CN111784405A

CN111784405A - 基于人脸智能识别knn算法的线下门店智能导购方法

Info

Publication number: CN111784405A
Application number: CN202010660533.8A
Authority: CN
Inventors: 于文高; 王任权; 刘福成
Original assignee: Dalian Zhongwei Century Technology Co ltd
Current assignee: Dalian Zhongwei Century Technology Co ltd
Priority date: 2020-07-10
Filing date: 2020-07-10
Publication date: 2020-10-16

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

基于人脸智能识别KNN算法的线下门店智能导购方法

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

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：

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：

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：

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；

pos系统为数据处理服务器提供会员的消费数据；