Maskininlärning för kundupplevelsen i omnichannel-e-handel

Inblickar i IDDASS-projektet

IDDASS-projektet, genomfört 2016 och 2017 i samarbete med universitetet i Genève och CTI (i dag Innosuisse), utvecklade ett avancerat mjukvarubibliotek för att analysera kundbeteende under köpsessioner i fysiska butiker. Tekniken kombinerar exakt igenkänning av beteendemönster med integration av online- och offlinedata för att skapa en heltäckande bild av kundupplevelsen och ge personaliserade köpincitament. Projektet, som genomfördes som Aiomas andra maskininlärningsprojekt, visar en lyckad tillämpning av inomhuspositionering och beteendeanalys för att stärka kundlojalitet och beslutsfattande i detaljhandeln.

Upptakten

2016 och 2017 fick jag möjlighet att som näringslivspartner arbeta med ett viktigt projekt tillsammans med universitetet i Genève och Kommissionen för teknologi och innovation (CTI), dagens Innosuisse. Projektet, med namnet IDDASS (Interests Detection During a Shopping Session), var det andra maskininlärningsprojektet i mitt tidigare företag Aioma. Här går jag igenom projektets viktigaste delar och lärdomar, som borde vara särskilt intressanta för entreprenörer i mjukvarubranschen.

Projektöversikt: IDDASS

IDDASS är ett mjukvarubibliotek som analyserar användares beteende under en köpsession i en fysisk butik. Innovationen ligger i den höga precision med vilken beteendemönster registreras och utvärderas. Målet var att integrera IDDASS i en lojalitetsapp för smartphones. Appen kombinerar insamlad data med befintliga analysverktyg för e-handel och kopplar därmed ihop online- och offlinedata. Det ger en mer heltäckande kunskap om kundupplevelsen över hela livscykeln: Kunden följs från sin onlineinteraktion till den fysiska köpupplevelsen och belönas med digitala bonusar.

Teknisk grund och utmaningar

Projektet kombinerade flera avancerade tekniker:

1. Inomhuspositionering: Genom att integrera teknik för inomhuspositionering och olika smartphone-sensorer (med BLE-beacons) kunde vi registrera kundbeteende i realtid.
2. Beteendeanalys och maskininlärning: Insamlad data användes för att identifiera beteendemönster och fatta marknadsbeslut.
3. Dataintegration: Kombinationen av online- och offlinedata gjorde det möjligt att skapa detaljerade kundprofiler och personalisera köpupplevelsen.

Användningsscenarier

Ett typiskt scenario visar styrkan i IDDASS

Daniel besöker Jelmolis webbplats för andra gången på en vecka och tittar på ett par svarta skor. Han tittar på skorna online men köper dem inte, eftersom han alltid provar nya skor först. På vägen till jobbet informerar lojalitetsappen honom om specialerbjudanden i närmaste butik. Så fort han kliver in i butiken startar appen automatiskt och visar relevanta varor. Daniels beteende i butiken, som vilka områden han besöker och hur länge han stannar, registreras och analyseras. Utifrån den datan får Daniel personaliserade erbjudanden och påminnelser som påverkar hans köpbeslut positivt.

Prototyp och användning

En första prototyp användes i Origammis kontor i Zürich. Demoversionen visade intresserade hur tekniken fungerar och vilket mervärde den ger. Till exempel registrerades en kunds rörelser i butiken för att förbättra köpupplevelsen.

Samarbete och genomförande

Projektet var ett samarbete mellan TaM och Origammi, där Origammi integrerade forskningsresultaten i sin produkt ECHOO. ECHOO ökar kundlojaliteten och ger butiksägare data av hög kvalitet. IDDASS passar som sista komponent in i helheten och kopplar ihop online- och offlinedata utan brott.

Resultat och publikationer

Projektet resulterade i flera vetenskapliga publikationer, bland andra:

• UltraSense: a Self-Calibrating Ultrasound-Based Room Occupancy Sensing System
• A Multi-Objective Optimisation Methodology of Tuning Indoor Positioning Systems

Publikationerna understryker projektets vetenskapliga och tekniska betydelse.

Slutsats

IDDASS-projektet visar hur en djup förståelse av kundbeteende kan nås genom att kombinera maskininlärning, inomhuspositionering och dataintegration. För entreprenörer i mjukvarubranschen ger projektet värdefulla insikter i vad beteendeanalys kan göra och hur man utvecklar innovativa lösningar som både stärker kundlojaliteten och ger värdefull data för affärsbeslut.

IDDASS-projektet var inte bara en teknisk framgång, utan också ett exempel på fruktbart samarbete mellan forskning och näringsliv. Entreprenörer i mjukvarubranschen kan dra stor nytta av sådana partnerskap genom att få tillgång till den senaste forskningen och tekniken och omsätta den i säljbara produkter.