Стаття

Отримано 11.03.2023

Доопрацьовано 29.07.2023

Прийнято 28.08.2023

Взято з Том 27, № 2, 2023

Сторінки 131 -140

Kharytonova, L., Shumeiko, O., Donets, V., & Kovalchuk, O. (2023). Innovative marketing technologies in retail using Computer Vision and artificial intelligence. The National Transport University Bulletin, 27(2), 131-140. https://doi.org/ 10.33744/2308-6645-2023-2-56-131-140

Інноваційні маркетингові технології у роздрібній торгівлі з використанням Computer Vision та штучного інтелекту

Леся Харитонова Олексій Шумейко Вероніка Донець Оксана Ковальчук

У статті розглянуті перспективні підходи до проведення маркетингових досліджень з використанням технологій комп’ютерного зору та відео аналітики на основі систем штучного інтелекту. Предмет дослідження – процеси автоматизованого проведення маркетингових досліджень. Об’єкт дослідження – технології та засоби автоматизованого аналізу поведінки клієнтів закладів роздрібної торгівлі. Мета роботи – опис концепції та принципів роботи автоматизованих систем аналізу поведінки клієнтів закладів роздрібної торгівлі з використанням систем відеоспостереження, комп’ютерного зору та відео аналітики з використанням технології штучного інтелекту. В сучасних економічних умовах надзвичайну важливість отримали питання оптимізації та автоматизації всіх бізнес-процесів суб’єктів, які ведуть економічну діяльність, включаючи процеси маркетингових досліджень у закладах роздрібної торгівлі, діяльність яких характеризується високим ступенем конкуренції. Автоматизація процесів за допомогою комп’ютерних технологій та цифрового апаратного забезпечення дозволяє підвищити якість аналітики та знизити витрати на проведення досліджень. Стаття присвячена вирішенню питань автоматизації дослідження цільової аудиторії рітейлу за допомогою систем комп’ютерного бачення з наступною обробкою цих даних за допомогою систем комп’ютерної аналітики з використанням штучного інтелекту

роздрібна торгівля; маркетинг; інноваційні технології; комп'ютерний зір; розпізнавання образів; штучний інтелект
  1. Kreiman, G. Biological and Computer Vision. Cambridge University Press, 2021.
  2. Davies, E. R., Turk, M. A. Advanced Methods and Deep Learning in Computer Vision. Elsevier Academic Press, 2022.
  3. Howse, J., Minichino, J. Learning OpenCV 4 Computer Vision with Python 3. Third Edition. Packt Publishing, 2020.
  4. Koul, A., Ganju, S., & Kasatn, M. Practical Deep Learning for Cloud, Mobile and Edge Real-World AI and Computer-Vision Projects Using Python, Keras, and TensorFlow. O'Reilly, 2020.
  5. Alia, I., Duab, M. Smile Detection Using Data Amalgamation. Procedia Computer Science, 2020. Vol. 167, P. 979–986.
  6. Youngkyoon, J., Hatice G., & Ioannis, P. SmileNet: Registration-Free Smiling Face Detection In The Wild. 2017 IEEE International Conference on Computer Vision Workshops (ICCVW). P. 1581–1589, 2017.
  7. Ranjan, R., Sankaranarayanan S., Castillo, C., & Chellappa, R. An All-In-One Convolutional Neural Network for Face Analysis. 2017 12th IEEE International Conference on Automatic Face & Gesture Recognition (FG 2017), Washington, DC. P. 17–24.
  8. Arriaga, O., Valdenegro-Toro, M., Plöger, P. Real-time Convolutional Neural Networks for Emotion and Gender Classification. [Electronic resource]. Available at: https://arxiv.org/abs/1710.07557. DOI: https://doi.org/10.48550/arXiv.1710.07557.
  9. Real-time face detection and emotion/gender classification using fer2013/imdb datasets with a keras CNN model and openCV. Available at: https://github.com/oarriaga/face_classification/.
  10. Facial Expression Recognition Challenge. Deeplearning. Available at: http://deeplearning.net/icml2013-workshop-competition/challenges/.
  11. Facial Expression Recognition with a Deep Neural Network as a PyPI Package. Available at: https://github.com/oarriaga/face_classification/.
  12. Hierarchical Perception Library in Python for Pose Estimation, Object Detection, Instance Segmentation, Keypoint Estimation, Face Recognition, etc. Available at: https://github.com/oarriaga/paz.
  13. Creating a Heatmap Based on Video Recordings. Available at: https://github.com/kerberos-io/heatmap.
  14. Heatmap Using Yolov7 and DeepSORT. Available at: https://github.com/DoganK01/YOLOV7-DeepSORTRetail-Heat-Maps---Heatmaps-Density.
  15. Bailey, K. Retail Shopper Journey And Heat Map Analytics. Available at: https://www.aboutinsider.com/retail-shopper-journey-and-heat-map-analytics/ (accessed: June 21, 2022).

https://doi.org/ 10.33744/2308-6645-2023-2-56-131-140