Główne pojęcia
AI 기술을 활용하여 소매 운영 효율성과 고객 경험을 향상시키는 혁신적인 스마트 소매 분석 시스템(SRAS)을 제안합니다.
Streszczenie
이 연구는 소매 부문의 주요 과제인 비효율적인 대기열 관리, 부정확한 수요 예측, 비효과적인 마케팅 등을 해결하기 위해 최신 기계 학습 기술을 활용하는 혁신적인 접근 방식을 제안합니다.
첫 번째 단계에서는 YOLOV8 알고리즘을 다양한 매개변수로 미세 조정하여 고객 추적 기능을 향상시켰습니다. 두 번째 단계에서는 BOT-SORT와 ByteTrack 등 고급 객체 추적 모델을 YOLOV8의 탐지 결과와 통합하여 매장 내 고객 동선 추적과 정확한 방문객 수 및 열 지도 생성을 가능하게 했습니다.
재고 관리 최적화를 위해 다양한 예측 모델을 탐구했으며, GRU 모델이 시계열 데이터의 장기 의존성을 가장 잘 해석하여 다른 모델들보다 우수한 성능을 보였습니다.
이러한 통합 솔루션은 소매업체의 운영 효율성 향상과 고객 경험 개선을 위한 데이터 기반 의사 결정을 가능하게 합니다.
Statystyki
제안된 GRU 모델은 선형 회귀, XGBoost, CNN, LSTM 모델에 비해 R2-score에서 각각 2.873%, 3.215%, 0.323%, 0.756% 향상되었습니다.
mAPE 지표에서도 GRU 모델은 선형 회귀, XGBoost, CNN, LSTM 모델에 비해 각각 29.31%, 8.889%, 0.806%, 3.149% 향상되었습니다.
Cytaty
"AI 기술을 활용하여 소매 운영 효율성과 고객 경험을 향상시키는 혁신적인 스마트 소매 분석 시스템(SRAS)을 제안합니다."
"GRU 모델이 시계열 데이터의 장기 의존성을 가장 잘 해석하여 다른 모델들보다 우수한 성능을 보였습니다."