Computer Vision es una rama de la Inteligencia Artificial que permite a los computadores interpretar y comprender información visual, tal como lo hacemos nosotros.
El futuro de las empresas está estrechamente ligado a los avances de la tecnología con Computer Vision, ya que permite obtener insights a partir de la alimentación de datos visuales de las cámaras, lo que mejorará la retención de clientes actuales y atracción de nuevos clientes.
Las empresas tienen una gran oportunidad con la utilización de soluciones con Computer Vision, para satisfacer de mejor forma las necesidades de los clientes, manejar el inventario y por sobre todo mejorar la experiencia de clientes, expandiendo el conocimiento del comportamiento de compra de los clientes.
Las tiendas físicas deben transformar sus negocios al mundo digital, con el fin de equiparar las ventajas que tiene el e-commerce respecto a la captación de datos y su habilidad de personalizar el customer journey.
Con computer vision, las tiendas físicas tienen la posibilidad de contar con una metodología que permite captar datos de una forma práctica y viable.
La implementación de proyectos con Computer Vision permite avanzar en una dimensión nunca vista, respecto a las mejoras que se pueden lograr en la experiencia de clientes, manejo de inventarios y aspectos de seguridad.
Para comenzar con un proyecto de Computer Vision con nuestros clientes, seguimos las siguientes etapas:
- Implementamos un Proyecto Piloto en el área que pueda generar el mayor retorno y avance para la empresa.
- Escalamos la implementación de computer vision al resto de tiendas o sucursales del cliente.
- Desarrollamos un Dashboard Analítico en Tiempo Real, que permita hacer gestión de la información recopilada.
Esta tecnología de Computer Vision, sin duda permite avances que serán parte clave de las estrategias de negocio y facilita la obtención de datos que antes eran el cuello de botella en lugares físicos, equilibrando las ventajas en la captación de datos que tiene el e-commerce v/s tiendas físicas, con respecto a personalización del Customer Journey.
Soluciones con Computer Vision:
- 1. Análisis Comportamiento de Compra de Clientes
- Tiempo de Permanencia: Algoritmos de IA, pueden estimar el tiempo promedio que permanece un usuario en tienda. Esto entrega insights muy valiosos para el área de marketing y operaciones.
- Distribución del Tiempo de Visita del Cliente a lo largo del día: Podemos identificar el número de visitantes por hora del día, para optimizar rrhh y planificar decisiones.
- Análisis de Comportamiento del Cliente: Por ejemplo, analizar el uso de self-checkouts.
- Conteo de Personas y Análisis de Flujo: Con deep learning podemos trackear la ruta de movimiento de los clientes dentro de la tienda y visualizarlo como un heatmap o un spaghetti diagram. Con esto comprendemos las actividades de los clientes, se prueban nuevas estrategias de merchandising y es posible experimentar layouts.
- Análisis de Comportamiento del Cliente: Clasificación de Imágenes, respecto a ciertas áreas de interés, es utilizado para detectar importantes comportamientos de compra. Por ejemplo, analizar el uso de self-checkouts.
- 2. Análisis del Perfil del Visitante:
Algoritmos de Deep Learning pueden clasificar a los visitantes por género, “mood”, edad u otras características. Esto puede ser combinado con la data transaccional o la data de los programas de lealtad para obtener insights más profundos.
- Distribución del Visitante por Género: A través, de análisis facial con machine learning, podemos detectar el género de los clientes según áreas específicas de la tienda.
- Análisis demográfico: Utilizar modelos de deep learning para estimar la edad y género de los clientes de forma automática.
- Perfil del comprador comparado con visitas a los diversos estantes: Podemos categorizar las características de los clientes y linkearlo con estantes específicos de la tienda.
- Tamaño de Compra: Podemos estimar el nivel de carga de los carros según las diferentes horas del día y grupos de clientes.
- Análisis de Emoción: Clasificar la expresión facial de los clientes para analizar el sentimiento de grupos de clientes según área de interés.
- Publicidad In-Store: Es posible reconocer ciertos clientes cuando entran a la tienda y podemos enviarles descuentos o recomendaciones basado en sus compras históricas. Es aquí donde podemos unir los esfuerzos realizados con machine learning de los datos transaccionales con un Modelo de Recomendación y Market Basket Analysis con Computer Vision.
- 3. Análisis de Engagement de Productos:
Reconocimiento de Imágenes es utilizado para determinar con qué productos están interactuando los clientes y qué productos se están abandonando. La habilidad de digitalizar el engagement de productos y el proceso de compra en tienda, entrega insights extremadamente valiosos para el negocio.
- Identificar estantes o zonas más populares para optimizar promociones y ubicación de productos. Retailers pueden ver qué promociones generan engagement y cuáles no motivan a los clientes.
- Conteo de Visitas por estantes, pasillos o áreas, para encontrar cambios en el tiempo.
- Análisis de Toma de Productos según ubicación en el Estante: Con object detection podemos analizar la toma de productos en los estantes a diferentes alturas.
- Interacción de Productos en Estante: Con análisis de movimiento podemos detectar situaciones en que un producto es tomado y posteriormente vuelto a poner en estante.
- Detectar y contar el número de visitantes que dejan la tienda sin comprar.
- Tiempo promedio de permanencia en pasillos o áreas claves.
- 4. Experiencia de Checkout:
- Ocupación de Cajas de Pago: Utilizar deep learning para detectar si las cajas de pago están ocupadas de forma óptima cuando están los clientes.
- Análisis del Tiempo de Checkout del Cliente: Medir el tiempo promedio de checkout de las distintas cajas e identificar tiempos de espera inusuales.
- Self-Checkouts: Analizar el grado de ocupación de estas cajas, identificando cuando se necesita más personal de apoyo o cuando el número de cajas necesita ser ajustado.
- 5. Customer Experience:
Identificar y trackear parámetros que directamente impactan la experiencia del cliente en tienda.
- Disponibilidad de Carros: Utilizar object detection en tiempo real para monitorear la disponibilidad y ubicación automática de carros en el supermercado por ejemplo.
- Factores Claves de Customer Experience: Detectar métricas de tiempos de espera, crowd density o largo de la fila para cuantificar la experiencia.
- Atención de Staff: Descubrir situaciones o eventos en donde los trabajadores utilizan sus celulares, mientras los clientes están presentes o esperando.
- 6. Calidad de Servicio al Cliente:
Identificar factores que determinan las interacciones en el punto de venta.
- Reposición de Stock En Tiempo Real:
Con Computer Vision somos capaces de analizar los estantes para identificar la efectiva ubicación de los productos y detectar si está agotado o quedan menos productos de los que debiera haber.
Además, en esta instancia podemos hacer una revisión de precios y detectar alguna anomalía. Una vez que se detecta la falta de stock, se envía una notificación al área responsable para su pronta reposición.
Esto es extremadamente útil, ya que permite que el cliente siempre encuentre el producto que necesita, ahorrando además en tiempo de trabajadores que detecten esta falta de determinado producto, siendo destinado ese tiempo a otras labores.
Una de cada tres veces que un shopper visita una tienda, vive la experiencia de no encontrar algún producto por falta de stock. Esta solución es realmente relevante y rentable.
- Detección de Disponibilidad de Staff: Detectar si el personal está presente en los puntos asignados de trabajo como pasillos, mesas de atención, checkout, cajas de pago, cajas de autoatención, etc.
- Conteo de Personas en Fila: Conteo de clientes en mesas de atención clientes y cajas de pago.
- 7. Seguridad y Protección:
- Monitoreo de Cajas de Autoatención: Detectar diversos tipos de fraudes, como no scanear todos los productos, dejando algunos productos en el carro y sólo pagar lo scaneado. Detectar cuando se scanean todos los productos, pero no se hace el pago.
- Monitoreo de Cajas con Cajero: Detectar si la persona de la caja, no scanea todos los productos o los marca como otros más baratos.
- Autenticación: Reconocimiento facial puede ser aplicado para identificar a los trabajadores asignados a determinadas áreas y así detectar personas no autorizadas.
- Detectar Intrusión: Detectar actividad en horario que tienda está cerrada.
- 8. Gestión de Inventario y Bodega:
Con Computer Vision podemos optimizar y gestionar el inventario. La automatización del conteo cíclico, permite un sistema de inventario en tiempo real y desarrollar una experiencia omnicanal.
- Object Detection en Tiempo Real: Utilizar computer vision para reconocer productos, cajas o pallets para despacharlos o almacenarlos en un área específica.
- Alertas de Falta de Stock: Reconocimiento de imágenes que pueden ser usadas para detectar faltas de stock y de mejorar la exactitud del inventario.
- Logística y Bodegaje: Utilizar deep learning para detectar objetos ubicados en lugares equivocados.
Es realmente exponencial el uso que se le puede dar a Computer Vision en diferentes áreas del negocio y para todo tipo de empresa, logrando digitalizar datos que antes eran el cuello de botella para realizar ciertos análisis y ahora es posible recopilarlos y así tomar mejores decisiones.
Es relevante que las empresas comiencen lo antes posible a desarrollar soluciones con Computer Vision, dada la dificultad técnica que significa el desarrollo de estos proyectos, de manera de ir construyendo experiencia y adoptando soluciones de Inteligencia Artificial. No será fácil para otra empresa equiparar esta ventaja.
Si necesitas desarrollar e implementar una solución con Computer Vision en tu empresa, escríbenos a contacto@datainsights.cl. Siempre estamos dispuestos a aclarar tus dudas y ayudarte a comprender cómo otras empresas han logrado superar desafíos similares.