视觉智能引擎+数据决策引擎——打造商业“智能沙盘”

众所周知，线上商家可以通过淘宝平台的大量前端"埋点"轻松获取商品的加购率、收藏率、转化率、成交额等大量基础信息，甚至商家能够在更精细的层面，获取商品关键字变化或者上新/爆款带来的流量变化数据，更甚者商家能够获取竞品的流量结构，从而不断调整自己的商品结构以及经营策略。

那么如何让实体商家拥有淘宝一样的数据化运营能力呢？下面，我们主要以大型综合体为例，来看看为了实现我们伟大的使命--让商业更智能，我们如何应用视觉智能引擎以及数据决策引擎来打造商业"智能沙盘"系统，从而帮助线下的商家在"智能沙盘"上通过数据分析推演计算、运筹帷幄、决胜千里之外。

1、数据怎么来

对于线上商家来说，他们的数据来源于电商平台的大量前端"埋点"。而线下综合体的数据应该怎么来？我们通过自研的AIoT+云能力，打造AI+IoT+云环境，从而完成对综合体的"人"与"场"的数据刻画收集。通过前面的一些技术介绍(Face ID、Re-ID、识货等)，我们拥有一个强大的视觉智能引擎，而该视觉引擎与云计算平台结合情况下，构建了一套AIoT+云的数据收集平台。

对于数据的收集，通过IoT智能终端+AI算法，对人进行画像，对场进行画像。其中IoT智能终端包括奇点识客、奇点魔盒等。

通过我们的视觉智能引擎，可以围绕人这一主体抽象出属性画像、行为画像、关系网络等。属性画像，包括基础的性别、年龄、身高等，更复杂的属性包括穿着、外貌、职业等，比如发型、脸型、唇彩、上衣风格、下衣风格、项链、挎包类型等。行为画像包括进场位置(停车场or大门)、场内消费、场内喜好区域、场内运动轨迹、是否存在危险行为等。关系网络则包括亲密关系、亲属关系、同行关系等。

（图片来源网络）

场的画像，包括区域画像和店铺画像。其中区域画像，指的是对某个具体区域在时空多个维度上进行区域热力、区域人流、区域价值等多方面进行分析。而店铺画像，通过结合人的画像，从而对一个店铺的热度、店铺消费群体、进店转化率、店铺复购率、店铺行业属性等多方面进行描述。

2、数据怎么处理

在大量的IOT智能终端上，每天产生大量的视频、图像数据，那么面对如此海量的数据，我们的系统如何做到多算法级联、及时响应、快速处理、稳定运行呢？在此，我们提出了视频结构化技术，结构化技术依托端上AI算法、智能设备、奇点云强大的云计算平台，从而形成了我们AIoT+云的智能数据处理平台。

这里我们先对结构化技术做一个自我思考后的定义:

「视频结构化是基于视频内容(Content-based)做结构化提取的技术，它对视频内容按照语义关系，采用空间量化、时间量化、目标识别、目标跟踪、特征提取、图像处理、编解码等技术，产生低存储、高价值、易分析、可理解的高维数据。

视频的结构化是基于视频内容的结构化处理，所谓的视频的内容，就是对视频中语义进行理解，所谓的语义简单来说就是视频中有什么、视频中发生着什么，而这些通过我们的AI算法能够准确地进行描述。另外时间量化和空间量化能够更加精确地描述在什么时间、什么地点，视频中有什么、发生着什么。」

举个例子：

「存在一个摄像头，通过我们系统自带的空间标定工具，完成摄像头的成像与CAD图的映射关系，即摄像头中的每一个位置都能精确的投射到CAD图上。该摄像头覆盖区域内存在店铺A、广告位B，在某段时间内有数十位顾客经过该摄像头。那么我们以个体为维度，通过Re-ID、Face ID、属性、跟踪等算法，我们可以产生以下较为简单结构化数据:

（点击图片可放大）

以店铺为维度，通过行人检测、Re-ID识别去重、目标跟踪分析等技术，我们可以产生下面较为简单的结构化数据，而通过这些简单数据我们可以快速算出该店的进店转化率、通过停留时间可以初步算出消费转化率、主要消费群体等数据。

（点击图片可放大）

而以广告位为维度，可以生成广告位的转化率、广告吸引群体等数据。以摄像头拍摄区域为维度，可以分析区域热力、区域人流动向等基础数据。」

从上面的例子我们可以看到，通过IoT智能终端+AI算法的粗加工(我们定义为一级结构化)，我们初步从海量的视频数据中提炼出了较为颗粒化的信息，从而大大的减小了存储以及网络带宽传输。

对于一级结构化，主要在端上进行处理，我们要求尽可能多的保存视频的内容，同时要尽量少的占用存储以及网络带宽。一级结构化通过端上智能硬件完成多模型协作，快速完成对视频内容的粗加工，然后将一级结构化数据上传到云端，进行精细的二次结构化处理。

二级结构化，依托强大的云计算能力，在云上完成更加精细化的数据处理、分析。而在二级结构化系统中搭载着我们的智能决策引擎，通过对大数据的分析、挖掘以及行业先验知识沉淀，从而产出高价值、易分析、可理解的数字化信息。

整个数据处理平台具有分级处理、多级联动、动态节点分配、多节点负载均衡等特点，从而保证整个系统能够稳定、快速数据加工处理。

而数据收集系统的系统架构，如下图所示:

3、数据怎么应用

如果说上面的铺垫主要是介绍平台的眼睛--视觉智能引擎，那么下面我们将通过一些实例来介绍平台智慧的大脑--数据决策引擎在"眼睛看到的内容"下如何让商家进行推演计算，从而让商家能够未卜先知、明察秋毫、统筹全局。

3.1 基础报表

通过对顾客、商场、区域、时间段、商场店铺等多个维度的分析，每天会产生上千维的数据报表，报表包括简单的商场客流、店铺客流、男女比例、热门店铺、区域热度等等。通过这些数据报表，可以快速的看出商场的近期的运营情况，以及关注热点。

3.2 商场布局

在电商平台上，店铺需要爆款进行引流，而在进入店铺后，通过推荐、组合售卖等策略引导客户进行深度逛店。在线下也是一样的，我们希望顾客来商场不是买了个东西就走，而是能够深度地进行逛吃逛吃，毕竟让流量流动起来才能产生其丰富的价值。

通过我们的"智能沙盘"系统，我们已经获取了数字化的店铺数据，了解了每个店铺的店外流量、进店转化率、消费转化率等基础数据，通过这些数据我们可以了解哪些店铺是商场的"引流店"，哪些是商场的"耗流店"。再通过我们对数据的更层次的挖掘分析，我们可以发现店铺与店铺之间有它的关联性，比如60%的人去过A店，会去B店、C店。

那么我们对引流店，我们可以往商场稍微深一点地方放，这样就会吸引更多客流往商场里面流动。同时具有强相关的店铺，让它们距离一定的距离，这样从A店去往B店或者C店的路上，必将经过其它店铺，就能让顾客更好的流动起来，从而产生其它的购物转化率。

当按照数据分析，对商场进行布局后，我们的"沙盘"很快就能反馈其产生的正负作用，通过对数据的进一步梳理分析，可以进一步微调优化整个商场结构。

3.3 智能推荐

在线上我们经常能够因为"千人千面"的推荐系统，从而收到紧贴我们需求的商品推荐。那么在实体商店中我们可以如何对玩转智能推荐呢？

我们先讲一个线下与线上结合的推荐方式，该前提是推荐对象为商场的注册会员。通过上面我们举个数据收集的例子，我们可以了解到通过AIoT智能终端我们可以获取会员去了哪、是否产生购物、复购率等数据。那么假如我们发现会员甲经常会在A店铺产生消费，那么在该店铺有促销或者活动的时候，我们可以通过短信或者线上App对该会员进行相关商品推荐或者短信提醒。

另外一种为直接线下的推荐方式，该前提为商场存在多个电子广告位。而当有某位顾客在广告位上停留的时候，我们可以根据其在商场中的用户画像，快速给她推荐对应的商品，从而做到与线上的"千人千面"一样的推荐效果。

3.4 广告投放

对于商场里的商家，需要进一步宣传或者吸引顾客到店消费，那么商家就会在商场的其它地方进行广告投放，从而来吸引客流。那么广告投放在哪？广告位又怎么收费？

对于广告的投放，可以多点投放，然后我们通过系统能够快速分析出改点广告位产生的转化率。打个比方，顾客甲在广告位A旁停留过，最后进入投放该广告的店铺消费，那么就产生了转化。那么通过对一段时间的数据分析，我们就可以分析各个广告投放点的转化率，从而择优选择转化率高的广告点位。

而对于商场来说，广告位怎么收费呢?商场可以根据广告位的客流数量、区域热度、区域价值以及该广告位的历史转化率进行广告位定价收费。

3.5 趋势预测

通过AIoT+云的能力我们从时间、空间等多个维度上对数据进行进一步量化。那么通过历史的数据分析，我们基本可以分析出下一个时间阶段的流量变化、下个阶段用户消费习惯，从而我们进行优化的调整我们的经营策略，从而优化顾客产生的价值。

上面通过一些简单的实例对"智能沙盘"在于如何辅助商场进行战略布局、优化经营、预测未来等方面进行分析，但是数据的价值远远不止这些。相信越来越多的精细化数据分析，会产生越来越多的数据价值，而线下的商家应用这些数据也能像线上商家一样灵活运营自己的店铺。