Indoor / Outdoor Tracking – Anwendungsbeispiele



rss

Machine Learning in Einkaufszentren

Machine Learning in Einkaufszentren

Die Anwendung von Machine Learning in Einkaufszentren ermöglicht eine präzise Prognose der Besucherzahl und auf dieser Grundlage eine adäquate Bepreisung von Werbeflächen.


Auf einen Blick
  • Anwendung von Machine Learning in Einkaufszentren
  • Korrelation von Wetterdaten und Besucherzahlen
  • Automatische Bestimmung von Preisen für Werbeanzeigen


Problemstellung

Die Besucherzahl in Einkaufszentren variiert ständig. Zu Zeiten mit einer großen Zahl an Besuchern haben Werbeanzeigen, zum Beispiel auf Displays, meist einen größeren Erfolg, weil sie von mehr Personen gesehen werden. Da die Betreiber der Einkaufszentren jedoch meist nur sehr schlecht abschätzen können, wie viele Besucher zu einem bestimmten Zeitpunkt zu erwarten sind, ist eine angemessene und faire Bepreisung von Werbeflächen kaum zu realisieren.

Lösung

Die Implementierung eines Machine Learning Tools löst dieses Problem. Machine Learning macht es möglich, die Besucherzahl zuverlässig vorherzusagen und die Preise für Werbeflächen entsprechend festzulegen.

Ein Faktor, der die Anzahl an Besuchern maßgeblich beeinflusst, ist das Wetter. Bei schlechtem, regnerischem Wetter kommen in der Regel mehr Besucher in das Einkaufszentrum. Die Besucherzahl kann allein auf Grundlage dieser Information allerdings nur äußerst ungenau von Menschen prognostiziert werden. Machine Learning erkennt die vollständigen und exakten Zusammenhänge zwischen dem Wetter und der Besucherzahl und kann auf dieser Basis verlässliche Prognosen treffen. Das System kann anhand des aktuellen Wetters sehr genau vorhersagen, wie viele Besucher zu einem bestimmten Zeitpunkt in das Einkaufszentrum kommen werden. In der Folge können adäquate Preise für Werbeanzeigen automatisch festgelegt werden.

Technische Umsetzung

Machine Learning in Einkaufszentren

Für Machine Learning sind die verwendeten Datensätze von grundlegender Bedeutung. Die Qualität und Quantität der Daten bestimmen, wie akkurat das Ergebnis des Machine Learning ist. In diesem Anwendungsfall kann die Besucheranzahl beispielsweise durch den Einsatz von Indoor Positionsbestimmung mit WLAN gemessen werden, während die wetterbezogenen Daten von infsoft Sensor Tags erfasst werden.

Die Datensätze werden im infsoft Machine Learning Tool hinterlegt und an einen Algorithmus übergeben. Mit den historischen Daten sammelt das System Erfahrungen und wird trainiert. Diese Erfahrungen ermöglichen es dem Modell im Anschluss bei Input aktueller Wetterdaten sehr präzise zu prognostizieren, wie viele Besucher in das Einkaufszentrum kommen werden. Die auf diese Weise vorhergesagte Besucherzahl wird infsoft Analytics und der Automation Engine bereitgestellt. In der Automation Engine wurde im Vorfeld definiert, welcher Anzeigenpreis automatisch festgelegt werden soll, wenn die prognostizierte Besucherzahl in einem bestimmten Bereich liegt. Es kann dann beispielsweise eine automatische E-Mail mit dem Preis für eine Werbefläche an die verantwortlichen Personen und die Shop-Betreiber verschickt werden.

Durch die wachsende Anzahl neuer Wetter- und Besucherdaten sammelt das Machine Learning weitere Erfahrungen und die Vorhersagen werden mit der Zeit immer genauer. Neben dem Wetter haben erfahrungsgemäß auch andere Faktoren wie beispielsweise Schulferien oder Großveranstaltungen in der Umgebung einen Einfluss auf die Besucherzahl. Auch diese Datensätze können im System definiert werden, um noch präzisere Prognosen zu erhalten.

Use Case als PDF zum Download

Kostenloses Whitepaper

Der perfekte Einstieg in das Thema Indoor Positionsbestimmung

Showing 0 Comment









b i u quote

Save Comment