CN111784405A - 基于人脸智能识别knn算法的线下门店智能导购方法 - Google Patents
基于人脸智能识别knn算法的线下门店智能导购方法 Download PDFInfo
- Publication number
- CN111784405A CN111784405A CN202010660533.8A CN202010660533A CN111784405A CN 111784405 A CN111784405 A CN 111784405A CN 202010660533 A CN202010660533 A CN 202010660533A CN 111784405 A CN111784405 A CN 111784405A
- Authority
- CN
- China
- Prior art keywords
- customer
- shopping guide
- face
- intelligent
- data
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000006399 behavior Effects 0.000 claims description 23
- 238000012545 processing Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 239000000047 product Substances 0.000 description 9
- 238000007405 data analysis Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000007635 classification algorithm Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0281—Customer communication at a business location, e.g. providing product or service information, consulting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
Landscapes
- Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Engineering & Computer Science (AREA)
- Accounting & Taxation (AREA)
- Development Economics (AREA)
- Finance (AREA)
- Entrepreneurship & Innovation (AREA)
- Economics (AREA)
- Game Theory and Decision Science (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Cash Registers Or Receiving Machines (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明的基于人脸智能识别KNN算法的线下门店智能导购方法,其特征在于:包括步骤一、顾客到新会员的过程;步骤二、会员再次购物的导购过程;以及KNN算法进行会员消费行为分析的过程。本发明的有益效果是,本发明针对现有鞋服行业线下实体门店的精准导购问题,当会员进入门店那一刻起,店员就可以识别会员,并了解会员的消费习惯,并能获取到应该为会员合理推荐的商品信息,从而可以为会员提供及时精准的导购服务,提高门店的运营及服务水平,提升品牌的价值,确保线下门店的会员及客流增长。
Description
技术领域
本发明涉及一种基于人脸智能识别KNN算法的线下门店智能导购方法。
背景技术
随着现代经济的飞速发展,人们生活水平大幅度提高,人们对商场的需求也趋向于高标准、精密度、多样化水准,所以商场发展必然将趋于规模的扩大化。随着商场规模的逐步扩大,商品也趋向的多样化、多元化和多层次性,人们追求的也更多的是良好的购物体验,他们追求更多的智能化技术为其提供周到、细致、全面的服务。
一般线下连锁门店的会员较多,少则几万,多则几百万,几千万。每日的客流量少则几十人,多则几百上千人。门店的商品种类、型号少则几十,多则几百上千。而一般连锁门店的店员只有几人,且为了节省人力成本,采用换休方式。因此一般店员或导购员很难对不同的顾客,尤其是对会员做出精准的导购服务。会员进入门店,店员或导购员很难及时知道会员的身份,喜好。
随着互联网技术的发展,线上购物发展迅猛,阿里巴巴、拼多多、京东等超级网络购物平台给线上购物带来了极大的方便。消费者可以通过一部手持终端浏览所有自己感兴趣的商品,购物平台大数据分析日趋成熟,当消费者多次购物之后,数据分析越来越准确,平台可以通过弹窗或其它方式向不同消费者推荐自身感兴趣商品,大大提高消费者在购物平台购物的准确性。
线下门店会员比较分散,随机性比较强。关键是店员或导购员很难记住那么会员,所以当会员进入门店的时候,店员根本无法第一时间认出会员并提供服务,即便很多认出会员,也并不知道会员的兴趣爱好,哪些商品应该推荐给会员。只有通过不断的沟通,了解会员的消费习惯,兴趣爱好才能向会员做出导购服务,这种沟通的成本较高,精准率较低,而且无法让会员及时无缝得享受到精准导购服务。
现有线下门店主要技术有:通过采用人脸属性识别配合广告屏,当识别到进店顾客性别与年龄后,广告屏针对性播放与年龄、性别匹配的广告。
也有通过微信等社交软件内置的小程序,或app,通过会员消费大数据分析,为不同会员线上推送相关兴趣商品信息,从而引导客户到线下门店进行购物体验。
智能导购机器人方案,就是将门店现有的商品信息存放在机器人内存中,通过语音识别技术,当顾客进入门店后,可以咨询机器人是否有符合自己需要产品,机器人通过关键字词的搜索定位,为客户解答、推荐商品,并语音播报商品的相关信息。
现有的技术都对线下门店都有一个共同的缺点:无法在会员进店的时候,对每一个会员提供精准及时的导购服务。通过广告屏或机器人的方式只能为同一类顾客提供类似的导购服务,app或小程序等方式只能定期推送兴趣商品信息,并不关心会员是否有需求,并可能为会员带来垃圾消息的困扰。
发明内容
本发明为了弥补现有技术的不足,提供了一种结构简单、使用方便的基于人脸智能识别KNN算法的线下门店智能导购方法。
本发明是通过如下技术方案实现的:
本发明的基于人脸智能识别KNN算法的线下门店智能导购方法,其特征在于:包括步骤一、顾客到新会员的过程;步骤二、会员再次购物的导购过程;以及KNN算法进行会员消费行为分析的过程。
步骤一、顾客到新会员的过程,具体步骤为:
(1-1)、当一个人被前端智能摄像头抓拍到,则会先从店员区开始对比,如果被抓拍到的人脸是店员,则客流统计会被直接终结;
(1-2)、如果发现不是店员,则到会员区进行对比,如果发现不是会员,则系统进入到顾客区进行;
(1-3)、在顾客区,如果发现是新顾客,则新顾客的人脸会被存在顾客区,如果对比发现不是新顾客,则使用之前被抓拍的同一个顾客的人脸画像;
(1-4)、如果此时这个顾客产生了消费,消费数据通过POS传送到数据处理服务器;则此时店员在顾客区选择产生消费的顾客人脸图片进行点击;则人脸图片就与消费数据进行了捆绑;
(1-5)、系统自动默认产生消费的顾客成为品牌会员,对这个产生消费的会员画像数据进行补充、分析;同时将会员的画像保存到会员区,此时会员区将增加一个会员画像;
通过以上5个步骤,从一个顾客到会员的角色完成捆绑、记录、统计、分析。
步骤二、会员再次购物的导购过程,具体步骤为:
(2-1)、当一个人被前端智能摄像头抓拍到,则会先从店员区开始对比,如果被抓拍到的人脸是店员,则客流统计会被直接终结;
(2-2)、当识别是会员的时候,数据处理服务器根据会员的ID调取会员消费行为分析的数据;将会员的ID,画像、会员的消费行为、应该向会员精准导购的商品信息推送到店员的手持终端以及PC终端;
(2-3)、店员手持终端或PC终端接收到导购信息后,进行精准导购;
(2-4)、导购产生的消费数据通过POS系统返回到数据处理服务器,对会员的消费行为持续更新分析,同时更新KNN算法模型数据;
通过以上4个步骤,当会员踏入到线下门店第一时间,能够实现对会员的精准及时的智能导购服务。
本发明中,KNN算法进行会员消费行为分析的过程,具体步骤如下:
(3-1):读取原始数据中每个客户购买每个产品的明细数据;
(3-2):利用KNN算法计算与每个商品距离最近的20个商品;两个商品被同时购买的次数越多,它们之间的距离越近;
(3-3):计算每个商品与距离最近的20个商品同时被购买的次数,如果两个同时被购买的次数大于一定的阈值,则认为这两个商品具有内在相关性;
(3-4):向客户进行商品推进,根据前三步的计算,得出商品A与商品B具有内在相关性,如果某个客户购买过商品A,则推荐系统能够向此客户推荐商品B。
步骤3-3中,两个同时被购买的次数大于一定的阈值,阈值可以根据不同行业、不同商品规定为10-100,或者101-1000,或者1001-10000。
本发明的基于人脸智能识别KNN算法的线下门店智能导购方法所用的设备,其特征在于:包括:智能人脸抓拍识别摄像头、数据处理服务器、人脸识别服务器、POS信息系统以及导购终端;
智能人脸抓拍识别摄像头与人脸识服务器,主要完成人脸抓拍,新会员与老会员识别及统计;人脸识服务器设有店员库、会员库、顾客库,分别存放不同的人脸图像;会员库的人脸图像能够与数据处理服务器的数据捆绑;
数据处理服务器对会员的消费数据进行挖掘,并分析会员的消费行为,进行KNN算法建模;
pos系统为数据处理服务器提供会员的消费数据;
导购终端通过数据处理服务器提供的会员消费行为分析,导购数据,会员画像,为会员提供及时精准的导购服务。
本发明的有益效果是,本发明针对现有鞋服行业线下实体门店的精准导购问题,当会员进入门店那一刻起,店员就可以识别会员,并了解会员的消费习惯,并能获取到应该为会员合理推荐的商品信息,从而可以为会员提供及时精准的导购服务,提高门店的运营及服务水平,提升品牌的价值,确保线下门店的会员及客流增长。
本发明是通过人脸智能识别与KN算法进行消费行为分析相结合的线下门店智能导购的方法。本发明主要利用AI人脸抓拍识别结合KNN算法进行数据分析,当会员进入线下门店的第一时间,店员便会获取到会员的画像、标签、消费行为习惯及导购信息。店员可以第一时间为不同会员提供差异化、精准的导购服务。
本发明中线下门店对会员导购的实时性强,可以在会员进入门店的第一时间被识别,从而提供及时的导购服务;本发明利用KNN算法对会员的消费行为分析的精准度高,可以为不同会员提供精准的导购服务。
附图说明
图1为本发明的结构示意图。图2为新会员的逻辑流程图。图3为会员的导购流程图。图4为KNN算法原理图。图5为两个商品具有内在相关性图。
具体实施方式
附图为本发明的一种具体实施例。
本产品主要由智能人脸抓拍识别摄像头、数据处理服务器、人脸识别服务器、POS信息系统及导购终端组成。如图1所示。
智能人脸抓拍识别摄像头与人脸识服务器主要完成人脸抓拍,会员(新会员与老会员)识别及统计;数据处理服务器对会员的消费数据进行挖掘,并分析会员的消费行为,KNN算法建模。pos系统为数据处理服务器提供会员的消费数据。导购终端通过数据处理服务器提供的会员消费行为分析,导购数据,会员画像等,为会员提供及时精准的导购服务。
会员智能导购,首先要获取到会员的人脸画像,并不断丰富会员画像的相关标签及关联消费数据。这需要分两部分:顾客首先购物成为会员及会员再次购物。
顾客首次购物成为会员,主要完成首次购物的顾客人脸画像与消费数据完成捆绑,也就是产生消费即成为会员。新会员的逻辑如图2所示。
顾客到新会员的过程如图2中1-6处箭头为主线所示(以鞋服连锁店为案例):
1-1、①当一个人被前端智能摄像头抓拍到,则会先从店员区开始对比,如果被抓拍到的人脸是店员,则客流统计会被直接终结。
1-2、②如果发现不是店员,则到会员区进行对比,如果发现不是会员,则系统进入到顾客区进行。
1-3、③在顾客区,如果发现是新顾客,则新顾客的人脸会被存在顾客区,如果对比发现不是新顾客,则使用之前被抓拍的同一个顾客的人脸画像。
1-4、④如果此时这个顾客产生了消费,消费数据通过POS传送到数据处理服务器。则此时店员在顾客区选择产生消费的顾客人脸图片进行点击。则人脸图片就与消费数据进行了捆绑。
1-5、⑤系统自动默认产生消费的顾客成为品牌会员,对这个产生消费的会员画像数据进行补充、分析。同时将会员的画像保存到会员区,此时会员区将增加一个会员画像。
通过以上的步骤,从一个顾客到会员的角色完成捆绑、记录、统计、分析。
会员的导购流程如图3所示:
2-1、①当一个人被前端智能摄像头抓拍到,则会先从店员区开始对比,如果被抓拍到的人脸是店员,则客流统计会被直接终结。
2-2、②③当识别是会员的时候,数据处理服务器根据会员的ID调取会员消费行为分析的数据。将会员的ID,画像、会员的消费行为、应该向会员精准导购的商品信息推送到店员的手持终端以及PC终端。
2-3、④店员手持终端或PC终端接收到导购信息后,进行精准导购。
2-4、⑤导购产生的消费数据通过POS系统返回到数据处理服务器,对会员的消费行为持续更新分析,同时更新KNN算法模型数据。
通过以上4个步骤,当会员踏入到线下门店第一时间,可以实现对会员的精准及时的智能导购服务。
KNN算法应用在会员消费行为分析的具体应用如下:第一步:读取原始数据中每个客户购买每个产品的明细数据;第二步:利用KNN算法计算与每个商品距离最近的20个商品(两个商品被同时购买的次数越多,它们之间的距离越近);
第三步:计算每个商品与距离最近的20个商品同时被购买的次数,如果两个同时被购买的次数大于一定的阈值,则认为这两个商品具有内在相关性。如图5所示。
第四步:向客户进行商品推进,例如:根据前三步的计算,得出A商品与B商品具有内在相关性,如果某个客户购买过A产品,则推荐系统可以向此客户推进B商品。
KNN算法建模的会员消费行为分析方法:
KNN可以说是最简单的分类算法之一,同时,它也是最常用的分类算法之一,注意KNN算法是有监督学习中的分类算法。KNN的全称是K Nearest Neighbors,意思是K个最近的邻居。K个最近邻居, K的取值是至关重要的。KNN的原理就是当预测一个新的值x的时候,根据它距离最近的K个点是什么类别来判断x属于哪个类别。
KNN算法优点:
A、简单易用,相比其他算法,KNN算是比较简洁明了的算法。即使没有很高的数学基础也能搞清楚它的原理。
B.模型训练时间快,上面说到KNN算法是惰性的,这里也就不再过多讲述。
C.预测效果好。
D、对异常值不敏感。
原理如图4所示,图中矩形的点就是我们要预测的那个点,假设K=3。那么KNN算法就会找到与它距离最近的三个点(这里用圆圈把3个点圈起来了),看看哪种类别多一些,比如这个例子中是三角形的点多一些,圆形的点少一些,新来的矩形的点就归类到三角形的点了。
KNN算法中K值的取值比较重要,一般通过交叉验证(将样本数据按照一定比例,拆分出训练用的数据和验证用的数据,比如6:4拆分出部分训练数据和验证数据),从选取一个较小的K值开始,不断增加K的值,然后计算验证集合的方差,最终找到一个比较合适的K值。K值优选20。
Claims (4)
1.一种基于人脸智能识别KNN算法的线下门店智能导购方法,其特征在于:包括步骤一、顾客到新会员的过程,具体步骤为:
(1-1)、当一个人被前端智能摄像头抓拍到,则会先从店员区开始对比,如果被抓拍到的人脸是店员,则客流统计会被直接终结;
(1-2)、如果发现不是店员,则到会员区进行对比,如果发现不是会员,则系统进入到顾客区进行;
(1-3)、在顾客区,如果发现是新顾客,则新顾客的人脸会被存在顾客区,如果对比发现不是新顾客,则使用之前被抓拍的同一个顾客的人脸画像;
(1-4)、如果此时这个顾客产生了消费,消费数据通过POS传送到数据处理服务器;则此时店员在顾客区选择产生消费的顾客人脸图片进行点击;则人脸图片就与消费数据进行了捆绑;
(1-5)、系统自动默认产生消费的顾客成为品牌会员,对这个产生消费的会员画像数据进行补充、分析;同时将会员的画像保存到会员区,此时会员区将增加一个会员画像;
通过以上5个步骤,从一个顾客到会员的角色完成捆绑、记录、统计、分析。
2.根据权利要求1所述的基于人脸智能识别KNN算法的线下门店智能导购方法,其特征在于:还包括步骤二、会员再次购物的导购过程,具体步骤为:
(2-1)、当一个人被前端智能摄像头抓拍到,则会先从店员区开始对比,如果被抓拍到的人脸是店员,则客流统计会被直接终结;
(2-2)、当识别是会员的时候,数据处理服务器根据会员的ID调取会员消费行为分析的数据;将会员的ID,画像、会员的消费行为、应该向会员精准导购的商品信息推送到店员的手持终端以及PC终端;
(2-3)、店员手持终端或PC终端接收到导购信息后,进行精准导购;
(2-4)、导购产生的消费数据通过POS系统返回到数据处理服务器,对会员的消费行为持续更新分析,同时更新KNN算法模型数据;
通过以上4个步骤,当会员踏入到线下门店第一时间,能够实现对会员的精准及时的智能导购服务。
3.根据权利要求1或2所述的基于人脸智能识别KNN算法的线下门店智能导购方法,其特征在于: KNN算法进行会员消费行为分析的过程,具体步骤如下:
(3-1):读取原始数据中每个客户购买每个产品的明细数据;
(3-2):利用KNN算法计算与每个商品距离最近的20个商品;两个商品被同时购买的次数越多,它们之间的距离越近;
(3-3):计算每个商品与距离最近的20个商品同时被购买的次数,如果两个同时被购买的次数大于一定的阈值,则认为这两个商品具有内在相关性;
(3-4):向客户进行商品推进,根据前三步的计算,得出商品A与商品B具有内在相关性,如果某个客户购买过商品A,则推荐系统能够向此客户推荐商品B。
4.一种权利要求1所述的基于人脸智能识别KNN算法的线下门店智能导购方法所用的设备,其特征在于:包括:智能人脸抓拍识别摄像头、数据处理服务器、人脸识别服务器、POS信息系统以及导购终端;
智能人脸抓拍识别摄像头与人脸识服务器,主要完成人脸抓拍,新会员与老会员识别及统计;人脸识服务器设有店员库、会员库、顾客库,分别存放不同的人脸图像;会员库的人脸图像能够与数据处理服务器的数据捆绑;
数据处理服务器对会员的消费数据进行挖掘,并分析会员的消费行为,进行KNN算法建模;
pos系统为数据处理服务器提供会员的消费数据;
导购终端通过数据处理服务器提供的会员消费行为分析,导购数据,会员画像,为会员提供及时精准的导购服务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010660533.8A CN111784405A (zh) | 2020-07-10 | 2020-07-10 | 基于人脸智能识别knn算法的线下门店智能导购方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010660533.8A CN111784405A (zh) | 2020-07-10 | 2020-07-10 | 基于人脸智能识别knn算法的线下门店智能导购方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111784405A true CN111784405A (zh) | 2020-10-16 |
Family
ID=72767041
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010660533.8A Pending CN111784405A (zh) | 2020-07-10 | 2020-07-10 | 基于人脸智能识别knn算法的线下门店智能导购方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111784405A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085521A (zh) * | 2020-08-19 | 2020-12-15 | 深圳前海托克马克科技有限公司 | 一种针对店铺会员管理和服务的系统 |
CN112365301A (zh) * | 2020-12-09 | 2021-02-12 | 重庆满惠网络科技有限公司 | 一种营销服务大数据应用系统及其方法 |
CN112528867A (zh) * | 2020-12-14 | 2021-03-19 | 上海工程技术大学 | 一种地铁车站突发大客流预警方法及其应用 |
CN112651793A (zh) * | 2021-02-09 | 2021-04-13 | 广东天正计算机服务有限公司 | 一种基于人脸识别的智能零售系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108597065A (zh) * | 2018-03-12 | 2018-09-28 | 南京甄视智能科技有限公司 | 基于人脸识别的客流统计方法 |
CN109165992A (zh) * | 2018-07-16 | 2019-01-08 | 北京旷视科技有限公司 | 一种智能导购方法、装置、系统及计算机存储介质 |
CN109344765A (zh) * | 2018-09-28 | 2019-02-15 | 广州云从人工智能技术有限公司 | 一种针对连锁门店入店人员分析的智能分析方法 |
KR20200021693A (ko) * | 2018-08-21 | 2020-03-02 | 유한회사 하존솔루션 | 안면 인식을 사용한 샵앤샵 고객 관리 시스템 및 방법 |
CN110991309A (zh) * | 2019-11-28 | 2020-04-10 | 江苏励维逊电气科技有限公司 | 一种基于人脸识别的店商消费行为分析引导营销方法 |
CN111127111A (zh) * | 2019-12-28 | 2020-05-08 | 广东奥园奥买家电子商务有限公司 | 一种门店会员管理方法和装置以及设备 |
CN111191995A (zh) * | 2018-11-14 | 2020-05-22 | 珠海横琴盛达兆业科技投资有限公司 | 一种基于互联网平台实现门店智能监控及会员到店智能提醒的方法 |
-
2020
- 2020-07-10 CN CN202010660533.8A patent/CN111784405A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108597065A (zh) * | 2018-03-12 | 2018-09-28 | 南京甄视智能科技有限公司 | 基于人脸识别的客流统计方法 |
CN109165992A (zh) * | 2018-07-16 | 2019-01-08 | 北京旷视科技有限公司 | 一种智能导购方法、装置、系统及计算机存储介质 |
KR20200021693A (ko) * | 2018-08-21 | 2020-03-02 | 유한회사 하존솔루션 | 안면 인식을 사용한 샵앤샵 고객 관리 시스템 및 방법 |
CN109344765A (zh) * | 2018-09-28 | 2019-02-15 | 广州云从人工智能技术有限公司 | 一种针对连锁门店入店人员分析的智能分析方法 |
CN111191995A (zh) * | 2018-11-14 | 2020-05-22 | 珠海横琴盛达兆业科技投资有限公司 | 一种基于互联网平台实现门店智能监控及会员到店智能提醒的方法 |
CN110991309A (zh) * | 2019-11-28 | 2020-04-10 | 江苏励维逊电气科技有限公司 | 一种基于人脸识别的店商消费行为分析引导营销方法 |
CN111127111A (zh) * | 2019-12-28 | 2020-05-08 | 广东奥园奥买家电子商务有限公司 | 一种门店会员管理方法和装置以及设备 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112085521A (zh) * | 2020-08-19 | 2020-12-15 | 深圳前海托克马克科技有限公司 | 一种针对店铺会员管理和服务的系统 |
CN112365301A (zh) * | 2020-12-09 | 2021-02-12 | 重庆满惠网络科技有限公司 | 一种营销服务大数据应用系统及其方法 |
CN112528867A (zh) * | 2020-12-14 | 2021-03-19 | 上海工程技术大学 | 一种地铁车站突发大客流预警方法及其应用 |
CN112651793A (zh) * | 2021-02-09 | 2021-04-13 | 广东天正计算机服务有限公司 | 一种基于人脸识别的智能零售系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111784405A (zh) | 基于人脸智能识别knn算法的线下门店智能导购方法 | |
US8577705B1 (en) | Method and system for rating the role of a product category in the performance of a store area | |
KR101779096B1 (ko) | 지능형 영상분석 기술 기반 통합 매장관리시스템에서의 객체 추적방법 | |
US9928530B2 (en) | Digitization of a catalog of retail products | |
US20180240158A1 (en) | Computer implemented system and method for customer profiling using micro-conversions via machine learning | |
JP2016143334A (ja) | 購買分析装置及び購買分析方法 | |
CN111178966A (zh) | 一种基于人脸识别的潜在客户行为分析方法和系统 | |
KR102175479B1 (ko) | 소비자 행동분석 기반의 맞춤형 마케팅 제공 장치 및 방법 | |
WO2023070844A1 (zh) | 个性化折扣券的智能设计方法、电子装置和存储介质 | |
CN113946754A (zh) | 基于用户画像的权益推荐方法、装置、设备及存储介质 | |
EP3543943A1 (en) | Purchase information utilization system, purchase information utilization method, and program | |
CN112925973A (zh) | 数据处理方法和装置 | |
CN117495513B (zh) | 一种基于大数据和人工智能的购物推荐方法及系统 | |
Kim et al. | Utilizing in-store sensors for revisit prediction | |
CN110889716A (zh) | 识别潜在注册用户的方法及装置 | |
Dai et al. | Data-driven demand forecast for O2O operations: An adaptive hierarchical incremental approach | |
CN114155057A (zh) | 一种用于电子商务平台的商品推荐系统 | |
CN112989988A (zh) | 信息整合方法、装置、设备、可读存储介质及程序产品 | |
CN113297517A (zh) | 点击率预估及模型训练方法、系统和装置 | |
CN111339991A (zh) | 一种人体属性识别方法及装置 | |
CN110991528A (zh) | 一种线下新零售门店客流多属性单模型识别方法 | |
Praveen et al. | Big Mart Sales using Hybrid Learning Framework with Data Analysis | |
KR20190083561A (ko) | 하이브리드 추천 장치 및 방법, 이를 기록한 기록매체 | |
Natesh et al. | Customer Puzzled Behavioral Analysis—A Step Towards Valuing Customer’s Interests | |
KR102545190B1 (ko) | 오프라인 리테일 환경에서의 상품 정보 제공 장치 및 상품 정보 제공 장치의 제어방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |