В конце февраля 22 года в нашу компанию Techpeople обратился один из ведущих разработчиков решения по распознаванию лиц, который ведет свою деятельность не только на российском, но и международных рынках. Назовем ее компанией QL:)
В свою очередь, компания QL получила запрос от одного из своих клиентов-собственника нескольких торговых центров в Москве.
Запрос состоял в следующем: собственник не был уверен в эффективности затрат на маркетинг для привлечения посетителей торгового центра и хотел оценить эффективность используемых каналов.
Интересы компании QL представлял Менеджер по продукту, назовем его Валентин:)
На верхнем уровне целями проекта являлось:
Кроме того, разработчик решил предоставить доступ к этому инструменту арендаторам на собственных условиях, чтобы повысить эффективность их продаж и привлекательность торгового центра, в котором они располагаются.
Как планировали ее достичь:
— проанализировать текущие данные, доступные в системе распознавания и представить их в новых срезах собственнику торгового центра (Арендодателю),
— визуализировать новые срезы данных в системе бизнес-аналитики BI в виде дашбордов Арендодателя,
— дополнить данные из API системы распознавания данными, получаемыми от арендаторов, то есть, их систем и также представить их в виде дашбордов Арендатора.
Политический фон:
Паралелльно с переговорами, включающими оценку стоимости и сроков реализации проекта стремительно разворачивались боевые действия на Украине и один за одним продавцы одежды и иных товаров, например, строительных, начали озвучивать свои решения об уходе с российского рынка.
Параллельно с исходом продавцов произошло снижение покупательского спроса по причине шока от происходящего, в связи с чем рынок аренды в Retail начал переживать сложные времена.
Уход и падение спроса затронуло как арендаторов, так и арендодателей, поскольку они тесно связаны друг с другом.
Арендаторы обеспокоились собственными продажами, а арендодатели количеством арендаторов в своих торговых помещениях, поскольку принцип «нет продаж-нет бизнеса» никто не отменял.
У компании QL уже были установлены камеры в одном из ведущих торговых центров Москвы, собственник которого собирал данные по посетителям, доступ к которым осуществляется через API.
Получив ТЗ на разработку аналитической системы на базе системы BI, мы отправились подбирать подходящие инструменты для реализации задач Проекта.
Цели проекта подробнее:
Создание аналитического инструментов для собственника и арендаторов торговых площадей на основании данных о трафике посетителей торгового центра в виде дашбордов.
Источник данных- API платформы видеоаналитики QL.
Аналитический инструмент должен решать следующие задачи:
Задачи собственника:
-оценить эффективности каналов привлечения посетителей ТЦ за счет глубокого анализа трафика посетителей с учетом персонала торгового центр и определения уникальных и новых посетителей за интересующий период времени.
Задачи арендаторов:
— получить глубокую аналитику по посетителям, включая, уникальных и новых посетителей за интересующие периоды, а также определение принадлежности к семьям (группам посетителей)
— получить аналитику по посетителям в разрезе следующих измерений:
Пол, возраст, дни недели (будни, выходные, праздники), времени дня.
-рассчитать конверсии посетителей в продажи,
— рассчитать ключевых показателей эффективности (KPI) персонала,
— планировать ресурсы для оптимальной загрузки персонала
— оценивать эффективность маркетинговых кампаний
Сроки на реализацию проекта: 29 дней
Выбор технологического стека:
Изначально в качестве инструмента для реализации проекта была выбрана система бизнес-анилитики Power BI, но, поскольку возникли ограничения в плане приобретения и использования лицензий и возросшим рискам при использовании западного ПО, было решено рассмотреть российские BI системы силу политических причин
Даталенс: недорого и быстрая разработка
С учетом сжатых сроков реализации Проекта, а также планируемого «большого количества данных» за основу были выбраны следующие технологии:
Yandex DataLens — полностью облачный BI-сервис от Yandex Cloud, дочерней компании «Яндекс». Особенность сервиса в том, что в личных целях его можно использовать бесплатно. Платить нужно только за серверные мощности Яндекс облака, если вы захотите приобрести корпоративный аккаунт. Основная область DataLens – self-service аналитика, т. е. простая аналитика для бизнес-пользователей.
ClickHouse — высокопроизводительная аналитическая колоночная СУБД с открытым исходным кодом от Yandex Cloud.
Особенности системы: высокая скорость ответа на запросы к данным, обновляемым в реальном времени; масштабируемость. Используется в различных сервисах Яндекса, в т.ч. в DataLens при включении режима материализации (в таком случае все данные, с которыми работает пользователь в DataLens, загружаются в БД ClickHouse). В качестве инструмента хранения данных вместе с DataLens можно было использовать другую БД, но для проекта был выбран именно ClickHouse за счёт его преимуществ.
Все представленные сервисы предоставляются Yandex Cloud и соответствуют требованиям международных и национальных стандартов безопасности ISO, GDPR, PCI DSS и ГОСТ Р 57580. Соответствие 152-ФЗ на высшем уровне защищенности (УЗ-1) подтверждено аттестатом.
ClickHouse обеспечила требуемую скорость, масштабируемость, а также оптимизацию размеров хранения данных.
Python как инструмент извлечения и загрузки данных
Поставщиком данных являлся сервис видеоаналитики QL.
QL- Основанная в 2015 году, компания, которая приобрела обширный опыт в области искусственного интеллекта. В наших инновационных программных продуктах мы используем возможности нейронных сетей и машинного обучения для анализа видеоконтента. Алгоритмы QL неоднократно доказывали свое превосходство в независимых соревнованиях и тестах, включая конкурс NIST
При решении технических трудностей активно использовались документация DataLens и чат поддержки Yandex DataLens в Телеграме.
Пример непростой задачи:
Одна из задач в проекте – выявление новых посетителей из уникальных. В задаче сначала нужно найти уникальных посетителей за каждый день, а затем динамически выявлять новых из уникальных в задаваемом пользователем интервале.
Решение:
Для выявления уникальных посетителей используется скрипт Python, который берёт первую запись по каждому посетителю в определённый день и указывает в новом столбце, что это уникальная запись. Для динамического вычисления новых посетителей из уникальных использован SQL-скрипт в QL-чарте, позволяющий найти множество посетителей, не принадлежащее старому интервалу, но присутствующее в новом. При этом временные ограничения старого и нового интервалов задаются пользователем с дашборда с помощью уже упомянутых параметров.
Где повысилось качество аналитики у Собственника:
— оценка эффективности каналов привлечения посетителей ТЦ за счет подсчета новых и уникальных посетителей и возможности не учитывать персонал магазинов и курьеров в статистике.
— при планировании планирования и загрузки персонала в точках за счет
Где повысилось качество аналитики у Арендаторов:
— При планировании планирования и загрузки персонала в точках за счет сопоставления данных видеоаналитики и сопоставление их с данными по продажам из внутренних источников торговой точки. Сопоставление данных с количеством чеков и средним чеком за период из аналитической системы и данных из внутренних источников.
— добавление собственных источников из внутренних и комбинирование их с данными собственника торговой площади
— расчет интересующих KPI за счет сопоставления данных из аналитической системы и внутренних источников.
Показатели KPI арендаторов, которыми дополнили аналитику:
Планы развития:
Создание аналитического решения на базе open-source решения BI и выход на дружественные международные рынки.
Насколько интересной была статья?
Кликните на звезду, чтобы оценить статью
Средний рейтинг: 0 / 5. Оценок: 0
Оценок еще нет. Оцените, чтобы быть первым
Проснувшись однажды утром после беспокойного сна, Грегор Замза обнаружил, что он у себя в постели превратился в страшное насекомое.
Проснувшись однажды утром после беспокойного сна, Грегор Замза обнаружил, что он у себя в постели превратился в страшное насекомое.
Проснувшись однажды утром после беспокойного сна, Грегор Замза обнаружил, что он у себя в постели превратился в страшное насекомое.