Vševidoucí oko Sauronovo, aneb žití pod dohledem kamer | Kapitola 7
Seznam kapitol
Kamerové systémy se vzmáhají a rozšiřují, jsou stále levnější a všudypřítomnější. Na skleněná oka nejrůznějších rozměrů s až zázračnými schopnostmi narazíte prakticky všude, nejspíš jich máte hned několik i u vás doma. Za chvíli to tu bude vypadat jako v Minority Report. Je ale možné, aby tento trend měl ve skutečnosti i nějaká pozitiva?
A pak je tady šedá zóna, tedy komerční použití. Kamerové systémy dokážou podstatně více, než jenom sledovat, zda zákazníci či prodavači nekradou. Nově se objevují funkce, které zavádějí metriky, jenž mají zlepšit služby pro zákazníky, i když do jisté míry také narušují jejich soukromí. Jde například o people counting, tedy o počítání zákazníků a sledování jejich chování. Základní aplikací je počítání lidí ve frontách před pokladnami, které by mělo upozornit management obchodu, že je třeba otevřít další pokladnu, případně že je možné pokladny zase zavřít.
People counting dovoluje také ověřovat kvalitu služeb v jednotlivých obchodech. Jedna statistika říká, že pokud jde o nákup oblečení, je zásadní rozdíl mezi muži a ženami. Muž si jde koupit věc, kterou potřebuje: Prostě zajde do obchodu a koupí si to.
Obvykle navštíví jenom jeden obchod, protože jde na jisto. Žena naproti tomu před nákupem navštíví průměrně šest obchodů. To znamená, že v obchodě by průměrně mělo něco koupit 15 % zákaznic. Toto procento zákaznic, které si opravdu něco koupí, se nazývá convergence rate a definuje očekávanou průměrnou hodnotu. Moderní kamerové systémy mohou rozlišit mezi muži a ženami a počítat convergence rate pro jednotlivé obchody patřící řetězci. Pokud se naměří hodnota blízká 10 %, znamená to, že tam kupuje méně zákaznic, než se čeká a je tam tedy nějaký problém s obsluhou, ochotou, čistotou apod. Pokud se naměří hodnota blízká 20 %, znamená to, že tam naopak zákaznice kupují rády. S použitím metriky se řetězce mohou zaměřit na problémy v jednotlivých obchodech. Takováto metrika je pochopitelně výhodná hlavně pro řetězec, nicméně z ní můžou mít prospěch i zákazníci, případně i prodavači, kteří vykazují výborné výsledky.
Použití může jít mnohem dál. Z pohybu zákazníků uvnitř obchodu lze sestavovat „heatmapy“, tedy mapovat trajektorie kudy chodí, kde se zastavují, sledovat, která místa jsou z hlediska obchodu mrtvá a která naopak frekventovaná. Můžete dokonce měřit účinnost reklamních kampaní: Stačí srovnat generované heatmapy před kampaní a po ní a sledovat, zda máte celkový nárůst návštěvnosti a zda se tento nárůst týká zboží, které jste inzerovali. To všechno lze sestavovat i v situaci, kdy je sběr dat přísně anonymizovaný a žádná data o jednotlivých zákaznících si obchod neuchovává.
Komentáře naleznete na konci poslední kapitoly.
