Видеоаналитика с Machine Learning в ритейле: персональный маркетинг vs 152-ФЗ

Big Data, Большие данные, обработка данных, ритейл, предиктивная аналитика, интернет вещей, Internet of Things, IoT, IIoT, машинное обучение, Machine Learning, видеонаблюдение, FMCG

В продолжение темы про использование технологий Big Data и Machine Learning в FMCG-бизнесе, сегодня мы поговорим, как распознавание лиц помогает сформировать персональные маркетинговые предложения и насколько это законно. Разбираемся с видеоаналитикой и 152-ФЗ «О персональных данных» на примерах отечественных и зарубежных ритейлеров.

От воров до VIP-клиентов: 5 примеров распознавания лиц в FMCG

Вчера мы упоминали, что современные видеоаналитики с мощными алгоритмами Machine Learning – это отличный инструмент персонализированного маркетинга, который позволяет сформировать рекламное предложение специально для конкретного человека, с учетом его интересов, потребностей и финансовых возможностей. Примечательно, что распознавание лиц уже достаточно широко используется в ритейле и сфере услуг.

Например, в международном финансовом центре Сеула камеры на информационных стендах в реальном времени определяют возраст и пол человека, формируя рекламное предложение соответственно выявленным параметрам. А крупнейшая в мире торговая сеть 7-Eleven, широко распространенная в азиатских странах, внедрила видеоаналитику в 11 000 своих магазинов для распознавания лиц и анализа поведения покупателей. Также эта Big Data система используется для идентификации держателей карт лояльности, мониторинга трафика посетителей и определения уровня запасов товаров на складах. Американская сеть премиум-магазинов Saks применяет технологию распознавания лиц для предотвращения краж, сверяя фотографии подозреваемых в воровстве с базой данных известных магазинных воров. Подобным образом машинное обучение используют многие европейские лакшери-магазины и отели, отслеживая VIP-персон и знаменитостей для обеспечения им наиболее комфортных условий. В США фастфуд-ритейлер CaliBurger внедрил распознавание лиц в свои интерактивные киоски с целью повышения лояльности покупателей. Устройство идентифицирует лицо клиента, запоминает его заказы, рекомендует блюда по предпочтениям, а также принимает платежи [1].

Несмотря на привлекательность этих примеров, российские ритейлеры не спешат массово внедрять распознавание лиц в свои системы видеоаналитики, опасаясь нарушить ФЗ-152 «О персональных данных». Почему их опасения не беспочвенны, рассмотрим далее.

распознавание лиц, ритейл, машинное обучение, Machine Learning, FMCG
Система распознавания лиц на кассе азиатского магазина 7-11

Machine Learning и 152-ФЗ

Напомним, согласно ФЗ-152, персональными считаются данные, которые позволяют точно идентифицировать личность, включая биометрическую информацию как физиологическую (отпечатки пальцев, рисунок вен, ДНК, сетчатка глаза, лицо, голос), так и поведенческую (походка, речь). При этом материалы с изображениями граждан, полученные в результате видеосъёмки в публичных местах и на охраняемой территории, не являются биометрическими персональными данными. Однако, скрытое видеонаблюдение запрещено законом, поэтому Роскомнадзор рекомендует оснащать места, где ведется видеонаблюдение, предупредительными надписями или знаками. В этом случае не требуется отдельного согласия граждан на проведение съёмки. Таким образом, само по себе видеоизображение человека не является носителем персональных данных и такие записи можно хранить и использовать безо всяких ограничений [2]. Например, для подсчета или сегментации посетителей торгового центра по возрастному, половому и прочим внешним признакам. Именно таким образом крупнейшие российские ритейлеры используют технологию распознавания лиц. В частности, в 2017 году X5 Retail Group, «Вкусвилл» и «Дикси» тестировали ее со следующими целями [3]:

  • определение пола и возраста клиентов;
  • подсчет количества посетителей;
  • сбор и аналитика данных о передвижениях покупателей в магазине;
  • разработки системы безопасности.

Аналогичное тестирование провел FMCG-ритейлер «Виктория» и сеть кинотеатров «Синема», «Формула кино» и «Каро». В 2018 году «Яндекс» запустил продажу таргетированной рекламы на основе распознавания лиц и внедрил эту технологию в сеть аптек «Асна» [3].

Однако, машинное обучение позволяет не только классифицировать клиентов по полу, возрасту и прочим категориальным признакам, но и с высокой точностью идентифицировать личность. Поэтому, если видеоизображениям людей присваиваются конкретные идентификаторы, позволяющие определить личность человека, вступает в силу ФЗ-152. Таким образом, пользователь такой Big Data системы становится оператором персональных данных и должен соответствовать требованиям закона. При этом система хранения персональных данных, т.е. видеоизображений, должна быть сертифицирована, что требует времени и затрат. Поэтому большинство современных проектов видеоаналитики с функцией распознавания лиц основано на гибридной модели. В этом случае основная Big Data система развёртывается на предприятии локально, а пространство для хранения видеоданных – в облаке, уже сертифицированном для хранения персональных данных. Таким образом, ответственность по соблюдению ФЗ-152 передается на сторону SaaS-провайдера [2]. Поэтому, вполне возможно, что уже в обозримом будущем отечественные ритейлеры будут повсеместно внедрять видеоаналитику с распознаванием лиц для генерации персональных маркетинговых предложений.

распознавание лиц, персональный марккетинг, система рекомендаций, машинное обучение, большие данные
Интерактивный киоск для заказа продуктов с функцией распознавания лиц

В следующей статье мы продолжим разговор про большие данные и машинное обучение в ритейле и рассмотрим, что такое programmatic print, который объединяет возможности онлайн-маркетинга и печатных носителей. Другие примеры цифровизации FMCG-бизнеса с помощью Big Data и Machine Learning вы узнаете на наших образовательных курсах в лицензированном учебном центре обучения и повышения квалификации руководителей и ИТ-специалистов (менеджеров, архитекторов, инженеров, администраторов, аналитиков и Data Scientist’ов) в Москве:

Источники

  1. https://habr.com/ru/company/ivideon/blog/443906/
  2. http://www.tadviser.ru/index.php/Статья:Видеоаналитика_(российский_рынок)
  3. https://performance360.ru/facial_recognition/
Поиск по сайту