WO2017202694A1 - Procede de determination d'achats effectues par un utilisateur - Google Patents

Procede de determination d'achats effectues par un utilisateur Download PDF

Info

Publication number
WO2017202694A1
WO2017202694A1 PCT/EP2017/062023 EP2017062023W WO2017202694A1 WO 2017202694 A1 WO2017202694 A1 WO 2017202694A1 EP 2017062023 W EP2017062023 W EP 2017062023W WO 2017202694 A1 WO2017202694 A1 WO 2017202694A1
Authority
WO
WIPO (PCT)
Prior art keywords
shopping list
shopping
store
user
distance
Prior art date
Application number
PCT/EP2017/062023
Other languages
English (en)
Inventor
Louis MILLON
Original Assignee
Occi
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Occi filed Critical Occi
Publication of WO2017202694A1 publication Critical patent/WO2017202694A1/fr

Links

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

Definitions

  • the present invention relates to the field of collecting the behavioral data of users in stores, in particular by analyzing their trajectory.
  • the penetration rate T penet defined as the percentage of customers who have purchased a particular product. Nevertheless, the exposure rate T expo (share of consumers who see the product), the interest rate T int (share of consumers who see the product and who are interested in it) and the conversion rate T conv (share consumers who are interested in the product and who buy it) are most often ignored by the stores, failing which to have a method of estimating these rates: the simple monitoring of a consumer does not allow access to these different rates.
  • T T NETE conv x T x T inte expo.
  • the document US 201 1/02002226 A1 proposes a method for determining these purchases.
  • the image of a consumer is extracted by means of camera images (for example, video surveillance) and once extracted, its past trajectory is searched in the database of images cameras.
  • this method requires high resolution cameras to avoid abusive recognition (or false positive in English). Moreover, this method assumes that it is possible to associate with a given consumer a receipt in a certain way. This is not always the case and the reliability of the method proposed by such a method can be questioned.
  • the location method is imprecise (eg, radio location of the consumer), it may be difficult to know the box the consumer has been through.
  • the present invention improves the situation.
  • the present invention provides a method for determining purchases made by a user of a store, wherein the method comprises:
  • the store user can also be called “consumer”.
  • a shopping list can also be called a “receipt”.
  • the determination of the set of shopping lists may include:
  • determination of the set of shopping lists may also include:
  • the first probability value may be zero if the distance from a cash register that generated said shopping list to a user's location is greater than a predetermined distance.
  • the moment associated with the generation of said shopping list may be the smallest time among all the input times of all the items purchased for the generation of said shopping list, and in which the second probability value can be zero if the moment associated with the generation of said shopping list is prior to said moment of presence.
  • the moment associated with the generation of said shopping list may be the greatest time among all the times of entry of all the elements purchased for the generation of said shopping list, and wherein the second probability value may be zero if the moment associated with the generation of said shopping list is later than said moment of presence.
  • said determination of the probable shopping list may be a function of a comparison between the number of items purchased for each shopping list in the set of specified shopping lists and a length of said trajectory.
  • the calculation of the distance between the position of each element and said determined trajectory may comprise, for each element:
  • the calculation of the distance between the position of each element and said determined trajectory can also comprise, for each element:
  • said distance is incremented as a function of the distance of the trajectory at the position of said element in the magazine.
  • the time or speed criterion may be a criterion or a combination of criteria from:
  • a consecutive time during which the position of the user of said magazine is in the area of the magazine corresponding to the crates is greater than a predetermined time; a speed of the position of the user (and therefore of the user) of said magazine is lower than a predetermined speed.
  • the present invention also aims at a system for determining purchases made by a user of a store, in which the system comprises:
  • a location device for determining a trajectory in a store associated with the user of said store
  • circuit for determining a probable shopping list among all the shopping lists said determination of the probable shopping list is a function of the distance calculated for said shopping list
  • a computer program implementing all or part of the method described above, installed on a pre-existing equipment, is in itself advantageous.
  • the present invention also relates to a computer program comprising instructions for implementing the method described above, when this program is executed by a processor.
  • This program can use any programming language (eg, object language or other), and be in the form of interpretable source code, partially compiled code, or fully compiled code.
  • Figure 5 described in detail below can form the flowchart of the general algorithm of such a computer program.
  • FIG. 1 illustrates a journey of a consumer within a store
  • - Figure 2 illustrates the calculation of a first probability associated with shopping lists
  • - Figure 3 illustrates the calculation of a second probability associated with shopping lists
  • FIGS. 4a and 4b illustrate the calculation of a distance between a shopping list and a trajectory
  • FIG. 5 illustrates a flowchart of a possible embodiment in one embodiment of the invention
  • FIG. 6 illustrates a device for determining consumer purchases in one embodiment of the invention.
  • Figure 1 illustrates a consumer's journey within a store.
  • a consumer enters a store 100 (at point 105)
  • there are a large number of methods for determining his trajectory 104 within the store ie along shelves 103) until his checkout (point 106) .
  • These methods of location are diverse and have variable degrees of precision ranging from a few centimeters to a few meters.
  • indoor positioning techniques or "indoor geolocation system”: - by Wifi;
  • Bluetooth including the Apple Beacon or iBeacon
  • the Bluetooth protocol of the consumer's phone can be used to communicate with sensors placed in the store, and the system recognizes a smartphone thanks to its MAC address Bluetooth, Wifi, or its identifier
  • NFC / RFID eg an NCF chip is inserted into a shopping cart
  • Ultrasound or Li-Fi eg: ultrasonic / LiFi transmitters are installed in the store lighting
  • the indoor positioning method uses sensors and signals (sound, electromagnetic, or other) communicated between a transmitter (s) and a receiver (s), different methods can be used to obtain the customer's position from the signals in question. , especially :
  • the box area 102 may be arbitrarily defined.
  • the area of the store corresponding to the boxes is a rectangular area encompassing the boxes (eg 101) and not covering the shelves (eg 103).
  • This zone 102 can also be defined as a union of circles whose centers are each boxes and whose radius is predefined (eg 2m around each box). It is possible to consider that the consumer arrives in the cash box to pay when:
  • the incursion of the consumer at the level of the arrow 107 is not necessarily considered as a cash pass.
  • the predetermined time or the predetermined speed can be a function of an index of certainty (or uncertainty) of the presence of the consumer in the zone 102 (eg more the certainty is high, the more the predetermined speed can be important or the predetermined time can be short).
  • Figure 2 illustrates the calculation of a first probability associated with shopping lists.
  • the first value Pi can be of the form of the curve 201, for example.
  • the probability value Pi associated with each cash register may be the value of the curve 201 for a corresponding abscissa x at the center of the cashier. This value can also be the maximum or minimum or average value of the curve 201 for the width along the x axis of the considered body.
  • Figure 3 illustrates the calculation of a second probability associated with shopping lists.
  • the consumer When the consumer enters the zone 102 to make his purchases, there may be an uncertainty regarding the shopping list that may be associated with him: indeed, his time of presence at the checkout level (represented by the arrow 302) may correspond to the generation of several shopping lists (eg represented by the arrows 305 to 308, the left end of the arrows 305 to 308 representing the beginning of the generation (eg 303) and the right end of the arrows 305 to 308 representing the end of the generation or the actual payment (eg 304)). Because of this uncertainty, it is possible to associate with a shopping list generated by a given box a second probability value P 2 according to this uncertainty.
  • P 2 the probability value
  • this probability value P 2 (represented for example by the curve 301) may be higher for the shopping lists that have been generated at a date close to the departure of the consumer of the zone 102 (ie close to the stretch of the arrow 302).
  • this probability value P 2 can be zero for the shopping lists which have started to be generated or which have finished being generated at a time when the consumer is not in the zone 102: in fact, he can be considered improbable that a shopping list is being generated while the consumer is not yet present or has just left.
  • the probability value P 2 associated with each shopping list can be the value of the curve 301 for a time corresponding to the beginning of the generation of the shopping list or corresponding to the end / middle of the generation of the list of purchases. shopping. This value can also be the maximum or minimum or average value of the curve 301 during the generation of the shopping list under consideration.
  • Figures 4a and 4b illustrate the calculation of a distance between a shopping list and a trajectory.
  • the distance of a shopping list to a trajectory can be defined as a sum (weighted possibly) of the distances between the position (in racking) of each element bought on the shopping list and the trajectory.
  • the distance here must be understood in the broad sense (ie in the mathematical sense, for example) and not only in the sense of a Euclidean distance (even if the use of such an Euclidean distance remains possible).
  • the distance can be:
  • a sum of the "real" distances of the points 401 to 408 at the stopping points of the trajectory 104 ie the shortest distance between these points 401 to 408 and a point of the trajectory for which the user makes a higher stop at a certain time or at a speed below a certain speed, taking into account the actual path that a consumer must have to get to the location of the product, ie by avoiding shelving or other obstacles). Nevertheless, the location of products may be more inaccurate.
  • the position of the products is known only by zone.
  • Fig. 5 illustrates a flowchart of a possible embodiment in one embodiment of the invention.
  • step 501 it is possible to detect the trajectory of a given consumer (step 501).
  • this method can be run in parallel for a large number of consumers.
  • step 502 As soon as a new position of the trajectory is known and / or as soon as a predetermined time has elapsed since the last verification, it is possible to check (step 502) that the consumer is at the level of the boxes (ie in the zone 102).
  • step 501 continues to be executed.
  • step 503 If this is the case (exit OK from step 502), it is verified (step 503) that the criterion of time or speed is filled (see above).
  • step 501 continues to be executed. If this criterion is fulfilled (OK output of step 503), it is possible to perform a first temporal filter (step 504) concerning the shopping lists of the store. For example, this filter may include eliminating possible candidates from shopping lists generated on another day or generated more than a predetermined number of hours.
  • a first probability value Pi (step 505) as a function of the relative position of the body having generated this shopping list and the position of the consumer in the zone 102. It is possible to attribute to each candidate race list (ie not eliminated) a second probability value P 2 (step 506) as explained above.
  • each candidate shopping list (loop 507), to determine the position of each item of the shopping list in the store (step 508, possibly with the help of a database 509 of positions) and calculate the distance of this shopping list to the consumer's trajectory (see above).
  • step 51 1 determines (step 51 1) the most likely shopping list by combining the previously calculated probability value P and the distance value. For example, it is possible to minimize P. (DD min + e) (with D the distance from the shopping list considered to the consumer's trajectory, D min the smallest distance from shopping lists to the consumer's trajectory , and e a predetermined value) to determine the most likely shopping list. It is also possible to maximize P. (D max -D) (with D max the largest distance from the shopping lists to the consumer's trajectory). Any other function of P and D is also possible: these functions combining the previously calculated probability value P and the distance value are noted more generally f (P, D).
  • step 512 it is possible to compare (step 512) the length of the trajectory with the number of elements in the shopping list. Indeed, if two shopping lists are substantially equiprobable (eg +/- 10%) then, it is possible to select the shopping list whose number of elements best corresponds to the length of the trajectory (ie a long trajectory is often associated with a shopping list with a large number of elements). Purely empirical charts can be made on test populations to determine the link between trajectory length and number of items in the shopping list.
  • this association can be provided to a third party algorithm for accurately determining the exposure rate T expo , the interest rate T inté and especially the conversion rate T conv .
  • Figure 6 shows an example of a consumer purchasing determination device in an embodiment of the invention.
  • the device comprises a computer 600, comprising a memory 605 for storing instructions for implementing the method, the received measurement data, and temporary data for performing the various steps of the method as described above. .
  • the computer further comprises a circuit 604.
  • This circuit can be, for example:
  • processors capable of interpreting instructions in the form of a computer program, or an electronic card whose steps of the method of the invention are described in silicon, or
  • This computer has an input interface 603 for receiving trajectory data from a locating device 607 (eg, radio or CCTV location), and an output interface 606 for providing trajectories associated with data. shopping lists.
  • a locating device 607 eg, radio or CCTV location
  • the computer may include, for easy interaction with a user, a screen 601 and a keyboard 602.
  • the keyboard is optional, particularly in the context of a computer in the form of a touch pad, for example.
  • FIG. 5 is a typical example of a program, some of whose instructions can be implemented with the device described. As such, FIG. 5 may correspond to the flowchart of the general algorithm of a computer program within the meaning of the invention.

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Development Economics (AREA)
  • Strategic Management (AREA)
  • Finance (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

La présente invention concerne un procédé de détermination d'achats effectués par un utilisateur d'un magasin (100), dans lequel le procédé comporte : - détermination (501) d'une trajectoire (104) dans un magasin, associée à l'utilisateur dudit magasin; - pour chaque liste d'achats (305, 306, 307, 308) dans l'ensemble des listes d'achats calculer une proximité entre chaque élément de ladite liste d'achats et la trajectoire (104) déterminée; - détermination (511) d'une liste d'achats probable parmi l'ensemble des listes d'achats (305, 306, 307, 308), ladite détermination de la liste d'achats probable est fonction de la proximité calculée pour ladite liste d'achats.

Description

PROCEDE DE DETERMINATION D'ACHATS EFFECTUES PAR UN
UTILISATEUR
La présente invention concerne le domaine de la collecte des données comportementales d'utilisateurs dans des magasins, notamment par l'analyse de leur trajectoire.
Aujourd'hui, il est tout à fait possible de suivre un consommateur au sein d'une grande surface ou plus généralement au sein d'un magasin. Ce suivi permet de déterminer les trajectoires du consommateur, et, en fonction de la précision des moyens de suivi, de déterminer les zones du magasin dans lesquelles le consommateur passe le plus de temps ou a contrario dans lesquelles le consommateur ne fait que passer.
Pour autant, ce suivi ne permet pas de connaître l'impact de la trajectoire du consommateur sur ses achats : - si le consommateur passe rapidement dans un rayon, cela signifie-t-il que le consommateur n'achète rien (zone morte) ou que sa décision d'achats est immédiate (ex. le consommateur sait ce qu'il veut acheter / le consommateur est significativement impacté par les publicités en rayons) ?
- si un consommateur reste longtemps en rayon, cela signifie-t-il qu'il achète un grand nombre de produits ou hésite-t-il devant le rayon sans procéder à une décision d'achats ?
Le plus souvent, les magasins ne disposent que de la connaissance du taux de pénétration Tpéné, défini comme le pourcentage des clients ayant acheté un produit donné. Néanmoins, le taux d'exposition Texpo (part des consommateurs qui voient le produit), le taux d'intérêt Tinté (part des consommateurs qui voient le produit et qui s'y intéressent) et le taux de conversion Tconv (part des consommateurs qui s'intéressent au produit et qui l'achètent) sont le plus souvent ignorés par les magasins, à défaut d'avoir une méthode d'estimation de ces taux : le simple suivi d'un consommateur ne permet pas d'accéder à ces différents taux.
Habituellement, nous avons Tpéné = Tconv x Texpo x Tinté.
Pour connaître ces différents taux, il est utile de connaître les achats véritables effectués par un consommateur suivi.
Le document US 201 1 /02002226 A1 propose une méthode pour déterminer ces achats. En l'espèce, lors du passage en caisse, l'image d'un consommateur est extraite au moyen des images de caméras (par exemple, de vidéosurveillance) et une fois extraite, sa trajectoire passée est recherchée dans la base de données des images des caméras.
Néanmoins, cette méthode nécessite des caméras de haute résolution afin d'éviter des reconnaissances abusives (ou false positive en anglais). Par ailleurs, cette méthode suppose qu'il est possible d'associer à un consommateur donné un ticket de caisse de manière certaine. Cela n'est pas toujours le cas et la fiabilité de la méthode proposée par une telle méthode peut être remise en cause.
Par exemple, si la méthode de localisation est imprécise (ex. localisation du consommateur par radio), il peut être difficile de connaître la caisse par laquelle est passé le consommateur.
Par ailleurs, si le consommateur reste longtemps en caisse (ex. car le consommateur précédent à de nombreux achats), une incertitude peut exister quant à l'association de son ticket de caisse.
Il y a ainsi un besoin pour renforcer la fiabilité du processus d'association des tickets de caisse avec un consommateur et ainsi déterminer avec précision les achats effectués par ce consommateur suivi. La présente invention vient améliorer la situation.
À cet effet, la présente invention propose un procédé de détermination d'achats effectués par un utilisateur d'un magasin, dans lequel le procédé comporte :
- détermination d'une trajectoire dans un magasin associée à l'utilisateur dudit magasin ;
- lorsque la position de l'utilisateur dudit magasin est dans une zone du magasin correspondante aux caisses et qu'un critère de temps ou de vitesse est rempli, détermination d'un ensemble de listes d'achats correspondant à des caisses dudit magasin, chaque liste d'achats comprenant un ensemble d'éléments acheté par un utilisateur dudit magasin ;
- pour chaque liste d'achats dans l'ensemble des listes d'achats déterminé :
- détermination d'une position de chaque élément de ladite liste d'achats ; - calcul d'une distance entre la position de chaque élément et ladite trajectoire déterminée ;
- détermination d'une liste d'achats probable parmi l'ensemble des listes d'achats, ladite détermination de la liste d'achats probable est fonction de la distance calculée pour ladite liste d'achats ; - association de ladite liste d'achats probable avec ladite trajectoire déterminée.
En associant une liste d'achats probable avec une trajectoire, il est possible de déterminer avec précision des statistiques relatives à des habitudes utilisateurs.
L'utilisateur du magasin peut être également appelé « consommateur ». Une liste d'achats peut être également appelé « ticket de caisse ».
Dans un mode de réalisation possible, la détermination de l'ensemble de listes d'achats peut comprendre :
- pour chaque liste d'achats parmi l'ensemble des listes d'achats, attribuer une première valeur de probabilité à ladite liste d'achat, ladite première valeur de probabilité étant fonction d'une distance d'une caisse ayant généré ladite liste d'achats à une position de l'utilisateur, lorsque la position de l'utilisateur dudit magasin est dans une zone du magasin correspondante aux caisses ; dans lequel la détermination de la liste d'achats probable peut être fonction de la première valeur de probabilité attribuée pour ladite liste d'achat.
Par ailleurs, la détermination de l'ensemble de listes d'achats peut également comprendre :
- pour chaque liste d'achats parmi l'ensemble de listes d'achats, attribuer une deuxième valeur de probabilité à ladite liste d'achat, ladite deuxième valeur de probabilité étant fonction d'une différence entre un moment associé à une génération de ladite liste d'achats par une caisse et un moment de présence pour lequel la position de l'utilisateur dudit magasin est dans une zone du magasin correspondante aux caisses ; dans lequel la détermination de la liste d'achats probable peut être fonction de la deuxième valeur de probabilité attribuée pour ladite liste d'achat.
La première valeur de probabilité peut être nulle si la distance d'une caisse ayant généré ladite liste d'achats à une position de l'utilisateur est supérieure à une distance prédéterminée.
Dans un mode de réalisation, le moment associé à la génération de ladite liste d'achats peut être un temps le plus petit parmi tous les temps de saisie de l'ensemble des éléments achetés pour la génération de ladite liste d'achats, et dans lequel la deuxième valeur de probabilité peut être nulle si le moment associé à la génération de ladite liste d'achats est antérieur audit moment de présence.
En outre, le moment associé à la génération de ladite liste d'achats peut être un temps le plus grand parmi tous les temps de saisie de l'ensemble des éléments achetés pour la génération de ladite liste d'achats, et dans lequel la deuxième valeur de probabilité peut être nulle si le moment associé à la génération de ladite liste d'achats est postérieur audit moment de présence.
Avantageusement, ladite détermination de la liste d'achats probable peut être fonction d'une comparaison entre le nombre d'éléments achetés pour chaque liste d'achats dans l'ensemble des listes d'achats déterminés et d'une longueur de ladite trajectoire.
En complément ou en variante, le calcul de la distance entre la position de chaque élément et ladite trajectoire déterminée peut comprendre, pour chaque élément :
- si ladite trajectoire intersecte une région du magasin dans lequel se trouve ledit élément, ladite distance est incrémentée positivement, respectivement négativement ;
- sinon, ladite distance est incrémentée négativement, respectivement positivement.
Le calcul de la distance entre la position de chaque élément et ladite trajectoire déterminée peut également comprendre, pour chaque élément :
- ladite distance est incrémentée en fonction de la distance de la trajectoire à la position dudit élément dans le magasin.
Dans un mode de réalisation, le critère de temps ou de vitesse peut être un critère ou une combinaison de critères parmi :
- un temps consécutif pendant lequel la position de l'utilisateur dudit magasin est dans la zone du magasin correspondante aux caisses est supérieure à un temps prédéterminé ; une vitesse de la position de l'utilisateur (et donc de l'utilisateur) dudit magasin est inférieure à une vitesse prédéterminée.
La présente invention vise également un système de détermination d'achats effectués par un utilisateur d'un magasin, dans lequel le système comporte :
- un dispositif de localisation pour la détermination d'une trajectoire dans un magasin associée à l'utilisateur dudit magasin ;
- un circuit pour la détermination, lorsque la position de l'utilisateur dudit magasin est dans une zone du magasin correspondante aux caisses et qu'un critère de temps ou de vitesse est rempli, d'un ensemble de listes d'achats correspondant à des caisses dudit magasin, chaque liste d'achats comprenant un ensemble d'éléments acheté par un utilisateur dudit magasin ;
- un circuit pour, pour chaque liste d'achats dans l'ensemble des listes d'achats déterminé :
- la détermination d'une position de chaque élément de ladite liste d'achats ;
- le calcul d'une distance entre la position de chaque élément et ladite trajectoire déterminée ;
- un circuit pour la détermination d'une liste d'achats probable parmi l'ensemble des listes d'achat, ladite détermination de la liste d'achats probable est fonction de la distance calculée pour ladite liste d'achats ;
- un circuit pour l'association de ladite liste d'achats probable avec ladite trajectoire déterminée.
Un programme informatique, mettant en œuvre tout ou partie du procédé décrit ci- avant, installé sur un équipement préexistant, est en lui-même avantageux.
Ainsi, la présente invention vise également un programme informatique comportant des instructions pour la mise en œuvre du procédé précédemment décrit, lorsque ce programme est exécuté par un processeur.
Ce programme peut utiliser n'importe quel langage de programmation (par exemple, un langage-objet ou autre), et être sous la forme d'un code source interprétable, d'un code partiellement compilé ou d'un code totalement compilé.
La figure 5 décrite en détail ci-après peut former l'organigramme de l'algorithme général d'un tel programme informatique.
D'autres caractéristiques et avantages de l'invention apparaîtront encore à la lecture de la description qui va suivre. Celle-ci est purement illustrative et doit être lue en regard des dessins annexés sur lesquels :
- la figure 1 illustre un trajet d'un consommateur au sein d'un magasin ;
- la figure 2 illustre le calcul d'une première probabilité associée à des listes d'achats ; - la figure 3 illustre le calcul d'une deuxième probabilité associée à des listes d'achats ;
- les figures 4a et 4b illustrent le calcul d'une distance entre une liste d'achats et une trajectoire ;
- la figure 5 illustre un ordinogramme d'une réalisation possible dans un mode de réalisation de l'invention ;
- la figure 6 illustre un dispositif de détermination d'achats d'un consommateur dans un mode de réalisation de l'invention.
La figure 1 illustre un trajet d'un consommateur au sein d'un magasin. Lorsqu'un consommateur pénètre dans un magasin 100 (au point 105), il existe un grand nombre de méthodes pour déterminer sa trajectoire 104 au sein du magasin (i.e. le long des rayonnages 103) jusqu'à sa sortie en caisse (point 106). Ces méthodes de localisation sont diverses et possèdent des degrés de précision variables allant de quelques centimètres à quelques mètres. Parmi ces méthodes, il est possible de nommer des techniques de positionnement en intérieur (ou en anglais « indoor geolocation System »): - par Wifi ;
- par Bluetooth (avec notamment le Apple Beacon ou iBeacon) (ex. le protocole Bluetooth du téléphone du consommateur peut être utilisé pour communiquer avec des capteurs placés dans le magasin, et le système reconnaît un smartphone grâce à son adresse MAC Bluetooth, Wifi, ou à son identifiant);
- par NFC / RFID (ex. une puce NCF est insérée dans un caddie) ;
- par UWB (pour Ultra Wide Band en anglais) ;
- en utilisant les images de vidéosurveillance ou plus généralement de caméras ; - par Ultrason ou Li-Fi (ex : des émetteurs ultrasonores / LiFi sont installés dans les éclairages du magasin) ;
- etc.
Quand le procédé de positionnement en intérieur utilise des capteurs et des signaux (sonores, électromagnétiques, ou autres) communiqués entre un/des émetteurs et un/des récepteurs, différentes méthodes peuvent permettre d'obtenir la position du client à partir des signaux en question, notamment :
- La détection du temps de vol (ou « time of flight » en anglais), qui permet en utilisant la vélocité déjà connue de l'onde de parvenir à la distance entre émetteur et récepteur. - La détection de l'angle d'arrivée du signal sur le/les récepteurs.
- L'estimation de la distance à partir de la force du signal reçu par le/les récepteurs, en utilisant des abaques préalablement réalisées. D'autre part, quelle que soit le type de signal employé, des méthodes de triangulation peuvent être employées (nécessaires ou non) pour parvenir à une position précise du client.
La zone de caisse 102 peut être définie de manière arbitraire. Dans l'exemple de la figure 1 , la zone du magasin correspondante aux caisses est une zone rectangulaire englobant les caisses (ex. 101 ) et ne couvrant pas les rayonnages (ex. 103). Cette zone 102 peut être également définie comme une union de cercles dont les centres sont chacune des caisses et dont le rayon est prédéfini (ex. 2m autour de chaque caisse). II est possible de considérer que le consommateur arrive dans la zone caisse pour payer lorsque :
- sa présence se prolonge dans cette zone 102 pendant un temps prédéterminé ;
- sa vitesse est inférieure à une vitesse prédéterminée dans cette zone 102 ; - une combinaison des deux critères précédents est vérifiée.
Ainsi, l'incursion du consommateur au niveau de la flèche 107 n'est pas nécessairement considérée comme un passage en caisse.
Il est également possible de considérer que le consommateur arrive dans la zone caisse pour payer lorsque la présence du consommateur dans la zone 102 est la dernière présence détectée avant sa sortie du magasin.
Par ailleurs, du fait de l'incertitude de la position du consommateur, le temps prédéterminé ou la vitesse prédéterminée peuvent être fonction d'un indice de certitude (ou d'incertitude) de la présence du consommateur dans la zone 102 (ex. plus la certitude est grande, plus la vitesse prédéterminée peut être importante ou plus le temps prédéterminé peut être court).
La figure 2 illustre le calcul d'une première probabilité associée à des listes d'achats. Lorsque le consommateur pénètre dans la zone 102 pour effectuer ses achats, il peut exister une incertitude concernant sa position et donc concernant la caisse utilisée pour régler ses achats.
Du fait de cette incertitude, il est possible d'associer à chaque caisse (et donc à chaque liste d'achats générée par la caisse correspondante) une première valeur Pi de probabilité en fonction de cette incertitude de position.
Le plus souvent cette incertitude de position est une fonction décroissante à partir d'une position de référence du consommateur (i.e. la position la plus probable) : ainsi, la première valeur Pi peut être de la forme de la courbe 201 , par exemple. Par ailleurs, et pour des raisons de simplicité d'implémentation, il est possible de prévoir que la valeur la Pi soit nulle au-delà d'une certaine distance (i.e. xo sur la figure 2) par rapport à la position du consommateur (ex. position la plus probable) : cela permet d'exclure / de filtrer les listes d'achats générées par des caisses trop éloignées de la position du consommateur. La valeur Pi de probabilité associée à chaque caisse (et donc à chaque liste d'achats générée par cette caisse) peut être la valeur de la courbe 201 pour une abscisse x correspondante au centre de la caisse. Cette valeur peut être également la valeur maximale ou minimale ou moyenne de la courbe 201 pour la largeur selon l'axe x de la caisse considérée.
La figure 3 illustre le calcul d'une deuxième probabilité associée à des listes d'achats.
Lorsque le consommateur pénètre dans la zone 102 pour effectuer ses achats, il peut exister une incertitude concernant la liste d'achats pouvant lui être associée : en effet, son temps de présence au niveau des caisses (représenté par la flèche 302) peut correspondre à la génération de plusieurs listes d'achats (ex. représentées par les flèches 305 à 308, l'extrémité gauche des flèches 305 à 308 représentant le début de la génération (ex. 303) et l'extrémité droite des flèches 305 à 308 représentant la fin de la génération ou le paiement effectif (ex. 304)). Du fait de cette incertitude, il est possible d'associer à liste d'achats générée par une caisse donnée une deuxième valeur P2 de probabilité en fonction de cette incertitude.
Par exemple, cette valeur P2 de probabilité (représentée par exemple par la courbe 301 ) peut être plus élevée pour les listes d'achats ayant été générées à une date proche du départ du consommateur de la zone 102 (i.e. proche du bout droit de la flèche 302).
Par ailleurs, cette valeur P2 de probabilité peut être nulle pour les listes d'achats ayant commencé à être générées ou ayant fini d'être générées à un moment où le consommateur n'est pas dans la zone 102 : en effet, il peut être considéré comme improbable qu'une liste d'achats soit en cours de génération alors que le consommateur n'est pas encore présent ou vient de partir.
La valeur P2 de probabilité associée à chaque liste d'achats peut être la valeur de la courbe 301 pour un temps correspondant au début de la génération de la liste d'achats ou correspondant à la fin / milieu de la génération de la liste d'achats. Cette valeur peut être également la valeur maximale ou minimale ou moyenne de la courbe 301 durant la génération de la liste d'achats considérée.
Les figures 4a et 4b illustrent le calcul d'une distance entre une liste d'achats et une trajectoire.
La distance d'une liste d'achats à une trajectoire peut être définie comme une somme (pondérée éventuellement) des distances entre la position (en rayonnage) de chaque élément acheté sur la liste d'achats et la trajectoire.
La distance doit être ici comprise au sens large (i.e. au sens mathématique, par exemple) et non seulement au sens d'une distance euclidienne (même si l'utilisation d'une telle distance euclidienne reste possible).
Par exemple, si la liste d'achats comprend les produits 401 à 408 localisés en rayonnages selon le plan de la Figure 4a, la distance peut être :
- une somme des distances euclidiennes des points 401 à 408 à la trajectoire 104 (i.e. la distance euclidienne la plus courte entre ces points 401 à 408 et un point quelconque de la courbe) ;
- une somme des distances « réelles » des points 401 à 408 à la trajectoire 104 (i.e. la distance la plus courte entre ces points 401 à 408 et un point quelconque de la trajectoire, en prenant en compte le trajet réel que doit avoir un consommateur pour se rendre à la localisation du produit, i.e. en évitant les rayonnages ou autres obstacles) ;
- une somme des distances « réelles » des points 401 à 408 aux points d'arrêts de la trajectoire 104 (i.e. la distance la plus courte entre ces points 401 à 408 et un point de la trajectoire pour lequel l'utilisateur fait un arrêt supérieur à un temps déterminé ou à une vitesse inférieure à une vitesse déterminée, en prenant en compte le trajet réel que doit avoir un consommateur pour se rendre à la localisation du produit, i.e. en évitant les rayonnages ou autres obstacles). Néanmoins, la localisation des produits peut être plus imprécise.
Ainsi, dans le cadre de la figure 4b, la position des produits n'est connue que par zone. Ainsi, il est possible de déterminer que le produit 401 est dans la zone 41 1 mais sans plus de précision (respectivement les produits 402 et 403 dans la zone 412, les produits 405 et 406 dans la zone 413, les produits 404 407 et 408 dans la zone 414, etc.).
Pour la détermination de la distance, il est bien sûr possible de calculer les plus petites distances entre un point quelconque de chaque zone (41 1 à 414) et un point quelconque de la trajectoire.
Afin de simplifier l'algorithmique proposée, il est également possible de suivre la méthode suivante :
- si ladite trajectoire 104 intersecte une zone (41 1 , 412, 413, 414) du magasin dans lequel se trouve ledit élément, ladite distance D est incrémentée négativement (ex. D=D-1 ) ;
- sinon, ladite distance est incrémentée positivement (ex. D=D+1 ). Bien entendu, il est possible de faire l'inverse (i.e. incrémenter négativement lors d'une intersection, mais dans ce cas on parlera plutôt de « facteur de proximité » que de « distance ») ou de prévoir que l'une des branches de l'alternative n'a pas d'impact sur le distance calculée (i.e. aucun incrément).
La figure 5 illustre un ordinogramme d'une réalisation possible dans un mode de réalisation de l'invention.
Dans ce mode de réalisation, il est possible de détecter la trajectoire d'un consommateur donné (étape 501 ). Bien entendu, ce procédé peut être exécuté en parallèle pour un grand nombre de consommateurs.
Dès qu'une nouvelle position de la trajectoire est connue et/ou dès qu'un temps prédéterminé s'est écoulé depuis la dernière vérification, il est possible de vérifier (étape 502) que le consommateur est au niveau des caisses (i.e. dans la zone 102).
Si cela n'est pas le cas (sortie KO de l'étape 502), l'étape 501 continue d'être exécutée.
Si cela est le cas (sortie OK de l'étape 502), il est vérifié (étape 503) que le critère de temps ou de vitesse est rempli (voir supra).
Si ce critère n'est pas rempli (sortie KO de l'étape 503), l'étape 501 continue d'être exécutée. Si ce critère est rempli (sortie OK de l'étape 503), il est possible d'effectuer un premier filtre temporel (étape 504) concernant les listes d'achats du magasin. Par exemple, ce filtre peut comprendre une élimination des candidats possibles les listes d'achats générés un autre jour ou générés plus d'un nombre prédéterminé d'heures.
Il est également possible d'exclure des candidats possibles les listes d'achats comportant un trop grand nombre d'éléments au regard du temps passé par le consommateur dans la zone 102 des caisses (ex. étant resté 1 min, le consommateur ne peut pas avoir réalisé un caddie de 150 éléments).
Une fois ces premiers tris réalisés, il est possible d'attribuer à chaque liste de courses candidates (i.e. non éliminée) une première valeur Pi de probabilité (étape 505) en fonction de la position relative de la caisse ayant généré cette liste d'achats et la position du consommateur dans la zone 102. Il est possible d'attribuer à chaque liste de courses candidates (i.e. non éliminée) une deuxième valeur P2 de probabilité (étape 506) comme expliqué ci-dessus.
Ainsi, chaque liste de course possède une probabilité intrinsèque qu'il est possible de noter P=Pi .P2.
En parallèle ou à la suite, il est possible, pour chaque liste d'achats candidate (boucle 507), de déterminer la position de chaque élément de la liste d'achats dans le magasin (étape 508, éventuellement à l'aide d'une base de données 509 de positions) et de calculer la distance de cette liste d'achats à la trajectoire du consommateur (voir ci-dessus).
Une fois, les distances calculées pour chacune des listes d'achats candidates, il est possible de déterminer (étape 51 1 ) la liste d'achats la plus probable en combinant la valeur de probabilité P précédemment calculée et la valeur de distance. Par exemple, il est possible de minimiser P.(D-Dmin+e) (avec D la distance de la liste d'achats considérée à la trajectoire du consommateur, Dmin la plus petite distance des listes d'achats à la trajectoire du consommateur, et e une valeur prédéterminée) afin de déterminer la liste d'achats la plus probable. Il est également possible de maximiser P.(Dmax-D) (avec Dmax la plus grande distance des listes d'achats à la trajectoire du consommateur). Toute autre fonction de P et de D est également possible : ces fonctions combinant la valeur de probabilité P précédemment calculée et la valeur de distance sont notées plus généralement f(P,D).
Bien entendu, pour la détermination de la liste d'achats la plus probable, il est possible de comparer (étape 512) la longueur de la trajectoire avec le nombre d'éléments dans la liste d'achats. En effet, si deux listes d'achats sont sensiblement équiprobables (ex. +/- 10%) alors, il est possible de sélectionner la liste d'achats dont le nombre d'éléments correspond le mieux à la longueur de la trajectoire (i.e. une trajectoire longue est souvent associée à une liste de courses comportant un grand nombre d'éléments). Des abaques purement empiriques peuvent être réalisés sur des populations tests afin de déterminer le lien entre longueur de trajectoire et nombre d'éléments de la liste de courses.
Ces abaques peuvent être également réalisés par un autoapprentissage dans le cas où l'ensemble des listes d'achats candidates est réduit à une seule liste après le filtre de l'étape 504 : la trajectoire étant associée de manière certaine à une seule liste d'achats, cette liste peut servir pour renseigner un abaque.
De la même manière, après avoir étudié un nombre suffisant de trajectoires client, il est possible de déterminer une fourchette de niveau de conversion normal d'un rayon, et donc de départager des tickets de caisse presque équiprobable en utilisant ce niveau habituel (agrégé) de conversion pour estimer la probabilité qu'un client ait ou non converti sa visite dans chaque rayon. Par exemple, si le rayon « Fruits et Légumes » a une conversion habituellement de 80%, la liste d'achat qui mène à la conclusion que le client n'a pas converti sa visite dans ce rayon devient moins probable que l'alternative, qui aboutit à une conversion de cette visite en « Fruits et Légumes ». Une fois l'ensemble de ces actions réalisées, il est possible d'associer la liste identifiée comme étant la plus probable avec la trajectoire du consommateur.
Dès lors, cette association peut être fournie à un algorithme tiers permettant de déterminer avec précision le taux d'exposition Texpo , le taux d'intérêt Tinté et surtout le taux de conversion Tconv.
La figure 6 représente un exemple de dispositif de détermination d'achats d'un consommateur dans un mode de réalisation de l'invention.
Dans ce mode de réalisation, le dispositif comporte un ordinateur 600, comprenant une mémoire 605 pour stocker des instructions permettant la mise en œuvre du procédé, les données de mesures reçues, et des données temporaires pour réaliser les différentes étapes du procédé tel que décrit précédemment.
L'ordinateur comporte en outre un circuit 604. Ce circuit peut être, par exemple :
- un processeur apte à interpréter des instructions sous la forme de programme informatique, ou - une carte électronique dont les étapes du procédé de l'invention sont décrites dans le silicium, ou encore
- une puce électronique programmable comme une puce FPGA (pour « Field- Programmable Gâte Array » en anglais). Cet ordinateur comporte une interface d'entrée 603 pour la réception de données de trajectoire en provenance d'un dispositif de localisation 607 (ex. localisation par radio ou par vidéosurveillance), et une interface de sortie 606 pour la fourniture des trajectoires associées à des listes d'achats. Enfin, l'ordinateur peut comporter, pour permettre une interaction aisée avec un utilisateur, un écran 601 et un clavier 602. Bien entendu, le clavier est facultatif, notamment dans le cadre d'un ordinateur ayant la forme d'une tablette tactile, par exemple.
Par ailleurs, le schéma fonctionnel présenté sur la figure 5 est un exemple typique d'un programme dont certaines instructions peuvent être réalisées auprès du dispositif décrit. À ce titre, la figure 5 peut correspondre à l'organigramme de l'algorithme général d'un programme informatique au sens de l'invention.
Bien entendu, la présente invention ne se limite pas aux formes de réalisation décrites ci-avant à titre d'exemples ; elle s'étend à d'autres variantes. D'autres réalisations sont possibles.

Claims

REVENDICATIONS
1 . Procédé de détermination d'achats effectués par un utilisateur d'un magasin (100), dans lequel le procédé comporte :
- détermination (501 ) d'une trajectoire (104) dans un magasin associée à l'utilisateur dudit magasin ;
- lorsque la position de l'utilisateur dudit magasin est dans une zone (102) du magasin (100) correspondante aux caisses (102) et qu'un critère (503) de temps ou de vitesse est rempli, détermination (504, 505, 506) d'un ensemble de listes d'achats (305, 306, 307, 308) correspondant à des caisses (102) dudit magasin (100), chaque liste d'achats (305, 306, 307, 308) comprenant un ensemble d'éléments acheté par un utilisateur dudit magasin (100) ;
- pour chaque liste d'achats (305, 306, 307, 308) dans l'ensemble des listes d'achats déterminé :
- détermination (508) d'une position (401 , 402, 403, 404, 405, 406, 407, 408, 41 1 , 412, 413, 414) de chaque élément de ladite liste d'achats ;
- calcul (510) d'une distance entre la position (401 , 402, 403, 404, 405, 406, 407, 408, 41 1 , 412, 413, 414) de chaque élément et ladite trajectoire (104) déterminée ;
- détermination (51 1 ) d'une liste d'achats probable parmi l'ensemble des listes d'achats (305, 306, 307, 308), ladite détermination de la liste d'achats probable est fonction de la distance calculée pour ladite liste d'achats ;
- association (513) de ladite liste d'achats probable avec ladite trajectoire déterminée (104).
2. Procédé selon la revendication 1 , dans lequel la détermination (504, 505, 506) de l'ensemble de listes d'achats (305, 306, 307, 308) comprend : - pour chaque liste d'achats parmi l'ensemble des listes d'achats (305, 306, 307, 308), attribuer (505) une première valeur (Pi) de probabilité à ladite liste d'achat, ladite première valeur de probabilité (Pi) étant fonction d'une distance d'une caisse ayant généré ladite liste d'achats à une position (106) de l'utilisateur, lorsque la position (106) de l'utilisateur dudit magasin est dans une zone du magasin (100) correspondante aux caisses (101 ) ; dans lequel la détermination (504, 505, 506) de la liste d'achats probable est fonction de la première valeur de probabilité (Pi) attribuée pour ladite liste d'achat.
3. Procédé selon l'une des revendications précédentes, dans lequel la détermination (504, 505, 506) de l'ensemble de listes d'achats comprend :
- pour chaque liste d'achats parmi l'ensemble de listes d'achats (305, 306, 307, 308), attribuer (506) une deuxième valeur (P2) de probabilité à ladite liste d'achat, ladite deuxième valeur de probabilité (P2) étant fonction d'une différence entre un moment (303, 304) associé à une génération de ladite liste d'achats par une caisse et un moment de présence (302) pour lequel la position de l'utilisateur dudit magasin est dans une zone du magasin correspondante aux caisses ; dans lequel la détermination (504, 505, 506) de la liste d'achats probable est fonction de la deuxième valeur (P2) de probabilité attribuée pour ladite liste d'achat.
4. Procédé selon la revendication 2, dans lequel la première valeur (Pi) de probabilité est nulle si la distance d'une caisse ayant généré ladite liste d'achats à une position de l'utilisateur est supérieure à une distance prédéterminée.
5. Procédé selon la revendication 3, dans lequel le moment associé à la génération de ladite liste d'achats est un temps (303) le plus petit parmi tous les temps de saisie de l'ensemble des éléments achetés pour la génération de ladite liste d'achats, et dans lequel la deuxième valeur (P2) de probabilité est nulle si le moment associé à la génération de ladite liste d'achats est antérieur audit moment de présence (302).
6. Procédé selon la revendication 3 ou 5, dans lequel le moment associé à la génération de ladite liste d'achats est un temps (304) le plus grand parmi tous les temps de saisie de l'ensemble des éléments achetés pour la génération de ladite liste d'achats, et dans lequel la deuxième valeur de probabilité (P2) est nulle si le moment associé à la génération de ladite liste d'achats est postérieur audit moment de présence.
7. Procédé selon l'une des revendications précédentes, dans lequel ladite détermination (51 1 ) de la liste d'achats probable est fonction d'une comparaison (512) entre le nombre d'éléments achetés pour chaque liste d'achats dans l'ensemble des listes d'achats déterminés et d'une longueur de ladite trajectoire (104).
8. Procédé selon l'une des revendications précédentes, dans lequel le calcul (510) de la distance entre la position de chaque élément et ladite trajectoire déterminée comprend, pour chaque élément :
- si ladite trajectoire (104) intersecte une région (41 1 , 412, 413, 414) du magasin dans lequel se trouve ledit élément, ladite distance est incrémentée positivement, respectivement négativement ; - sinon, ladite distance est incrémentée négativement, respectivement positivement.
9. Procédé selon l'une des revendications précédentes, dans lequel le calcul (510) de la distance entre la position de chaque élément et ladite trajectoire déterminée comprend, pour chaque élément :
- ladite distance est incrémentée en fonction de la distance de la trajectoire (104) à la position (401 , 402, 403, 404, 405, 406, 407, 408) dudit élément dans le magasin.
10. Procédé selon l'une des revendications précédentes, dans lequel le critère (503) de temps ou de vitesse est un critère ou une combinaison de critères parmi :
- un temps consécutif pendant lequel la position (106) de l'utilisateur dudit magasin est dans la zone (102) du magasin (100) correspondante aux caisses (101 ) est supérieure à un temps prédéterminé ;
- une vitesse de la position (106) de l'utilisateur dudit magasin est inférieure à une vitesse prédéterminée.
1 1 . Système de détermination d'achats effectués par un utilisateur d'un magasin, dans lequel le système comporte :
- un dispositif de localisation (607) pour la détermination d'une trajectoire dans un magasin associée à l'utilisateur dudit magasin ;
- un circuit (604) pour la détermination, lorsque la position de l'utilisateur dudit magasin est dans une zone du magasin correspondante aux caisses et qu'un critère de temps ou de vitesse est rempli, d'un ensemble de listes d'achats correspondant à des caisses dudit magasin, chaque liste d'achats comprenant un ensemble d'éléments acheté par un utilisateur dudit magasin ; - un circuit (604) pour, pour chaque liste d'achats dans l'ensemble des listes d'achats déterminé :
- la détermination d'une position de chaque élément de ladite liste d'achats ; - le calcul d'une distance entre la position de chaque élément et ladite trajectoire déterminée ;
- un circuit (604) pour la détermination d'une liste d'achats probable parmi l'ensemble des listes d'achat, ladite détermination de la liste d'achats probable est fonction de la distance calculée pour ladite liste d'achats ;
- un circuit (604) pour l'association de ladite liste d'achats probable avec ladite trajectoire déterminée.
12. Produit programme informatique comportant des instructions pour la mise en œuvre du procédé selon l'une des revendications 1 à 10, lorsque ce programme est exécuté par un processeur.
PCT/EP2017/062023 2016-05-24 2017-05-18 Procede de determination d'achats effectues par un utilisateur WO2017202694A1 (fr)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
FR1654618A FR3051945A1 (fr) 2016-05-24 2016-05-24 Procede de determination d'achats effectues par un utilisateur
FR1654618 2016-05-24

Publications (1)

Publication Number Publication Date
WO2017202694A1 true WO2017202694A1 (fr) 2017-11-30

Family

ID=56802605

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/EP2017/062023 WO2017202694A1 (fr) 2016-05-24 2017-05-18 Procede de determination d'achats effectues par un utilisateur

Country Status (2)

Country Link
FR (1) FR3051945A1 (fr)
WO (1) WO2017202694A1 (fr)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382650A (zh) * 2018-12-28 2020-07-07 阿里巴巴集团控股有限公司 商品购物处理系统、方法、装置及电子设备

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060010027A1 (en) * 2004-07-09 2006-01-12 Redman Paul J Method, system and program product for measuring customer preferences and needs with traffic pattern analysis
US20060200378A1 (en) * 2001-05-15 2006-09-07 Herb Sorensen Purchase selection behavior analysis system and method
US20070219866A1 (en) * 2006-03-17 2007-09-20 Robert Wolf Passive Shopper Identification Systems Utilized to Optimize Advertising
US20100185487A1 (en) * 2009-01-21 2010-07-22 Sergio Borger Automatic collection and correlation of retail metrics
US20110200226A1 (en) 2010-02-17 2011-08-18 Toshiba Tec Kabushiki Kaisha Customer behavior collection method and customer behavior collection apparatus

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060200378A1 (en) * 2001-05-15 2006-09-07 Herb Sorensen Purchase selection behavior analysis system and method
US20060010027A1 (en) * 2004-07-09 2006-01-12 Redman Paul J Method, system and program product for measuring customer preferences and needs with traffic pattern analysis
US20070219866A1 (en) * 2006-03-17 2007-09-20 Robert Wolf Passive Shopper Identification Systems Utilized to Optimize Advertising
US20100185487A1 (en) * 2009-01-21 2010-07-22 Sergio Borger Automatic collection and correlation of retail metrics
US20110200226A1 (en) 2010-02-17 2011-08-18 Toshiba Tec Kabushiki Kaisha Customer behavior collection method and customer behavior collection apparatus

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111382650A (zh) * 2018-12-28 2020-07-07 阿里巴巴集团控股有限公司 商品购物处理系统、方法、装置及电子设备
CN111382650B (zh) * 2018-12-28 2023-05-02 阿里巴巴集团控股有限公司 商品购物处理系统、方法、装置及电子设备

Also Published As

Publication number Publication date
FR3051945A1 (fr) 2017-12-01

Similar Documents

Publication Publication Date Title
US11172330B2 (en) Presence detection based on crowd surfing signal strength
EP2599021B1 (fr) Procede de determination optimale des caracteristiques et de la disposition d'un ensemble de senseurs de surveillance d'une zone
WO2011026810A1 (fr) Traitement de donnees multi-cibles pour radars passifs multi-recepteurs en mode sfn ou mfn
FR3076377A1 (fr) Prediction de deplacement et de topologie pour un reseau de cameras.
US10762462B1 (en) Sensor-based customer arrival detection
CN111178116A (zh) 无人售货方法、监控摄像机及系统
EP1792278B1 (fr) Procede de detection et de pistage de cibles ponctuelles, dans un systeme de surveillance optronique
Wang et al. QTime: a queuing-time notification system based on participatory sensing data
WO2017202694A1 (fr) Procede de determination d'achats effectues par un utilisateur
WO2021110789A1 (fr) Système et procédé de détection de fraude
EP2452204B1 (fr) Traitement de donnees multi-cibles pour radars passifs multi-statiques et multi-canaux
FR3079924A1 (fr) Suivi par geolocalisation
EP1664833A1 (fr) Procede pour detecter la presence ou l'absence d'un terminal mobile sur un chemin
FR3033648A1 (fr) Procede et dispositif de suivi d'individus dans un lieu equipe de moyens repartis de detection
FR3032286A1 (fr) Procede et systeme d'estimation d'une population
FR3054060A1 (fr) Procede de cartographie des produits et des zones en magasin
FR3049067A1 (fr) Procede d’obtention d’au moins un temps de vol de reference representatif d’un trajet direct d’un signal
US20230101275A1 (en) Audited training data for an item recognition machine learning model system
FR2995430A1 (fr) Cabine d'essayage interactive et procede d'interaction avec ladite cabine d'essayage
FR3127601A1 (fr) Procédé et système de comptage de personnes dans un lieu, et véhicule de transport en commun équipé d’un tel système.
FR3131010A1 (fr) Procédé et dispositif de localisation d’un objet
FR3095061A1 (fr) Procédé de gestion du contenu d’une vitrine de présentation de produits équipés d’étiquettes RFID
WO2021089925A1 (fr) Procédé et dispositif d'automatisation d'achat et de paiement dans un site marchand physique
FR3079306A1 (fr) Procede de geolocalisation dans un batiment dit ips et dispositif mettant en œuvre ledit procede
EP2329474B1 (fr) Procede et systeme de surveillance de scenes

Legal Events

Date Code Title Description
NENP Non-entry into the national phase

Ref country code: DE

121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 17726875

Country of ref document: EP

Kind code of ref document: A1

122 Ep: pct application non-entry in european phase

Ref document number: 17726875

Country of ref document: EP

Kind code of ref document: A1