IT202000011569A1 - Sistema e procedimento di profilazione - Google Patents

Description

Descrizione di Brevetto di Invenzione Industriale avente per titolo: ?SISTEMA E PROCEDIMENTO DI PROFILAZIONE?.

Inventore designato: Marco Gialletti, Riccardo Bilancioni

CAMPO TECNICO DELL?INVENZIONE

La presente invenzione riguarda un sistema ed un procedimento di profilazione di un utente.

Pi? in dettaglio, la presente invenzione riguarda un sistema ed un procedimento di profilazione di un utente interessato ad acquistare prodotti all?interno di un ambiente adibito alla vendita (negozio, store, o simili).

STATO DELLA TECNICA ANTERIORE

Come noto, il comportamento degli utenti sul web ? tracciato, allo scopo di fornire un identikit dettagliato degli stessi in qualit? di consumatori e potenziali acquirenti di prodotti.

Ci? viene effettuato, tipicamente, con l?ausilio della cache del computer, dei cookie, della cronologia dei siti aperti e di tutti gli altri strumenti cosiddetti di ?Analytics? e di advertising online, che consentono di realizzare ad, esempio, la personalizzazione dei banner, realizzati in base alle preferenze di navigazione espresse dagli utenti, e tracciate attraverso vari sistemi.

In altre parole, si tratta di strumenti e tecniche usati per tracciare la navigazione sul web e raccogliere quanti pi? dati possibili in relazione a tale percorso, per inviare continuamente agli utenti pubblicit? e consigli per gli acquisti personalizzati.

Attualmente, gli strumenti di tracking degli utenti sul web utilizzati dalle pi? grandi aziende digitali si avvalgono, in modo sempre pi? massiccio, dell?intelligenza artificiale, che funziona sulla base di algoritmi che hanno l?obiettivo di imitare i flussi cerebrali umani.

Ci? consente di evidenziare, principalmente, comportamenti, preferenze, scelte degli utenti verso determinati contenuti espressi in immagini, post scritti, video, e cos? via.

Un ulteriore metodo di tracciamento ? il cosiddetto fingerprinting, molto pi? avanzato ed invasivo dei cookies.

Nel fingerprinting, tipicamente, si mettono insieme le componenti aggiuntive del browser e dei software installati, i plugin come Java e Flash, i dati sul sistema operativo, la zona geografica e l?orario, l?alfabeto ed il font utilizzato, nonch? una serie di ulteriori caratteristiche che consentono di tracciare un identikit molto pi? preciso, praticamente chirurgico, dell?utente.

La molteplicit? di informazioni raccolte diventa una sorta di impronta del device utilizzato.

I dati ottenuti sono poi inviati alle agenzie di advertising online, che le utilizzano per avere un bacino di utenti e potenziali clienti sempre pi? profilati.

Tuttavia, le informazioni raccolte ed elaborate mediante i citati strumenti e tecniche, o altri ancora di tal genere, riguardano unicamente le azioni effettivamente compiute dall?utente/cliente per giungere all?acquisto e le sue preferenze, ma nulla dicono circa le sue reali percezioni, emozioni ed interpretazioni di quanto osserva, prova o esperisce.

SCOPI DELL?INVENZIONE

Il compito tecnico della presente invenzione ? quello di migliorare lo stato della tecnica nel settore dei sistemi e dei procedimenti di profilazione di clienti interessati ad acquistare prodotti e/o servizi.

Nell?ambito di tale compito tecnico, costituisce uno scopo della presente invenzione realizzare un sistema ed un procedimento di profilazione in grado di superare l?attuale stato della tecnica ed interpretare i comportamenti e le percezioni dei vari consumatori o tipologie di clienti, prima che venga effettuato un acquisto o manifestato un interesse per un prodotto e/o servizio.

Un altro scopo della presente invenzione ? mettere a punto un sistema ed un procedimento di profilazione in grado di raccogliere dati sull?elaborazione delle informazioni da parte del cliente, per interpretarle e costruire degli scenari predittivi idonei a guidare le scelte strategiche dell?azienda nell?ambito della commercializzazione di prodotti.

Tale compito e tali scopi sono tutti raggiunti da un sistema di profilazione di un utente secondo la allegata rivendicazione 1.

Il sistema comprende almeno un ambiente, adibito all?esposizione ed alla vendita di prodotti, all?interno del quale un utente pu? accedere e muoversi, secondo i propri interessi e le proprie esigenze di acquisto.

Il sistema comprende inoltre almeno un sito web di commercio online, associato al suddetto ambiente.

Il sistema comprende inoltre dei primi mezzi di rilevazione della posizione e dello spostamento dell?utente all?interno di detto ambiente, nonch? dei secondi mezzi di rilevazione dei movimenti del corpo del cliente, che si muove all?interno dell?ambiente.

Il sistema comprende inoltre una prima unit? di elaborazione, posta all?interno dell?ambiente di vendita, alla quale sono operativamente collegati i suddetti primi, secondi mezzi di rilevazione.

La prima unit? di elaborazione ? configurata per attuare un primo algoritmo, di tipo data shaping o data modelling, per l?elaborazione dei dati acquisiti dai primi, secondi mezzi di rilevazione; il primo algoritmo ? configurato per effettuare un?analisi delle percezioni e dei comportamenti dell?utente all?interno del suddetto ambiente.

Il sistema comprende, inoltre, una seconda unit? di elaborazione, atta ad operare un secondo algoritmo di tipo machine learning; tale secondo algoritmo ? configurato per effettuare un?analisi predittiva del comportamento dell?utente nella sua scelta di acquisto di prodotti.

Il sistema comprende, altres?, una terza unit? di elaborazione, associata ad una rispettiva memoria di archiviazione, nella quale risiedono informazioni, afferenti al medesimo utente, e provenienti da altre fonti, e relative alle sessioni di navigazione dell?utente nel suddetto sito web.

La seconda unit? di elaborazione ? configurata per comporre, tramite il secondo algoritmo di tipo machine learning, una matrice ad incroci logici tra i dati forniti in uscita dal primo algoritmo e le informazioni relative alle sessioni di navigazione dell?utente nel sito web.

Inoltre, il secondo algoritmo di tipo machine learning ? configurato per fornire, come risultato della propria elaborazione, ulteriori informazioni relative alle preferenze dell?utente all?interno dell?ambiente di vendita, atte a prevedere le successive azioni dell?utente nel processo di acquisto.

Grazie a questa soluzione, il fornitore del servizio di vendita pu? disporre di una grande mole di informazioni aggiuntive, che non possono essere dedotte utilizzando i noti sistemi di profilazione, e che permettono di effettuare previsioni sui potenziali acquisti del cliente, in modo da agevolarlo ed indirizzarlo nella propria scelta.

In particolare, secondo una forma di attuazione preferita dell?invenzione, la prima unit? di elaborazione (oppure un?altra unit? di elaborazione appositamente dedicata, e prevista nell?ambiente di vendita) ? configurata per azionare e comandare una pluralit? di dispositivi situati all?interno dell?ambiente stesso.

I suddetti dispositivi possono comprendere, ad esempio, dei totem, dei pannelli semoventi, specifici elementi di arredamento, sistemi di illuminazione, sistemi di diffusione audio, e altri ancora, che vengono azionati/regolati in modo da massimizzare la soddisfazione dell?utente.

In altre parole, l?esperienza dell?utente all?interno dell?ambiente di vendita viene personalizzata su misura, in modo che tutto ci? che viene presentato all?utente sia dedicato espressamente a lui, ed ai suoi gusti personali.

Tale compito e tali scopi sono pure raggiunti da un metodo di profilazione di un utente, comprendente le fasi di: fornire almeno un ambiente, adibito all?esposizione ed alla vendita di prodotti, all?interno del quale un utente pu? accedere e muoversi, secondo i propri interessi e le proprie esigenze di acquisto; fornire almeno un sito web di commercio online, associato all?ambiente di vendita; rilevare la posizione e lo spostamento dell?utente all?interno dell?ambiente; rilevare i movimenti del corpo dell?utente, che si muove all?interno di detto ambiente; elaborare, tramite un primo algoritmo di data shaping, o data modelling, i dati acquisiti nelle suddette precedenti fasi di rilevazione, per effettuare un?analisi delle percezioni e dei comportamenti dell?utente all?interno dell?ambiente; acquisire informazioni relative alle sessioni di navigazione dell?utente nel suddetto sito web; comporre, tramite un secondo algoritmo di tipo machine learning, una matrice ad incroci logici tra i dati forniti in uscita dal primo algoritmo e le informazioni relative alle sessioni di navigazione dell?utente nel sito web, per fornire, in uscita dal secondo algoritmo, ulteriori informazioni relative alle preferenze dell?utente all?interno dell?ambiente: tali informazioni sono, poi, atte a prevedere le successive azioni dell?utente nel suo processo di acquisto.

Viene anche proposto un innovativo metodo di rilevazione dei movimenti dell?utente all?interno dell?ambiente, tramite l?individuazione di determinati punti caratteristici della figura umana.

Le rivendicazioni dipendenti si riferiscono a forme di attuazione preferite e vantaggiose dell?invenzione.

BREVE DESCRIZIONE DEI DISEGNI.

Questi ed ulteriori vantaggi saranno meglio compresi da ogni tecnico del ramo dalla descrizione che segue e dagli annessi disegni, dati quale esempio non limitativo, nei quali:

la figura 1 ? uno schema funzionale del sistema di profilazione secondo l?invenzione;

la figura 2 ? un diagramma a blocchi che illustra le principali fasi di funzionamento del sistema di profilazione secondo l?invenzione;

le figure 3A, 3B, 4A ,4B, 5, 6A, 6B, 7, 8, 9 ,10 si riferiscono a varie fasi operative di attuazione del metodo di rilevamento dei movimenti dell?utente all?interno dell?ambiente

FORME DI ATTUAZIONE DELL?INVENZIONE.

Con riferimento alla figura 1, ? indicato complessivamente con 1 un sistema di profilazione di un utente U secondo la presente invenzione.

Il sistema 1 comprende almeno un ambiente 2, adibito all?esposizione ed alla vendita di prodotti (un punto vendita, un negozio, uno store, o simili, senza particolari limitazioni).

Nell?ambiente 2, un determinato utente U (cio? un cliente interessato all?acquisto di prodotti) pu? muoversi, secondo i propri interessi e le proprie esigenze.

Il sistema 1 comprende dei primi mezzi di rilevazione 3 della posizione e dello spostamento dell?utente U all?interno dello stesso ambiente 2 (si veda in particolare la figura 2).

Secondo un aspetto dell?invenzione, i primi mezzi di rilevazione 3 possono comprendere dei dispositivi operanti secondo le tecnologie NFC e/o RFID.

I primi mezzi di rilevazione 3 possono essere all?interno dell?ambiente 2, ma anche immediatamente all?esterno dello stesso.

In particolare, dispostivi di tipo NFC possono connettersi al dispositivo mobile 4 (smartphone, tablet) dell?utente U, e sfruttarne il sistema GPS: in questo modo, ? possibile tracciare gli spostamenti dell?utente U all?interno dell?ambiente 2 (o anche immediatamente all?esterno, al suo appropinquarsi).

Ad esempio, ? possibile sapere in anticipo se l?utente U si sta avvicinando all?ambiente 2 di vendita, in modo da preparare i contenuti mediali personalizzati per gli (eventuali) schermi in vetrina, e prepararsi ad accogliere al meglio l?utente U medesimo.

Inoltre, ? possibile analizzare gli spostamenti dell?utente U all?interno dell?ambiente 2 di vendita, per individuare le aree di maggiore interesse, il tipo di percorso abituale ed altre informazioni utili.

In aggiunta, tramite i suddetti dispositivi a tecnologie NFC, RFID, ? possibile rilevare e tracciare i movimenti dei tag dei prodotti, e dedurre da ci? i corrispondenti comportamenti dell?utente U, utilizzando ad esempio, a questo scopo, un algoritmo che stima, tra l?altro la frequenza Doppler per rilevare i movimenti dei tag.

Secondo un altro aspetto dell?invenzione, il sistema 1 comprende, inoltre, dei secondi mezzi di rilevazione 5 dei movimenti del corpo dell?utente U, che si muove all?interno dell?ambiente 2.

In particolare, i secondi mezzi di rilevazione 5 dei movimenti dell?utente U sono configurati per individuare dei punti caratteristici del corpo dell?utente U.

Pi? in dettaglio, secondo la presente invenzione, viene individuato un numero minimo di punti caratteristici del corpo dell?utente U, che consentono di acquisirne i movimenti.

L?acquisizione dei movimenti dell?utente U consente, in una successiva fase, di analizzarne il comportamento, in relazione al processo di scelta del/i prodotto/i da acquistare.

Secondo l?invenzione, i punti caratteristici del corpo dell?utente U sono cinque, e cio? la testa, le mani ed i piedi.

I secondi mezzi di rilevazione 5 possono comprendere, secondo un aspetto dell?invenzione, una o pi? telecamere a tempo di volo (?time of flight camera? o ?TOF camera?).

Le telecamere a tempo di volo sono installate in posizioni strategiche all?interno dell?ambiente 2 di vendita.

Una telecamera a tempo di volo permette di stimare, in tempo reale, la distanza tra la telecamera stessa e gli oggetti, o la scena, inquadrati, misurando il tempo che occorre ad un impulso luminoso per percorrere il tragitto telecamera-oggettotelecamera (cio?, appunto, il tempo di volo).

In altre parole, la telecamera misura la profondit? degli oggetti dalla stessa, e pu? isolare lo sfondo, oppure oggetti fermi rispetto al soggetto umano.

Quindi, usando una rete di punti tridimensionale creata estraendo la sagoma del soggetto umano, vengono identificati i suddetti cinque punti caratteristici, o punti estremi, e cio? la testa, le mani ed i piedi.

Tali punti caratteristici del soggetto, ed anche le articolazioni dello stesso, possono essere identificati con una precisione ed una coerenza soddisfacenti ottimizzando la distanza geodetica e le propriet? geometriche.

La scena ? quindi acquisita in modo completo come per una foto, ma la misura della distanza ? effettuata indipendentemente su ciascun pixel, consentendo cos? la ricostruzione tridimensionale dell?oggetto o della scena misurata.

Questa soluzione costituisce, quindi, una valida alternativa ai Laser scanner 3D, che invece analizzano la scena una linea per volta.

Secondo un altro aspetto dell?invenzione, il sistema 1 pu? comprendere, inoltre, dei mezzi di tracciamento degli occhi dell?utente U all?interno dell?ambiente 2 (ad esempio costituiti da telecamere), in modo da individuare le aree espositive o i prodotti su cui si posa il suo sguardo.

Secondo un ulteriore aspetto dell?invenzione, il sistema 1 comprende una prima unit? di elaborazione 6.

La prima unit? di elaborazione 6 pu? essere collocata all?interno dell?ambiente 2 di vendita.

I primi, secondi mezzi di rilevazione 3, 5 sono operativamente collegati alla suddetta prima unit? di elaborazione 6.

La prima unit? di elaborazione 6 ? configurata per attuare un primo algoritmo di elaborazione dei dati acquisiti dai primi, secondi mezzi di rilevazione 3, 5.

In particolare, il primo algoritmo ?, ad esempio, di tipo data shaping o data modelling.

Pi? in dettaglio, il primo algoritmo ? configurato per rilevare gli spostamenti ed i movimenti dell?utente U, all?interno dell?ambiente 2 per effettuare un?analisi delle sue percezioni e dei suoi comportamenti.

Gli algoritmi esistenti per il riconoscimento di parti del corpo (rilevamento di punti) ed il tracciamento dei movimenti seguono essenzialmente due strade: a modelli e senza modelli.

Nei metodi basati su modelli, i punti funzione vengono identificati adattando un modello (di machine learning) alla nuvola di punti acquisita.

Tuttavia, le difficolt? derivano dalle variazioni delle figure umane e dalle occlusioni (ad esempio, una mano di fronte al corpo).

I metodi senza modelli (detti anche metodi data-driven) estraggono i punti caratteristici dai dati acquisiti con poche o nessuna ipotesi algoritmica o di apprendimento, utilizzando le caratteristiche dell?immagine, come il colore e la forma, che superano la rigidit? dell?utilizzo del modello.

Tuttavia, tutto ci? richiede un rilevamento accurato dei punti caratteristici.

Come meglio chiarito nel prosieguo, l?algoritmo di rilevazione dei movimenti del corpo umano, proposto nella presente invenzione, ? privo di modelli (di tipo datadriven), ed ? configurato per rilevare automaticamente i punti estremi e caratteristici di una figura umana.

Secondo un altro aspetto dell?invenzione, il sistema 1 comprende, inoltre, una seconda unit? di elaborazione 7.

La seconda unit? di elaborazione 7 potrebbe essere collocata, anch?essa, all?interno dell?ambiente 2, oppure altrove.

In particolare, la seconda unit? di elaborazione 7 ? atta ad attuare un secondo algoritmo, di tipo machine learning.

Tale secondo algoritmo di tipo machine learning ? configurato per effettuare un?analisi predittiva del possibile comportamento dell?utente U nella sua scelta di acquisto di prodotti.

Pi? in dettaglio, secondo un aspetto della presente invenzione, il suddetto secondo algoritmo di tipo machine learning comprende una rete neurale artificiale.

Ancor pi? in dettaglio, secondo l?invenzione la suddetta rete neurale artificiale ? una rete neurale ricorrente.

Le reti neurali ricorrenti mostrano, attualmente, risultati all?avanguardia soprattutto nelle attivit? di elaborazione del linguaggio naturale, come la previsione di parole in frasi, ma anche in altri ambiti quali il riconoscimento vocale e previsioni di mercato (Business Intelligence).

Secondo la presente invenzione, la richiedente ha constatato che, sorprendentemente, sequenze di parole (frasi), che costituiscono l?attuale ambito di applicazione delle reti neurali ricorrenti, condividono propriet? simili a sequenze di click (sessioni) dei clienti che (ad esempio nell?ambito di un sito web di ecommerce) osservano e valutano prodotti in funzione di un loro potenziale acquisto.

In altre parole, l?applicazione di tecniche computazionali note nel nell?ambito dell?elaborazione del linguaggio naturale, conduce, secondo la presente invenzione, a trattare le sessioni dei clienti come frasi umane, al fine di prevedere le successive mosse del cliente verso un potenziale acquisto.

Nelle reti neurali ricorrenti, i neuroni possono comprendere dei loop e/o possono essere interconnessi anche a neuroni di un precedente livello.

In altre parole, il segnale non si propaga solo in avanti, ma pu? anche dirigersi su neuroni della catena precedente.

Questa caratteristica introduce, intrinsecamente, il concetto di memoria della rete. Infatti, in una rete neurale ricorrente, l?output di un neurone pu? influenzare s? stesso, in uno step temporale successivo, o pu? influenzare neuroni della catena precedente, che a loro volta interferiranno con il comportamento del neurone su cui si chiude il loop.

In relazione alla specifica applicazione oggetto della presente invenzione, la rete neurale ricorrente del secondo algoritmo potrebbe comprendere celle di memoria di tipo LSTM (Long Short Term Memory) e/o di tipo GRU (Gated Recurrent Units). La scelta dell?uno o dell?altro tipo pu? dipendere dalla tipologia di dati trattati. Le celle LSTM ed GRU tendono a fornire risultati quasi uguali, tuttavia le celle GRU sono meno complesse, e spesso si allenano pi? velocemente delle LSTM. Con particolare riferimento ai dati acquisiti sull?utente U, che si muove e compie azioni all?interno dell?ambiente 2, essi possono essere, tipicamente, costituiti da dei video, realizzati tramite le suddette telecamere ToF.

Per l?analisi di tale tipologia di dati, una rete neurale di tipo feed-forward non ? idonea, in quanto essa ? in grado di analizzare informazioni statiche nel tempo (ad esempio i pixel di una foto).

Nel caso invece, come quello di interesse, di informazioni dinamiche, che cambiano nel tempo (tipicamente un filmato dell?utente U, ma anche le sessioni di navigazione nel sito web), una rete neurale ricorrente, in grado di rilevare cambiamenti e riconoscere azioni diverse, ? certamente la pi? indicata.

Infatti, a differenza della rete neurale feed-forward, la rete neurale ricorrente ? in grado di trattare una sequenza temporale, o serie temporale, in modo che, in conseguenza della retroazione dell?output di ogni livello, la rete pu? basare le proprie decisioni anche sulle informazioni passate (ad esempio, le azioni gi? compiute dal cliente U nel suo processo decisionale di scelta di un prodotto, sia all?interno dell?ambiente 2 che nell?ambito della navigazione nel sito web).

Questa caratteristica, come detto, pu? essere ottenuta utilizzando le suddette celle di memoria di tipo LSTM, oppure GRU.

La figura 1 mostra, schematicamente, il sistema 1 secondo l?invenzione, e quindi anche l?architettura del modello computazionale proposto.

Secondo un altro aspetto dell?invenzione, il sistema 1 comprende una terza unit? di elaborazione 8, associata ad una rispettiva memoria di archiviazione; in quest?ultima risiedono informazioni, afferenti al medesimo utente U che in quel momento sta visitando l?ambiente 2, e provenienti da altre fonti.

Ad esempio, la terza unit? di elaborazione 8 pu? comprendere, o pu? essere costituita da, un server in cloud.

Inoltre, le ulteriori fonti che forniscono informazioni riguardanti il suddetto utente U, possono comprendere, ad esempio, una applicazione installata sul dispositivo mobile 4 (smartphone, tablet, ecc.) di propriet? dell?utente U, tramite la quale l?utente U stesso naviga nel sito web associato all?ambiente 2 di vendita.

Inoltre, le suddette ulteriori fonti, che forniscono informazioni riguardanti il medesimo utente U, possono comprendere, ad esempio, un computer 9, tramite il quale l?utente U naviga nel sito web associato all?ambiente 2 di vendita.

Secondo un ulteriore aspetto dell?invenzione, la seconda unit? di elaborazione 7 ? configurata per ricevere, in ingresso al secondo algoritmo di machine learning, sia i dati forniti dalla prima unit? di elaborazione 6 (relativi al comportamento dell?utente U all?interno dell?ambiente 2), che quelli forniti dalla terza unit? di elaborazione 8 (relativi alle sessioni di navigazione dello stesso utente U nel sito web collegato).

Pi? in dettaglio, la seconda unit? di elaborazione 7 ? configurata per comporre, tramite il suddetto secondo algoritmo di tipo machine learning, una matrice ad incroci logici tra i dati forniti dalla prima unit? di elaborazione 6 (relativi al comportamento dell?utente U all?interno dell?ambiente 2) e quelli forniti dalla terza unit? di elaborazione 8 (relativi alle sessioni di navigazione dell?utente U nel sito web associato all?ambiente 2 di vendita).

Inoltre, il secondo algoritmo di machine learning ? configurato per fornire, come risultato della propria elaborazione, delle ulteriori informazioni relative alle preferenze dell?utente 2 nei propri acquisti.

Secondo un altro aspetto dell?invenzione, la prima unit? di elaborazione 6 (oppure un?altra unit? di elaborazione appositamente dedicata, e prevista nell?ambiente 2) ? configurata per azionare e comandare una pluralit? di dispositivi 10 situati all?interno dell?ambiente 2 di vendita.

Pi? in dettaglio, i suddetti dispositivi 10 possono comprendere, ad esempio, totem, pannelli semoventi, componenti di arredamento, sistemi di illuminazione, sistemi di diffusione audio, e altri ancora, che vengono azionati/regolati in modo da massimizzare la soddisfazione dell?utente U, personalizzando su misura la sua esperienza all?interno dell?ambiente di vendita 2, come se tutto ci? che gli viene presentato fosse dedicato espressamente a lui ed ai suoi gusti.

In altre parole, e secondo la presente invenzione, il risultato del secondo algoritmo di tipo machine learning, che costituisce un?analisi predittiva delle future azioni dell?utente U, e finalizzato ad orientare ed accompagnare il processo decisionale di acquisto all?interno dell?ambiente 2, creando un?atmosfera quanto pi? rispondente ai gusti ed alle esigenze di tale utente U.

Forma oggetto della presente invenzione anche un metodo di profilazione di un utente.

Secondo l?invenzione, il metodo comprende le fasi di fornire almeno un ambiente 2, adibito all?esposizione ed alla vendita di prodotti, all?interno del quale un utente U pu? accedere e muoversi, secondo i propri interessi e le proprie esigenze di acquisto.

Il metodo comprende inoltre una fase di fornire almeno un sito web di commercio online, associato/collegato al medesimo ambiente 2 di vendita.

? poi prevista una fase di rilevare la posizione e lo spostamento dell?utente U all?interno dell?ambiente 2, ed una fase di rilevare i movimenti del corpo dell?utente U stesso, che si muove all?interno di detto ambiente 2 (quest?ultima fase viene effettuata, preferibilmente, contestualmente a quella di rilevare la posizione e lo spostamento dell?utente U).

Segue una fase di elaborare, tramite un primo algoritmo di data shaping, o data modelling, i dati acquisiti nelle precedenti fasi di rilevazione, per effettuare un?analisi delle percezioni e dei comportamenti dell?utente U all?interno dell?ambiente 2 di vendita.

? prevista, in seguito, una fase di acquisire informazioni relative alle sessioni di navigazione dell?utente U nel suddetto sito web collegato/associato all?ambiente 2 di vendita.

Infine, il metodo comprende una fase di comporre, tramite un secondo algoritmo di tipo machine learning, una matrice ad incroci logici tra i dati forniti in uscita dal primo algoritmo e le informazioni relative alle sessioni di navigazione dell?utente U nel sito web, per fornire, in uscita dal secondo algoritmo, ulteriori informazioni relative alle preferenze dell?utente U all?interno dell?ambiente: tali ulteriori informazioni sono atte a prevedere le successive azioni dell?utente U nel suo processo di acquisto.

Pi? in dettaglio, tali informazioni sono utilizzate per comandare dei dispositivi 10, previsti all?interno dell?ambiente 2, che possono comprendere, ad esempio, totem, pannelli semoventi, componenti di arredamento, sistemi di illuminazione, sistemi di diffusione audio, e altri ancora, che vengono azionati/regolati in modo da massimizzare la soddisfazione dell?utente U, personalizzando su misura la sua esperienza all?interno dell?ambiente di vendita 2.

Per quanto riguarda, in particolare, la fase di rilevamento dei movimenti dell?utente U all?interno dell?ambiente 2, essa comprende i seguenti momenti fondamentali: - rilevamento dei punti caratteristici, o punti estremi, del corpo dell?utente U; - rilevamento delle articolazioni del corpo dell?utente U;

- perfezionamento dei punti caratteristici.

Questa fase ? attuata, in particolare, con dei secondi mezzi di rilevazione 5 del tipo descritto in precedenza.

In un momento iniziale, i video realizzati dalla telecamera ToF vengono elaborati in modo da rimuovere lo sfondo e da estrarre la figura umana.

Successivamente, i punti caratteristici, o estremi, vengono rilevati automaticamente, in base alle propriet? geometriche della figura tridimensionale. Le posizioni temporali di ogni punto caratteristico vengono utilizzate per definire un profilo su cui sar? possibile eseguire una previsione della sua posizione futura. Tale posizione futura viene poi utilizzata come guida per perfezionare il rilevamento dei punti caratteristici.

Per quanto riguarda la rimozione dello sfondo, come detto la telecamera ToF ? in grado di rilevare la profondit? di ciascun pixel dell?immagine rispetto alla telecamera stessa.

Inoltre, ? possibile rilevare la profondit? media di un determinato pixel in un determinato intervallo di tempo: ci? consente di ottenere un modello dello sfondo dell?immagine per estrarre la figura umana, in relazione al fatto che se un determinato oggetto (appartenente allo sfondo) rimane fermo, anche la profondit? rilevata di un determinato pixel appartenente a tale oggetto non cambia nel tempo. Tuttavia, si deve considerare che, a causa della presenza di rumore, il valore di profondit? di un determinato pixel varia leggermente in un certo intervallo, anche se la scena rimane, di per s?, invariata.

Per descrivere gli oggetti fermi che formano lo sfondo, si utilizza il seguente modello:

In cui pi,j ? il valore di profondit? in una posizione di pixel (i, j) del modello di sfondo B, p<n>i,j ? il valore di profondit? in una posizione di pixel (i, j) dell?ennesimo fotogramma, ed N ? il numero di fotogrammi utilizzati per costruire il modello di sfondo.

Per ogni pixel del modello di sfondo, si calcola la somma media della profondit? di tutti i pixel nella stessa posizione dei fotogrammi campione.

Per ovviare quindi al problema del rumore, quando un oggetto (ad esempio una figura umana) appare in un fotogramma, lo sfondo viene parzialmente occluso, od oscurato, e quindi i valori di profondit? dei pixel nell?area dello sfondo occluso cambiano: le modifiche dovrebbero essere maggiori di una soglia T, come segue:

Dove P<m >? l?insieme dei pixel di primo piano e ?p<m>i,j ? la differenza tra i pixel p<m>i,j in frame fm e i pixel pi,j nel modello di sfondo.

I punti caratteristici, o punti estremi del corpo dell?utente U, vengono rilevati tramite uno specifico algoritmo che rileva le distanze geodetiche dei vari punti del corpo in relazione ad un punto di riferimento; pi? in dettaglio, un punto estremo ? quello che fornisce la distanza geodetica pi? lontana rispetto al suddetto punto di riferimento.

I punti estremi della figura umana sono la testa, le mani e i piedi.

Senza occlusione, sono previsti cinque punti estremi; la disposizione spaziale dei punti estremi rappresenta, approssimativamente, l?informazione generale delle attivit? umane.

Per semplificare la descrizione, si presenta il metodo in uno scenario bidimensionale: tuttavia, ? semplice estendere tale modello ad una situazione tridimensionale.

?I? definisce un?immagine binaria bidimensionale che contiene una figura umana ed uno sfondo.

Convenzionalmente, i pixel dello sfondo sono degli ?0?, mentre i pixel in primo piano (cio? la figura del corpo umano) sono degli ?1?.

Dato un punto selezionato a caso all?interno della figura, indicato con E0, la distanza geodetica tra E0 ed un punto viene calcolata come segue:

Dove I(xp,yp) ed I(xq,yq) sono i punti pi? vicini nel percorso pi? corto tra E0 ed I(x,y).

Viene creata una distance map, indicata con M<i>, dove i={0,1,?,N} ? il numero di interazioni.

Quindi, un punto estremo ? quello che fornisce la distanza geodetica pi? lontana dal punto di riferimento E0:

Come risultato, viene generata una distance map aggiornata, come mostrato nella figura 3A, che illustra appunto un esempio di una distance map per un punto estremo.

Per evitare di raggiungere ripetutamente gli stessi punti pi? lontani della figura, quando viene identificato un punto estremo, la sua distanza geodetica da qualsiasi punto estremo esistente ? impostata a zero:

Quindi, per ogni punto estremo appena individuato, esso deve mostrare la distanza pi? lontana da tutti quelli esistenti.

La distance map aggiornata finale (figura 3B) assumer? il valore minimo per ogni pixel tra tutte le distance map elaborate M<i>:

Infatti, nella figura 3B, viene mostrato un esempio di una distance map aggiornata, nella quarta iterazione, in cui i punti estremi degli arti sono rilevati, ed il loro valore di distanza ? impostato a 0, ed il punto estremo della testa ? stato calcolato (pixel pi? luminoso).

Per gestire l?auto-occlusione, durante il processo di aggiornamento della distance map Mi, si calcola la differenza di profondit? (cio? la differenza z) tra punti adiacenti (adiacenti nel piano X-Y).

Se tale differenza ? inferiore ad una soglia ?, i suddetti due punti sono considerati come se giacessero sulla superficie della stessa parte del corpo; in caso contrario, essi appartengono a parti del corpo diverse, cio? in altre parole si verifica l?occlusione.

Nel caso di occlusione, la superficie occlusa viene riempita per interpolazione; pertanto, per aggiornare la distanza geodetica di un punto che si trova in un?area di occlusione, si utilizzano i punti vicini sulla stessa superficie della parte del corpo. Per migliorare l?analisi del movimento del soggetto, possono essere rilevati anche dei punti rappresentativi della posizione delle spalle e dei gomiti del soggetto (articolazioni).

Per quanto riguarda le spalle, il metodo ideato utilizza un modello testa-spalla per cercare la posizione delle spalle.

Nel rilevamento dei punti estremi, la testa e le mani vengono identificate.

Idealmente, quando c?? una curvatura prominente vicino alle spalle, queste ultime sono facilmente individuabili.

Tuttavia, in molte pose, ad esempio quando la parte superiore delle braccia ? livellata con le spalle, non esistono segni distintivi per differenziare le spalle dalle braccia.

Il modello ? quindi molto utile per stimare la posizione delle spalle.

Per ottenere un modello testa-spalla, si utilizza una posa di inizializzazione come quella mostrata figura 4A.

Questa posa di inizializzazione viene utilizzata per invocare il metodo di rilevamento e per catturare il modello testa-spalla.

Se la posa del soggetto umano corrisponde alla posa di inizializzazione, la figura della testa e delle spalle viene catturata ed utilizzata come modello.

La somiglianza di due oggetti A e B viene calcolata come segue:

dove

ed ?<A>i ed ?<B>j sono momenti HU degli oggetti A e B (nell?elaborazione delle immagini ed in visione artificiale, il momento di un?immagine ? una particolare media dell?intensit? dei pixel che compongono l?immagine).

Sono utilizzati sette momenti per calcolare la somiglianza con il modello; un esempio testa-spalla, catturato dalla posa di figura 4A, ? illustrato nella figura 4B. La distanza tra le due spalle viene stimata calcolando la larghezza media del busto. Dopo aver localizzato la posizione con la maggiore somiglianza nella cornice attuale, viene utilizzato un bounding box per localizzare le spalle.

Tuttavia, quando una posizione di spalla proposta cade in secondo piano (ad esempio una posizione di piegamento laterale), viene individuato un punto in primo piano pi? vicino, ed esso viene utilizzato come posizione di spalla aggiornata.

Un esempio ? mostrato nella figura 5.

? indicato un punto che individua la spalla sinistra. Il cerchio vuoto, a destra, segna la posizione proposta per la spalla destra.

Tuttavia, poich? la posizione proposta si trova sullo sfondo, viene identificato un ulteriore punto in primo piano, pi? vicino (rappresentato dal cerchio pieno) come l?effettiva posizione proposta per la spalla destra.

La posizione del punto estremo, che rappresenta la testa, viene quindi affinata da questo modello testa-spalle.

Per quanto riguarda le altre articolazioni (ad esempio gomiti) si osserva che esse variano normalmente da persona a persona, e dipendono dalla prospettiva del dispositivo di imaging, anche senza occlusione.

Le figure 6A e 6B rappresentano, rispettivamente, una vista frontale ed una vista angolare (prospettica) del corpo dell?utente, come rilevate.

L?dea di trattare il punto centrale geometrico come la posizione delle articolazioni fornisce una stima approssimativa: tuttavia, essa potrebbe essere lontana, come mostrato nella figura 6B (vista angolare), in cui le posizioni ideali delle articolazioni sono evidenziate.

In figura 6A (vista frontale), il punto medio tra due punti caratteristici (mano e spalla) ? una buona stima dell?articolazione; tuttavia, nella figura 6B, l?articolazione appare molto pi? lontana dalla punta di una mano.

Quando un?articolazione ? visibile, ad esempio, in un braccio piegato, la distanza geodetica tra due punti estremi ? maggiore della loro distanza euclidea:

dove De denota la distanza euclidea.

Ci? pu? essere generalizzato in due punti qualsiasi delle sezioni distinte di una parte del corpo, ad esempio l?avambraccio e la parte superiore del braccio.

Dato che ogni sezione di un arto ? rigida e approssimativamente diritta, il punto di articolazio ne deve soddisfare la seguente relazione:

dove ? ? il punto ideale per la localizzazione delle articolazioni.

Data l?ampiezza della sagoma, vi sono pi? punti che possono soddisfare le formule precedenti.

Viene prescelto quello che fornisce la distanza geodetica pi? breve.

Per trovare la posizione comune ideale, viene proposto un metodo di ricerca iterativo.

La funzione ideata ha come obiettivo quello di ridurre al minimo la differenza tra la distanza geodetica totale tra due punti estremi attraverso il punto di giunzione. Secondo la mappa aggiornata della distanza, la distanza geodetica tra la mano e la spalla non viene modificata durante la ricerca iterativa.

Pertanto, l?obiettivo della ricerca iterativa viene modificato per massimizzare la distanza euclidea tra una mano e la spalla corrispondente.

Per evitare che il risultato della ricerca si diriga troppo al di fuori della regione del braccio, il punto di articolazione deve essere a distanza dalla mano o dalla spalla corrispondente:

Quando si verifica un?occlusione, oppure vi ? una significativa quantit? di rumore, il rilevamento dei punti caratteristici del corpo del soggetto pu? essere particolarmente difficile.

Per evitare il fallimento del rilevamento, oppure l?assenza di punti caratteristici a causa dell?occlusione, il metodo prevede che venga tenuta traccia della traiettoria di ogni punto caratteristico, per prevedere la sua posizione spaziale pi? probabile nel fotogramma successivo.

A questo proposito si fa riferimento alla figura 7, che illustra un esempio di un modello di ricerca di un punto di gomito in una situazione di auto-occlusione.

La posizione prevista viene utilizzata come vincolo nel rilevamento.

In altre parole, un punto caratteristico si trova in prossimit? della posizione prevista in base alla sua traiettoria storica.

Il processo di affinamento consiste di tre fasi:

- identificazione della corrispondenza dei punti caratteristici;

- previsione della posizione;

- verifica (si veda la figura 8, che rappresenta un esempio di ritrovamento del gomito di un braccio dell?utente).

In un metodo di rilevamento dei punti caratteristici, l?ordine di rilevamento dei punti caratteristici varia da un fotogramma all?altro.

A causa della continuit? del movimento umano, i punti caratteristici corrispondenti subiscono spostamenti molto piccoli nel passaggio tra fotogrammi consecutivi. Per questa ragione, nell?identificazione della corrispondenza di punti caratteristici viene imposto il vincolo della distanza minima:

dove p<n-1>i sono i punti caratteristici nel fotogramma f<n-1>, e p<n>j i punti caratteristici nel fotogramma f<n>.

Nel caso in cui pi? di un punto estremo nel fotogramma f<n >soddisfi il vincolo elencato sopra, si utilizza un metodo esclusivo reciproco per stabilire i punti, come segue:

dove p<n-1>k rappresenta il punto estremo nel fotogramma fn che ha la stessa corrispondenza del punto nel fotogramma fn-1 con un altro punto estremo nel fotogramma fn.

p<n>h rappresenta il punto estremo del frame f<n-1>, che viene messo in corrispondenza con pi? punti f<n>, oppure in corrispondenza con nessun punto.

Per prevedere la probabile posizione di un punto estremo, le sue rispettive posizioni nei frame precedenti vengono utilizzate seguendo un metodo di estrapolazione lineare, come segue:

dove p<n>i rappresenta la posizione del punto caratteristico nel fotogramma f<n>, e p<n+1>i rappresenta la posizione prevista del punto estremo nel frame f<n+1>.

La posizione prevista in base alla traiettoria potrebbe non coincidere con quella rilevata in base alla distanza geodetica.

Per affinare la posizione dei punti caratteristici, viene utilizzata una finestra di ricerca centrata sulla posizione prevista; la dimensione di tale finestra di ricerca dipende dalla velocit? del punto considerato.

Se il punto rilevato ? al di fuori della finestra di ricerca, il rilevamento ? considerato errato, ed esso viene quindi sostituito con la posizione prevista, oppure con un punto in primo piano pi? vicino intorno alla posizione prevista.

La dimensione della finestra di ricerca ? definita come segue:

dove ? caratterizza la velocit? del punto caratteristico.

La figura 9 illustra esempi di perfezionamento delle immagini delle mani.

In particolare, essa mostra il risultato del tracciamento di una mano.

La parte superiore mostra l?immagine di profondit? visualizzata; la parte inferiore mostra invece la figura umana rilevata e la posizione della mano.

Il primo cerchio A rappresenta la posizione attuale della mano, mentre il secondo cerchio B rappresenta la posizione della mano nella cornice precedente.

La figura 10 illustra due esempi dei risultati del metodo, utilizzando due serie di video.

La prima colonna e la terza colonna mostrano rispettivamente i fotogrammi dei video acquisiti, mentre la seconda colonna e la quarta colonna mostrano i risultati del rilevamento dei punti funzione, o punti caratteristici.

I dati raccolti consentono di ottenere alcuni risultati, tra i quali i principali sono: - la categorizzazione dei clienti;

- la prevenzione delle situazioni di fallimento;

- la previsione di scenari futuri.

Pi? in dettaglio, i dati raccolti riguardano il comportamento dell?utente U all?interno dell?ambiente 2, ed in particolare si riferiscono agli spostamenti, alla focalizzazione del campo visivo, alle espressioni e relative percezioni rilevate durante le visite all?interno dell?ambiente 2 stesso.

L?invenzione, cos? concepita, permette di conseguire importanti vantaggi tecnici. Rispetto ai noti sistemi di profilazione di utenti, la soluzione oggetto della presente invenzione fornisce ulteriori e numerose informazioni utili ad effettuare una previsione delle future azioni di un utente interessato all?acquisto di un prodotto, con l?obiettivo di modificare l?ambiente di vendita in modo da renderlo rispondente ai gusti ed alle esigenze dell?utente.

La soluzione proposta ? di attuazione semplice ed immediata, e fornisce risultati accurati e ripetibili.

In particolare, l?elaborazione sinergica di dati provenienti sia dalle sessioni di navigazione dell?utente, che dall?analisi del comportamento dello stesso utente all?interno dell?ambiente di vendita, consente di ottenere, e conseguentemente di sfruttare, informazioni molto pi? dettagliate e conformate alle esigenze ed ai gusti di quel determinato utente, rendendo unica la sua esperienza durante il processo di acquisto.

Si ? cos? visto, quindi, come l?invenzione raggiunge gli scopi proposti.

La presente invenzione ? stata descritta secondo forme preferite di realizzazione, ma varianti equivalenti possono essere concepite senza uscire dall'ambito di protezione offerto dalle rivendicazioni che seguono.

Claims (18)

RIVENDICAZIONI

1. Sistema (1) di profilazione di un utente, caratterizzato dal fatto che comprende

almeno un ambiente (2), adibito all?esposizione ed alla vendita di prodotti, all?interno del quale un utente (U) pu? accedere e muoversi, secondo i propri interessi e le proprie esigenze di acquisto,

almeno un sito web di commercio online, associato a detto ambiente (2);

dei primi mezzi di rilevazione (3) della posizione e dello spostamento dell?utente (U) all?interno di detto ambiente (2),

dei secondi mezzi di rilevazione (5) dei movimenti del corpo dell?utente (U), che si muove all?interno di detto ambiente (2),

una prima unit? di elaborazione (6), posta all?interno di detto ambiente (2), alla quale sono operativamente collegati detti primi, secondi mezzi di rilevazione (3, 5), detta prima unit? di elaborazione (6) essendo configurata per attuare un primo algoritmo di data shaping, o data modelling, per l?elaborazione dei dati acquisiti da detti primi, secondi mezzi di rilevazione (3, 5), detto primo algoritmo essendo configurato per effettuare un?analisi delle percezioni e dei comportamenti dell?utente (U) all?interno di detto ambiente (2),

una seconda unit? di elaborazione (7), atta ad operare un secondo algoritmo di tipo machine learning, detto secondo algoritmo essendo configurato per effettuare un?analisi predittiva del comportamento dell?utente (U) nella sua scelta di acquisto di prodotti, ed

una terza unit? di elaborazione (8), associata ad una rispettiva memoria di archiviazione, nella quale risiedono informazioni, afferenti a detto utente (U), e provenienti da altre fonti, e relative alle sessioni di navigazione dell?utente in detto sito web;

detta seconda unit? di elaborazione (7) essendo configurata per comporre, tramite detto secondo algoritmo, una matrice ad incroci logici tra i dati forniti in uscita da detto primo algoritmo e dette informazioni relative alle sessioni di navigazione dell?utente (U) in detto sito web,

detto secondo algoritmo di tipo machine learning essendo configurato per fornire, come risultato della propria elaborazione, ulteriori informazioni relative alle preferenze dell?utente (U) all?interno dell?ambiente (2), atte a prevedere le successive azioni dell?utente (U) nel processo di acquisto.

2. Sistema (1) secondo la rivendicazione 1, in cui detta prima unit? di elaborazione 6X), oppure un?altra unit? di elaborazione appositamente dedicata, e prevista in detto ambiente (2), ? configurata per azionare e comandare una pluralit? di dispositivi (10) situati all?interno di detto ambiente (2).

3. Sistema (1) secondo la rivendicazione 2, in cui detti dispositivi (10) comprendono, dei totem, e/o dei pannelli semoventi, e/ degli elementi di arredamento, e/o sistemi di illuminazione, e/o sistemi di diffusione audio, e altri ancora, che vengono azionati/regolati in modo da massimizzare la soddisfazione dell?utente all?interno di detto ambiente (2) durante la scelta dei prodotti da acquistare.

4. Sistema (1) secondo una delle rivendicazioni precedenti, in cui detti primi mezzi di rilevazione (3) comprendono uno o pi? dispositivi operanti secondo le tecnologie NFC ed RFID, in grado di connettersi al dispositivo mobile (4) di propriet? dell?utente (U), e di sfruttarne il sistema GPS, per tracciare gli spostamenti dell?utente (U) all?interno di detto ambiente (2), o anche immediatamente all?esterno dello stesso.

5. Sistema (1) secondo una delle rivendicazioni precedenti, in cui detti secondi mezzi di rilevazione (5) dei movimenti dell?utente (U) sono configurati per individuare un numero minimo di punti caratteristici del suo corpo, che consentono di acquisirne i movimenti.

6. Sistema (1) secondo la rivendicazione 5, in cui detti secondi mezzi di rilevazione (5) comprendono una o pi? telecamere a tempo di volo, installate in posizioni strategiche all?interno di detto ambiente (2).

7. Sistema (1) secondo una delle rivendicazioni precedenti, in cui detto primo algoritmo ? del tipo data-driven, ed ? configurato per rilevare automaticamente i punti estremi e caratteristici del corpo dell?utente (U).

8. Sistema (1) secondo una delle rivendicazioni precedenti, in cui detto secondo algoritmo di tipo machine learning comprende una rete neurale ricorrente.

9. Sistema (1) secondo la rivendicazione 8, in cui detta rete neurale ricorrente comprende celle di memoria di tipo LSTM (Long Short Term Memory) e/o di tipo GRU (Gated Recurrent Units).

10. Sistema (1) secondo una delle rivendicazioni precedenti, in cui detta terza unit? di elaborazione (8) comprende un server in cloud, ed in cui dette ulteriori fonti comprendono un?applicazione, installata sul dispositivo mobile (4) di propriet? dell?utente (U), tramite la quale l?utente (U) naviga nel sito web associato all?ambiente (2) di vendita, e/o un computer (9) tramite il quale l?utente (U) naviga nel sito web associato all?ambiente (2) di vendita.

11. Metodo (1) di profilazione di un utente, caratterizzato dal fatto che comprendente le fasi di

fornire almeno un ambiente (2), adibito all?esposizione ed alla vendita di prodotti, all?interno del quale un utente (U) pu? accedere e muoversi, secondo i propri interessi e le proprie esigenze di acquisto;

fornire almeno un sito web di commercio online, associato a detto ambiente (2); rilevare la posizione e lo spostamento dell?utente (U) all?interno di detto ambiente (2);

rilevare i movimenti del corpo dell?utente (U), che si muove all?interno di detto ambiente (2);

elaborare, tramite un primo algoritmo di data shaping, o data modelling, i dati acquisiti in dette fasi di rilevazione, per effettuare un?analisi delle percezioni e dei comportamenti dell?utente (U) all?interno di detto ambiente;

acquisire informazioni relative alle sessioni di navigazione dell?utente (U) in detto sito web;

comporre, tramite un secondo algoritmo di tipo machine learning, una matrice ad incroci logici tra i dati forniti in uscita da detto primo algoritmo e dette informazioni relative alle sessioni di navigazione dell?utente (U) in detto sito web, per fornire, in uscita da detto secondo algoritmo, ulteriori informazioni relative alle preferenze dell?utente (U) all?interno dell?ambiente, atte a prevederne le successive azioni nell?acquisto.

12. Metodo secondo la rivendicazione 11, comprendente una fase di azionare e comandare una pluralit? di dispositivi (10) situati all?interno di detto ambiente (2), detti dispositivi (10) comprendendo dei totem, e/o dei pannelli semoventi, e/ degli elementi di arredamento, e/o sistemi di illuminazione, e/o sistemi di diffusione audio, e altri ancora, che vengono azionati/regolati in modo da massimizzare la soddisfazione dell?utente all?interno di detto ambiente (2) durante la scelta dei prodotti da acquistare.

13. Metodo secondo la rivendicazione 11 o 12, in cui detta fase di rilevare la posizione e lo spostamento dell?utente (U) ? attuata tramite uno o pi? dispositivi operanti secondo le tecnologie NFC ed RFID, in grado di connettersi al dispositivo mobile (4) di propriet? dell?utente (U), e di sfruttarne il sistema GPS, per tracciare gli spostamenti dell?utente (U) all?interno di detto ambiente (2).

14. Metodo secondo una delle rivendicazioni 11-13, in cui detta fase di rilevare i movimenti del corpo dell?utente (U), che si muove all?interno di detto ambiente (2), comprende l?individuazione di un numero minimo di punti caratteristici del corpo dell?utente (U), tramite una o pi? telecamere a tempo di volo, installate in posizioni strategiche all?interno di detto ambiente (2).

15. Metodo secondo una delle rivendicazioni 11-14, in cui detto primo algoritmo ? del tipo data-driven, ed ? configurato per rilevare automaticamente i punti estremi e caratteristici del corpo dell?utente (U).

16. Metodo secondo una delle rivendicazioni 11-15, in cui detto secondo algoritmo di tipo machine learning comprende una rete neurale ricorrente.

17. Metodo secondo la rivendicazione 16, in cui detta rete neurale ricorrente comprende celle di memoria di tipo LSTM (Long Short Term Memory) e/o di tipo GRU (Gated Recurrent Units).

18. Metodo secondo una delle rivendicazioni precedenti, in cui detta fase di acquisire informazioni relative alle sessioni di navigazione dell?utente (U) in detto sito web ? effettuata tramite un?applicazione, installata sul dispositivo mobile (4) di propriet? dell?utente (U), per mezzo della quale l?utente (U) naviga nel sito web associato all?ambiente (2) di vendita, e/o tramite un computer (9), per mezzo del quale l?utente (U) naviga nel sito web associato all?ambiente (2) di vendita.