng.
Dự đoán cách người tiêu dùng sẽ hành động: Sử dụng các quy tắc kết hợp (như thuật toán Apriori) để xem đường đi của người tiêu dùng và hành vi tiêu dùng có liên quan như thế nào. Ví dụ: nếu những người đi thẳng đến khu vực ăn uống sau khi tìm thấy cổng giao thông chi tiêu nhiều hơn 30% so với người bình thường thì có thể lên kế hoạch cho các hoạt động xúc tiến phục vụ ăn uống có mục tiêu.
Cảnh báo về sự cố thiết bị: Sử dụng mô hình mạng thần kinh LSTM, xem dữ liệu cảm biến cổng (như nhiệt độ động cơ và tần số chuyển mạch) để tìm ra sự cố 72 giờ trước khi chúng xảy ra và giảm bớt ảnh hưởng của việc tắt đột ngột đối với hoạt động.
3. Phân tích nhân quả: phương pháp tối ưu hóa
Đánh giá hiệu quả tiếp thị: Thử nghiệm A/B cho phép bạn xem quảng cáo ở các khu vực cổng khác nhau (chẳng hạn như thông tin khuyến mại trên màn hình điện tử) ảnh hưởng đến thời gian mọi người ở lại và số tiền họ mua. Sau đó, bạn có thể cải thiện nội dung và vị trí của quảng cáo.
Cải thiện cách bố trí cửa hàng: Hãy xem số lượng khách hàng trong khu vực cổng ảnh hưởng như thế nào đến doanh số bán hàng của cửa hàng, sau đó chuyển cửa hàng. Ví dụ: việc kết nối các cửa quay ở những khu vực đông đúc với các cơ sở không bán được nhiều hàng có thể giúp mọi người tìm đường bằng cách cung cấp cho họ các tuyến đường khác để đi.
Ngăn ngừa và kiểm soát các rủi ro về an ninh: Các thuật toán phát hiện bất thường, như khu rừng biệt lập, tìm hành vi lạ ở khu vực cổng, như người di chuyển nhiều hoặc đi theo người khác. Sau đó, hệ thống bảo mật sẽ được liên kết để gửi-cảnh báo theo thời gian thực, giúp giảm nguy cơ trộm cắp và gian lận.
4, Ứng dụng dữ liệu: Một vòng khép kín từ hiểu biết đến hành động
Các kết luận của phân tích cần được biến thành các chiến lược có thể áp dụng vào thực tế:

Tiếp thị chính xác: Quảng cáo phù hợp với từng khách hàng được đặt ở khu vực cổng. Ví dụ: gửi tài liệu quảng bá thương hiệu đương đại đến những người trẻ thường xuyên ghé thăm và gửi ưu đãi giảm giá khu vui chơi trẻ em cho các gia đình.
Hoạt động năng động: Thay đổi giờ hoạt động của cửa hàng dựa trên dự đoán về số lượng khách hàng sẽ đến. Ví dụ: các nhà hàng có thể mở cửa lâu hơn vào những ngày cuối tuần bận rộn và sửa chữa thiết bị của họ trong thời gian ít bận rộn hơn.
Nâng cấp an ninh bằng cách đặt camera ở những nơi-có nguy cơ cao (chẳng hạn như nơi gặp cửa quay và thang máy), giúp các tuyến tuần tra an ninh hiệu quả hơn và tăng tốc thời gian ứng phó với trường hợp khẩn cấp.
Quản lý thiết bị: Lập hồ sơ tình trạng cổng, theo dõi lịch sử bảo trì, các loại lỗi, linh kiện thay thế và các thông tin khác. Ngoài ra, cải thiện kế hoạch kiểm kê phụ tùng và bảo trì.
Cửa xoay an ninh sân bay Cổng E{0}}