РАЗРАБОТКА МОДЕЛЕЙ И АЛГОРИТМОВ УПРАВЛЕНИЯ В СИСТЕМЕ РОЗНИЧНОЙ ПРОДАЖИ С ИСПОЛЬЗОВАНИЕМ МЕТОДОВ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА

АННОТАЦИЯ

Целью данной работы является разработка и анализ моделей и алгоритмов искусственного интеллекта (ИИ), предназначенных для оптимизации процессов управления в системе розничной торговли. Современный ритейл требует внедрения передовых технологических решений для повышения эффективности бизнес-процессов, персонализации предложений и улучшения клиентского опыта. В работе представлены новые алгоритмы, в основу которых положены метод Виолы-Джонса для распознавания лиц и метод главных компонент (PCA) для уменьшения размерности данных. Эти методы интегрированы в системы анализа и обработки данных клиентов, что позволяет не только улучшить понимание потребностей клиентов на основе истории покупок, времени посещения, предпочтений в продуктах и демографической информации, но и оптимизировать управление запасами и ценообразование. Применение метода Виолы-Джонса способствует эффективному распознаванию и анализу поведения покупателей через видеоданные, тогда как PCA обеспечивает сокращение избыточности данных, способствуя ускорению процесса принятия решений и повышению точности предсказательных моделей. Исследование демонстрирует, как совместное использование этих методов может трансформировать розничную торговлю, сделав ее более адаптивной и ориентированной на индивидуальные потребности каждого клиента.

Ключевые слова: искусственный интеллект, розничная торговля, распознавание лица, анализ поведения покупателей.

Введение:

Основываясь на анализе доступных данных, стоит сказать, что развитие систем розничной продажи активно стимулируется внедрением алгоритмов искусственного интеллекта, которые оптимизируют управление и повышают качество обслуживания. Распознавание лиц с помощью метода Виолы-Джонса вносит значительный вклад в анализ поведения покупателей. Этот метод позволяет идентифицировать и анализировать эмоциональные реакции клиентов на товары, эффективность рекламных акций и влияние макетирования магазина на потребительский опыт. Результаты такого анализа могут быть использованы для персонализации предложений и оптимизации ассортиментной политики. [1]

Так же стоит отметить, что уменьшение размерности данных с помощью PCA обеспечивает упрощение многомерных датасетов, сохраняя при этом наиболее значимую информацию. Применение PCA в анализе данных о покупках позволяет выявлять скрытые закономерности в потребительских предпочтениях и формировать целевые предложения на основе полученных данных. [2]

Благодаря методам ИИ, появилась возможность интегрировать и анализировать визуальные и демографические данные, предоставляя более полное понимание клиентской базы. Визуальные данные с камер наблюдения помогают в распознавании лиц и анализе поведения покупателей, в то время как демографическая информация позволяет сегментировать рынок и адаптировать маркетинговую стратегию.

Основная часть:

Разработка комплексной модели управления в системе розничной продажи, включающей интеграцию методов искусственного интеллекта, а именно метода Виолы-Донса и метода главных компонент требует многоэтапного подхода и может включать разработку нескольких моделей машинного обучения, систем сбора и обработки данных, а также внедрение этих систем в существующую инфраструктуру.

Так авторы в своей работе [3] описывали, что метод Виолы-Джонса и метод главных компонент (PCA) часто используются вместе в различных приложениях компьютерного зрения и обработки изображений из-за их дополняющих качеств. Метод Виолы-Джонса представляет собой алгоритм распознавания объектов в реальном времени, который особенно эффективен в задачах обнаружения лиц. Он использует так называемые "признаки Хаара", которые быстро вычисляются с помощью интегральных изображений и классифицируются с использованием каскада простых классификаторов, тогда как в свою очередь, метод главных компонент (PCA) используется для уменьшения размерности данных, сохраняя при этом наиболее значимые изменчивости. Он находит ортогональные направления (главные компоненты) с наибольшей дисперсией данных, что позволяет уменьшить количество переменных без значительной потери информации. Следует отметить, что их совместное использование может быть предпочтительным, по причине ускорения обработки, повышения точности распознавания лиц, эффективного использования памяти, уменьшения вычислительной нагрузки, а так же применимости в сложных условиях.

На основании данных, следует считать, что начальный этап разработки такой модели, фокусируясь на прогнозировании спроса и персонализации предложений. Путем агрегации данных из различных источников (исторических данных продаж, временных рядов посещений, отзывов клиентов, визуальных данных (изображения товаров, видеозаписи с камер), демографической информации клиентов), должны включать в себя историю покупок, поведение клиентов на сайте и в магазине, отзывы и предпочтения клиентов, а также данные о товарах. Для упрощения доступа и анализа производится объединение данных в единую базу данных, которая в свою очередь, подвергается предварительной обработке - нормализация данных, устранение шумов и выбросов, конвертация визуальных данных в структурированный формат с помощью компьютерного зрения.

Рисунок 1. Архитектура система

Диаграмма, изображенная выше демонстрирует из каких компонентов состоит система.

Блок «Обнаружение покупателя / Обнаружение объекта» является стартовой точкой, которай направляет данные к другим элементам системы. При помощи технологий и библиотек блока «MobileNet Face recognition» [4], обнаружение и идентификация лиц и объектов в розничной среде. Эти технологии могут использоваться для распознавания клиентов при входе в магазин или для отслеживания их активности во время покупок.

Применение библиотеки face_recognition, основанной на технологии dlib с использованием глубокого обучения, широко используемую для задач распознавания и манипуляции лицами на изображениях. После обнаружения лица, каждое лицо анализируется для выделения ключевых точек (landmarks), таких как уголки глаз, нос и рот. Эти точки помогают определить ориентацию лица в пространстве. Процесс кодирования лица производится путем использованиея глубокой свёрточной нейронной сети, где библиотека преобразует изображение лица в вектор из 128 чисел, который уникально представляет измеренные признаки этого конкретного лица. Векторы признаков каждого лица можно сохранять в базе данных или другой форме хранилища. Каждый вектор будет ассоциирован с идентификатором (например, именем человека), чтобы в дальнейшем можно было выполнить сопоставление лиц. [5]

Блоки «Машинное обучение» и «Нейронные сети» являются результатом связи двух узлов, указанных выше, это говорит о том, что на основе полученных данных происходит анализ и тренировка моделей.

Блок «БД» принимает обработанные данные, данные сравниваются с имеющимися в базе, если этих данных нет, то данные записываются, если данные есть, они извлекаются для дальнейшей работы.

Блоки «Клиентский спрос» и «Оптимизация запасов» позволяют производить работу над данными имеющимися в базе данных, для этого используется метод главных компонент.

При детальном анализе данных, полученных с использованием метода Виолы-Джонса для распознавания лиц и анализа PCA (главных компонент), становится очевидной возможность существенного улучшения маркетинговых и продажных стратегий через разработку персонализированных предложений. Эти технологии позволяют не только точно идентифицировать и анализировать поведенческие паттерны и эмоциональные реакции клиентов в ответ на различные товары и маркетинговые акции, но и выявлять глубинные закономерности в предпочтениях потребителей, что, в свою очередь, дает возможность для оптимизации ассортимента товаров и корректировки уровней запасов в соответствии с актуальным спросом. [6]

Рисунок 2. Архитектура базы данных

База данных состоит из 4 таблиц.

Таблица 1: Clients

ClientID: (INT) — Уникальный идентификатор клиента, используемый в качестве первичного ключа для однозначного определения клиента в системе.

FaceID: (VARCHAR) — Идентификатор лица клиента, используемый в системах распознавания лиц. Это может быть строковый идентификатор или хеш-значение.

Таблица 2: PurchaseHistory

ClientID: (INT) — Уникальный идентификатор клиента, который указывает на клиента, совершившего покупку. Это внешний ключ, связывающий с таблицей "Clients".

PurchaseDate: (DATE) — Дата, когда была совершена покупка.

Quantity: (INT) — Количество купленного товара.

TotalPrice: (DECIMAL) — Общая стоимость покупки, рассчитывается как произведение количества и цены продукта.

CategoriesOfPurchaseProd (VARCHAR) – Содержи в себе категории купленных клиентом покупок.

Таблица 3: Products

ProductID: (INT) — Уникальный идентификатор продукта, который служит первичным ключом.

Name: (VARCHAR) — Название продукта. Обычно ограничивается 255 символами.

Category: (VARCHAR) — Категория, к которой принадлежит продукт (например, электроника, одежда).

Price: (INT) — Цена продукта за единицу.

StockQuantity: (INT) — Количество продуктов на складе.

Таблица 4: FaceRecognitionLogs

LogID: (INT) — Уникальный идентификатор записи лога, который служит первичным ключом.

ClientID: (INT) — Уникальный идентификатор клиента, связанный с этой записью. Это внешний ключ, который может указывать на таблицу "Clients".

DetectedFaceID: (VARCHAR) — Идентификатор обнаруженного лица. Может использоваться для отслеживания распознавания лиц.

DetectionDateTime: (DATETIME) — Дата и время, когда было обнаружено лицо.

CameraID: (INT) — Идентификатор камеры, которая произвела запись или снимок.

Рассматривая, процесс внедрения разработанных стратегий в практику управления магазином и мониторирование их эффективности, а также и внесение корректировок на основе полученных результатов и обратной связи от клиентов, в первую очередь необходимо убедиться, что система управления отношениями с клиентами (CRM), способна интегрироваться с другими системами и обрабатывать большие объемы данных. Это может потребовать разработки новой системы или адаптации существующей. Для исключения дисперсии собранных данных, производится создание профилей клиентов, для этого необходимо использовать, собранные данные для создания детальных профилей клиентов, включая их покупательское поведение, предпочтения, историю покупок и ответы на предыдущие предложения.

Заключение:

Разработка моделей и алгоритмов управления в системе розничной продажи на основе ИИ обеспечивает значительные преимущества для розничной торговли. Внедрение новых технологий распознавания и анализа данных позволяет создавать более гибкие и клиентоориентированные системы, которые способны адаптироваться к быстро меняющимся рыночным условиям и повышать уровень удовлетворенности покупателей. Она не только способствует повышению эффективности управления запасами и маркетинга, но и улучшает общий опыт покупателей. Это открывает широкие перспективы для инноваций в розничной торговле, позволяя магазинам предлагать более персонализированный и вовлекающий шопинг-опыт

Список литературы:

1. Rui Xie. A Brief Analysis of Retail Customer’s Consumption Experience under the Background of Artificial Intelligence. 2021 International Symposium on Artificial Intelligence and its Application on Media (ISAIAM),  Xi'an, China, 2021.
2. Agostino G. Bruzzone ,  Kirill Sinelshchikov. Artificial Intelligence to support retail sales optimization. Proceedings of the 32nd European Modeling & Simulation Symposium (EMSS 2020), Genova, Italy, 2020.
3. Nawaf Hazim, BarnoutI Wael Esam Matti. Face Detection and Recognition Using Viola-Jones with PCA-LDA and Square Euclidean Distance. International Journal of Advanced Computer Science and Applications(ijacsa), 2016.
4. Sheng Chen, Yang Liu, Xiang Gao & Zhen Han. MobileFaceNets: Efficient CNNs for Accurate Real-Time Face Verification on Mobile Devices, 2018
5. https://evergreens.com.ua/ru/articles/open-cv-face-recognition.html
6. L. Lam. FACE RECOGNITION AND EMOTION DETECTION USING PCA AND VIOLA-JONES ALGORITHMS, 2017
7. Ninad Deshpande, Sahil Hadke, Anurag Doshi, Atharva Patil. A Modular Approach to Customer Relationship Management (CRM) Systems, 2022