本文参加百家号#科学了不起#系列征文赛。
探测者说：在现代世界中，实体零售商店必须专注于改善用户体验（UX）并与电子商务商店竞争。地理位置特征、人口统计数据和贸易区域的地理空间分析可帮助零售商了解此数据对商店销售的影响，从而可以调节成功率并提高绩效。物联网（IoT）还为企业提供了分析店内光照和温度水平对消费者购买行为的影响的能力。但是，只有使用将IoT数据与从GeospatialAnalytics收集的数据相结合的人工智能（AI）算法，才能定义真正的购买行为模式。
智能商店环境
消费者的行为变化快于风。除了个人喜好、固定的市场营销活动和购买力外，客户的行为还受到他们心情的影响。
对于零售而言，这是一个非常复杂的主题，需要仔细规划。但是，通过利用物联网，人们可以开发智能商店环境，该环境可以帮助使客户的心情变得更加积极快乐，从而可以增加主要零售KPI和指标。
为此，需要分析地理空间数据，例如客户的居住区域、贸易区域特征和该区域人们的生活方式。
通过收集这些有价值的指标，零售商可以对客户的期望有更深入的了解，并且他们可以利用所获得的见解在商店的不同部分进行可行的更改。可以根据从物联网获取的数据为特定类型的产品提供正确的温度和光线类型，从而匹配单个客户的心情类型并增加销售的可能性。
热舒适性和购买行为
尽管在许多零售商店中经常被忽视，但是热舒适性在影响顾客的情绪以及最终影响他们的购买决定方面起着巨大的作用。
因此，需要什么步骤来达到商店的热舒适性？好吧，它取决于六个参数，每个参数都受其感觉影响。它是店内空气温度、房间或商店中的相对湿度、中值辐射温度、空气速度、新陈代谢率（人的活动）以及衣服的隔热程度。就像生活本身一样，每个客户根据其年龄、生理、生活状况和居住地区以不同的方式体验这些感觉。
因此，热舒适性是一组复杂的指标，通常很难对其进行分析。但是，现在可以桥接来自物联网传感器的数据（如店内气温、湿度、室外气温）和地理空间数据（包括消费者的人口统计特征、用于定义代谢率的生活方式数据和用于评估衣物隔热性的居住区域），以预测消费者需求，从而改变零售环境。
在测量热舒适度时，有两个指标：一个是在商店内部或某个特定部门附近花费的时间，另一个是与所花费的时间相关的购物篮中物品的平均数量。
例如，如果室外温度很高，而顾客只穿着一件T恤，那么当温度低到令人不舒服时，他们留在商店内的可能性就很小。同样，即使零售商保持了舒适店内温度，商店的某些区域（例如乳品部门）也明显低于平均店内温度。结果，由于该部门的衣物隔热水平低和温度低，因此他们在这些较冷的部门停留的时间更短。
此外，内部和外部温度之间的差异可能会对不同组产品的销售产生不同的影响。例如，如果外面天气炎热并且某人进入商店是为了购买冷的碳酸饮料（例如可乐），那么如果商店内部的温度过低而使他的体温突然下降，那他喝一瓶冷可乐降温的愿望就随之下降，结果商店失去了销售机会。
考虑到这一点，定义人类行为模式及其对人类舒适度的依赖性的最佳方法是桥接IoT传感器数据、地理空间数据，并使用机器学习算法来分析数据并基于该分析得出可行的见解。记录此信息后，由于外部环境因素（例如外部天气）不断变化，分析结果可用于帮助实时调整店内参数。
照明和消费者购买行为
除温度外，照明在影响店内顾客购买决定方面也起着重要作用。研究表明，如果各个部门的照明充足，那么消费者往往会在不同部门浏览更长的时间。照明是影响消费者购买行为的重要因素：从他们花在看货架上商品的时间到客户拿起产品并将其放入购物篮所需的时间。
但是，除了能够影响消费者的购买决定外，还必须在提高销量的高效照明和高效能耗之间取得平衡。最佳策略是将IoT和AI结合使用，以找到一种照明解决方案，该解决方案不仅可以改善购买者的行为，还以尽可能降低能源成本的方式在整个商店内分配照明。
例如：一家超市想知道生鲜部的最佳光照水平。一种方法是更改这家超市的照明水平（大约一个星期或一个月），然后使用最先进的AI分析这段时间内的销售数据。然后，可以将这些结果与上一年同期的销售数据进行比较，并考虑销售、促销和其他参数。但是，尽管在某些情况下有效，但是如果零售商决定更改其类别、添加新产品、更改其供货商或对上一年的业务进行任何其他重大更改，则此选项可能不是最可靠的选择。
另一种选择是更改一家商店的照明水平，并在一段时间（一周、一个月）内收集数据，然后将其与其他商店的销售进行比较，这些商店具有相同的部门和类别。但是，在没有详细了解其贸易领域其他竞争对手的情况下，比较每家商店是否正确？
好吧，想象一下，您在不同的位置有两家商店。第一家商店所在地区的61％的人口过着健康的生活方式，并且在其贸易区内没有竞争对手。由于该地区的大部分人过着健康的生活方式，因此该商店的新鲜农产品或有机农产品部门的销售百分比很有可能会大大提高。
而第二家商店所在地区中只有28％的人过着健康的生活方式，而街对面就有一家蔬菜店。这意味着该商店内的生鲜销售额可能会比第一家商店低得多。考虑到这一点，在这些商店之间比较新鲜农产品部门附近照明对购买行为的影响是不正确的。
因此，在这种情况下，最好的解决方案是使用传感器（IoT），光照水平数据恒定不变，使用地理空间数据通过不同的参数来定义类似的商店（商店集群），例如房地产、贸易区特征、人口统计数据，以及许多竞争对手。这样，零售商可以为部门定义最佳照明、增加销售并节省能源。
结论与建议
最终，通过影响消费者的购买行为，分析来自物联网传感器的数据、分析商店周围的地理空间数据可以对零售业销售水平产生真正的影响。
通过采用这种策略，零售商可以确定关键的购买模式，从而使他们能够通过结合物联网、地理空间数据和机器学习算法对业务进行可行的、增强性能的更改。
译自Gim-International同名英文原著。
本文由百家号作者探测者科技编译
未经授权，请勿转载
点个赞再走！