継続作成記事：POP Analyzer①

リテールテックのアドベントカレンダーとして記事を作成しています
。
前回の記事では少し大きめの話をしたので、今回はボトムアップで企画を進めたいという趣旨の記事です。

まだ完成には至っておりませんが、今後継続的に進めたいと思っておりますので、よろしくお願いします。

#売場でのお客さまの行動検知をしたい
　突然ですが、一般的な小売業ではお客さまの行動を把握する術がありません。厳密にいうと、お客さまからのフィードバックとして測定可能な売上以外を活用できていない状況なのです。お客さまが売場でどのように動いて、どのように考えているか、消費者に一番近い産業でありながら、身近な時点にいらしてくれるお客さまのことが把握できていないというのが実態なのです。

　ですが、お客さまの行動を知るということは、顧客満足を向上させる種となるアイディアが詰まっています。

1. 商品を購入した場合
   1. 見た瞬間即決して買った
   2. 買うかどうかを悩んだ末に買った
   3. 隣の商品とどちらを買うか悩みながら買った
2. 購入していない場合
   1. 一度籠にいれたけどやめた
   2. 手を伸ばしたけどやめた
   3. 商品を見たけど悩んでやめた
   4. 目もくれなかった

買った・買わなかったの中にもこれだけの条件分岐があり、売れた理由・売れなかった理由が異なっていることが理解いただけると思います。

#プロダクトのモデル
　ですので私は、売場でお客さまの行動を検知して、数値化することで、売場に対する新たな評価基準を設けることを考えました。

例えば、売場にPOPをつけた際

1. POPの前を通過したお客さま
2. POPを見たお客さま
3. 商品を手に取ったお客さま

それぞれを計測し、日別の数値として継続的に記録することで、POPの効果測定ができるようになります。
更に、POPだけでなく色々な売場で今まで何となく実施されていた要素を同様に解析することで、知見の蓄積と効果的な販促を検討することができるようになると考えました。
詳細説明すると長くなりますので、もし気になる方は以下のnote記事をご覧ください。

そのようなことを考える中、

こちらの記事を発見し、以下のモデルを考案しました。

すなわちteachablemachineのposeモデル、ml5、CodePenを組み合わせて、webアプリとしてプロトタイプを制作することにしました。

簡単なプロトタイプとして、まずは設置したPOPの前で商品に手を伸ばす動作をしたお客さまの数を数えていきます。
POPの効果を見るので、暫定的にPOP Analyzerと名付けました。

#行動検知モデル部分

• 手を上げる動作 50枚
• ランダムな動作 50枚

それぞれ読み込ませてモデルを作成したのち、職場の方に売場のものを取ってもらうイメージで手を伸ばしてもらいましたが、結果はアクションなしとしての判定
まず、モデルの構築に失敗しました。

#行動検知の判別部分

本来であれば、画像黄色枠内に判定結果が出るはずなのですが、アウトプットされず。 黄色線のようにモデルの読み込みは完了しております。 一方、その他の学習モデルでは問題なく判定結果を出力していたので、なぜかと思い調べたところ以下の記事にあたりました。

poseモデルはCodePenで動かないとのこと。
stackoverflowでも聞いてみましたが、返答がなく、あまり考えた人はいないのかなというのが現状です。

#今後について
正直このプロトタイプは構想段階ではかなり簡単にできると思っており、実際の店で試してみたいと考えていただけに、いきなり出鼻をくじかれてショックでした。

モデルの組みこみについて、対応として考えられるのは

• teachablemachine以外で作る
• teachablemachineのposeモデルはcanvasを用いて作っているので、CodePen上にcanvasのライブラリを埋め込んで何とかする。
• まったく別の手段をとる

機械学習部分については、正直私の理解が浅いのもあり、勉強していかなければなりません。
一人でやっていると忙しさにかまけて放置してしまうかもしれませんので、今後継続的にアドベントカレンダー上で進捗を報告します。

引き続きお読みいただけると嬉しいです。