专栏名称: 产业智能官

用新一代技术+商业操作系统（AI-CPS OS：云计算+大数据+物联网+区块链+人工智能），在场景中构建状态感知-实时分析-自主决策-精准执行-学习提升的认知计算和机器智能；实现产业转型升级、DT驱动业务、价值创新创造的产业互联生态链。

【计算机视觉】视觉智能引擎+数据决策引擎——打造商业“智能沙盘”

产业智能官 · 公众号 · · 2019-11-01 06:55

正文

奇点云文 | 子荀

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。

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+Io T+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。

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。

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:

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

【计算机视觉】视觉智能引擎+数据决策引擎——打造商业“智能沙盘”

正文

请到「今天看啥」查看全文