.svg)
AI 솔루션 문의하기
매장 안에 설치된 여러 카메라가 한 사람의 동선을 이어서 추적하려면, 한 카메라의 화면에서 사라진 인물이 다른 카메라의 화면에 다시 나타났을 때 같은 사람임을 알아차려야 합니다. 얼굴을 인식해 신원을 특정하는 방식을 쓰면 이 과제는 비교적 쉽게 풀리지만, 그 대가로 고객의 사생활을 건드릴 수 있습니다. 옷차림이나 걸음걸이처럼 신원을 특정하지 않는 특징만으로 동일 인물 여부를 가늠하는 방식은 정확도에서 얼굴 인식만 못할 수 있습니다. 그럼에도 이 방식은 사생활을 지키면서 동선을 이어가려는 시도로서 의미를 가집니다. 비식별 특징만으로 동일 인물을 추정하는 접근이 정확도와 프라이버시 사이에서 매장이 감당할 수 있는 균형점을 찾는 실마리가 됩니다.
고객이 특정 진열대 앞에 오래 머무는 상황은 그 상품에 관심을 보인다는 신호로 읽힐 때도 있고, 원하는 상품을 찾지 못해 헤매고 있다는 신호로 읽힐 때도 있습니다. 머문 시간이라는 숫자 하나만 보아서는 이 둘을 가려내기 어렵습니다. 시선이 향하는 방향이나 같은 구간을 반복해서 오가는 움직임처럼 더 세밀한 패턴을 함께 살펴야 관심과 혼란이 구분되기 시작합니다. 체류 시간에 움직임의 패턴을 겹쳐 보는 분석이라야 관심을 보이는 고객과 길을 헤매는 고객을 그나마 구분해낼 수 있습니다.
매장 안을 오가는 사람 가운데는 고객뿐 아니라 진열을 정리하거나 재고를 옮기는 직원도 섞여 있습니다. 이 직원의 움직임이 고객 동선 데이터에 그대로 섞여 들어가면 분석 결과는 실제와 어긋나기 시작합니다. 근무복이나 명찰 같은 시각적 특징으로 직원을 가려내 동선 데이터에서 미리 빼두는 절차가 필요한 이유입니다. 직원의 움직임을 고객 동선 데이터에서 걸러내는 절차를 갖추어야 분석 결과가 실제 고객 행동에 조금 더 가까워집니다.
매장은 계절이나 판촉 행사에 맞추어 진열대 배치를 자주 바꿉니다. 배치가 바뀌면 기존에 설정해 둔 구역 경계도 함께 다시 그려야 분석 결과가 실제 매장 구조를 따라갑니다. 배치가 바뀐 뒤에도 예전 경계를 그대로 쓰면 잘못된 구역의 데이터로 집계되는 일이 벌어집니다. 매장 배치가 바뀔 때마다 구역 경계를 다시 설정하는 절차를 정기 운영 항목으로 지정해 둔다면 분석 결과의 신뢰를 지킬 수 있습니다.
매장에 세워둔 마네킹이나 사람 형태의 홍보물은 사람과 비슷한 윤곽을 가지고 있습니다. 인식 모델이 이를 실제 고객으로 착각해, 움직이지 않는 인물이 계속 한자리에 머무는 것처럼 잘못 집계하는 일이 종종 벌어집니다. 이런 오탐이 쌓이면 특정 구역의 체류 시간은 실제보다 부풀려진 채 기록됩니다. 마네킹이나 사람 형태의 소품이 놓인 위치를 미리 등록해 인식 대상에서 빼두는 절차가, 움직이지 않는 물체를 사람으로 세는 오류를 줄여줍니다.
동선 데이터만 들여다보면 고객이 매장 안 어디를 둘러보았는지는 알 수 있어도, 실제로 무엇을 구매했는지까지는 짐작하기 어렵습니다. 계산대의 구매 기록과 동선 데이터를 함께 연결하면 어느 구역을 둘러본 고객이 실제 구매로 이어졌는지가 드러나기 시작합니다. 계산대 구매 기록과 동선 데이터를 잇는 작업을 통해서만, 얼마나 오래 머물렀는가를 넘어 그 머무름이 구매로 이어졌는가라는 질문에 답할 수 있습니다.
.svg)
.svg)
