AI カメラや WiFi, beacon 行動分析、ぶっちゃけどうなの？利用者が語るリアル店舗におけるデータ活用入門 / An introduction to using data in real stores as told by users

AI カメラや WiFi, beacon ⾏動分析、
ぶっちゃけどうなの︖
利⽤者が語るリアル店舗におけるデータ活⽤⼊⾨
2019-03-04
#リテールテックOnline
presented by @mizuki_takenobu ( COUNTERWORKS Inc. )

View Slide

2018年〜 COUNTERWORKS Inc.
▶体験型ストアadpt （業委）⽴ち上げ︓BizDev, 開発PM, Analyst, 店⻑
▶adptOS ProductOwner, Analyst
⼤学1年の春に⼦供を授かり結婚し、家族を養うために働き始める。
複数社で⼈材営業、インハウスSEO、オンライン広告の運⽤改善をそれぞれ経験。
その後、COUNTERWORKS 創業時に参画し、ビジネス開発全般を⾏う。
⽵信瑞基（たけのぶみずき）
adptOS Data Analyst | たまにBizDev, 店⻑
⼤学
新卒
現職
2016年〜2019年 Recruit Holdings Co., Ltd.
▶タウンワーク App PM (iOS / Android)
▶タウンワーク&FromAnavi App Product Owner (iOS / Android)
▶バイト・中途・派遣領域 (JP) Lead Analyst
@mizuki_takenobu mizuki.takenobu

View Slide

会社紹介 - COUNTERWORKS Inc.
商業不動産・⼩売領域のDXを促す事業を展開。
主に「リアル店舗を開きやすく、改善しやすくする」サービスを開発・展開。
スペースオーナー
(貸したい⽅)
テナント
(借りたい⽅)
出店
・
運営
ポップアップストア・短期利⽤に特化したスペースの
オンラインマーケットプレイス
商業施設・店舗の収益改善をサポートする
データプラットフォーム
D2Cを中⼼とした
オンラインブランドのための
出店⽀援サービス
9,000社+ 1,200スペース
+

View Slide

⽇本の⼩売市場は成熟しており、特にリアル店舗「のみ」では売上が伸びづらい状況。
⼀⽅、オンライン込みで売上を伸ばすには、リアル店舗とその改善が重要に。
出典︓Think With Google - 買いたくなるを引き出すために - パルス消費を捉えるヒント (1)
https://www.thinkwithgoogle.com/intl/ja-jp/articles/search/shoppersurvey2019-1/
EC・店舗併⽤状況（消費財）

View Slide

⾃社でもポップアップストアや常設店展開などで店舗を持ち、
出店・効果改善しやすい環境を作りつつ、センシング・店舗改善のノウハウも蓄積・提供。
商業施設内の区画をポップアップストア専⽤区画とし、
リーシングのみならず、テナント様向け販促改善サービスを展
開。
メーカー様向けに店内のスペース提供のみならず、
接客スタッフ、店内統計データ提供、販促改善サービスを展開。

View Slide

今⽇のお話
1. リアル店舗でどうデータ活⽤したら
来店するお客さまや収益が増えるのか︖

View Slide

今⽇のお話
2. たくさんあるサービスの中で、
どんなジャンルの何があって、
気をつけるべきポイントは︖

View Slide


View Slide

adpt店⻑をやって個⼈的に感じた、リアル店舗の現状
費⽤
売上
利益
コストリターン投資原資
上がる店舗経営難度
都⼼部を中⼼に
地価・⼈件費・物流費増と
固定費が⾼まり続けている
どう⼈を呼び
お買い求め頂くかがより重要に
ECでブランドが増え、
SNSでもアイテムと出会える中
リアル店舗の集客⼒が減少
利益利益率・額共に
圧迫される事態。

View Slide

現時点で考えている、現実的な改善の⽅向性
費⽤
売上
利益
コストリターン投資原資
抑制と投資の見極め
人口が集約する商圏ほど
コスト増の流れは不可逆。
投資配分を見直しつつ、
集客・買上を上げる再現性
を高めるモノへ投資。
オンラインとオフラインで
商圏シェアを拡⼤
オフラインは商圏と継続接点に、
オンラインは体験の⽴体性に
限界があり、相互作⽤で拡⼤。
トップラインで
利益を伸ばす
（しかない。）

View Slide

店⻑、店舗メンバー、
オンラインストア担当、
みんなで向かっていく

View Slide

適切な店舗経営には
“地図”と”羅針盤”が必要
＝分析は、それらを作り出す

View Slide

「良いモノを、広く届ける」流通改善に、分析ではどのように寄与できそうか︖
早期の現状・課題把握で
店舗改善⼟壌を作る
時間経過ごとにコストがかかる分、
早期に現状・課題を把握して、
対策を打つ必要がある。
店舗経営・改善指標をより明確にし、
スタッフが問題に気付きやすい形で
提供できればクイックに店舗改善が
⾏える⼟壌を作る。
店舗内の⾏動ログを使った
リアル店舗収益の改善
⼊店率や買上率の状況がわかっても、
課題の要因がわからなかったり、
改善してみた結果がわからない。
店舗⾏動からVMD, レイアウト,
スタッフ待機位置, 接客など
⼊店・買上率に影響のある要素を
改善することで店舗収益を改善し、
パターンが⾒えれば標準化もできる。
店内行動ログを使った
オンラインでの購買率も改善
店内での試着商品データや、
商品詳細を店舗QR/NFC経由で
閲覧した際などのデータを取得。
店内行動をデータポイントに、
サイト内のレコメンドやCRMで
活用して購買率・LTV改善に。

View Slide

早期の現状・課題把握で店舗改善⼟壌を作る︓よくお伺いする課題例
⽬標数値わかっている現状数値次の打ち⼿
売上
¥3,600,000
レジ客数
540⼈/⽉
客単価
¥5,000
売上
¥2,700,000
×
=
▲¥900,000

View Slide

売上
¥3,600,000
レジ客数
540⼈/⽉
客単価
¥5,000
売上
¥2,700,000
×
=
⓪⽬標を維持する為に
客単価
¥4,000
=
レジ客数
900⼈/⽉
①客単価を下げて
x0.8
×
②レジ客上げる
x1.7

View Slide

売上
¥3,600,000
レジ客数
540⼈/⽉
客単価
¥5,000
売上
¥2,700,000
×
=
客単価
¥4,000
=
レジ客数
900⼈/⽉
x0.8
×
x1.7
客数または買上率の
⽚⽅を維持したまま
⽚⽅を1.7倍にできれば
これは成⽴する
↓
この修正⽅針が現実的か
客観的に評価できない

View Slide

売上
¥3,600,000
レジ客数
540⼈/⽉
客単価
¥5,000
売上
¥2,700,000
×
=
客単価
¥4,000
=
レジ客数
900⼈/⽉
×
↓
客数を増やすべきか
買上率を上げるべきか
ボトルネックも不明で
優先度をつけられない。
↓
原資がないと「接客」や
「レイアウト微修正」で
買上率をどうにか改善...
x0.8
x1.7

View Slide

売上
¥3,600,000
レジ客数
540⼈/⽉
客単価
¥5,000
売上
¥2,700,000
×
=
客単価
¥4,000
=
レジ客数
900⼈/⽉
×
↓
客数を増やすべきか
買上率を上げるべきか
ボトルネックも不明で
優先度をつけられない。
↓
原資がないと「接客」や
「レイアウト微修正」で
買上率をどうにか改善...
スタッフが個々に頑張っても
変化に対して再現性があるかわからず
施策効果かも評価できない
x0.8
x1.7

View Slide

データでチームの
“⽬線”を合わせる

View Slide

早期の現状把握とクイックな店舗改善⽀援︓商圏ターゲット⼈⼝を固定で与え、⼊店数を計測したとする
店舗前通⾏のべ客数
180,000⼈
来店客数
6,000⼈/⽉
レジ客数
900⼈/⽉
客単価
¥4,000
売上
¥3,600,000
⽬標
×
=
2%
15%
180,000⼈
来店客数
3,600⼈/⽉
レジ客数
540⼈/⽉
客単価
¥5,000
売上
¥2,700,000
現状
×
=
1.2%
15%
▲¥900,000
アクション
ターゲット客数
300,000⼈
300,000⼈

View Slide

早期の現状把握とクイックな店舗改善⽀援︓何が起きるか
180,000⼈
来店客数
6,000⼈/⽉
レジ客数
900⼈/⽉
客単価
¥4,000
売上
¥3,600,000
⽬標
×
=
2%
15%
180,000⼈
来店客数
3,600⼈/⽉
レジ客数
540⼈/⽉
客単価
¥5,000
売上
¥2,700,000
現状
×
=
1.2%
15%
▲¥900,000
アクション
300,000⼈
300,000⼈
課題が
明確に
わかる

View Slide

早期の現状把握とクイックな店舗改善⽀援︓何が起きるか
180,000⼈
来店客数
6,000⼈/⽉
レジ客数
900⼈/⽉
客単価
¥4,000
売上
¥3,600,000
⽬標
×
=
2%
15%
180,000⼈
来店客数
3,600⼈/⽉
レジ客数
540⼈/⽉
客単価
¥5,000
売上
¥2,700,000
現状
×
=
1.2%
15%
▲¥900,000
アクション
300,000⼈
300,000⼈
課題が
明確に
わかる
⽅針と⽬標値がわかる
1. 買上率を維持で
来店客数を +80⼈/⽇ (+2,400⼈/⽉)
2. 客数維持で
客単価を +¥1,667（¥6,667）
3. 客単価を維持で
レジ客数を +6⼈/⽇ (720⼈/⽉)
4. 客単価を20%下げて（¥4,000）
レジ客数を +12⼈/⽇ (+360⼈/⽉)

View Slide

どう改善していくかの
プランがチームで
理解できる

View Slide

「良いモノを、広く届ける」流通改善に、分析ではどのように寄与できそうか︖
早期の現状・課題把握と
クイックな店舗改善が可能に
⾏える状態に。
店内⾏動ログを使った
店内⾏動をデータポイントに、
活⽤して購買率・LTV改善に。
フリクションの少ない
ユーザー体験設計が肝になる。

View Slide

店舗内の⾏動ログを使ったリアル店舗収益の改善︓データと理想が⾒えると、思考の視点が広がる
180,000⼈
来店客数
6,000⼈/⽉
レジ客数
900⼈/⽉
客単価
¥4,000
売上
¥3,600,000
⽬標
×
=
2%
15%
180,000⼈
来店客数
3,600⼈/⽉
レジ客数
540⼈/⽉
客単価
¥5,000
売上
¥2,700,000
現状
×
=
1.2%
15%
アクション例
300,000⼈
300,000⼈
1. 買上率を維持で
来店客数を +80⼈/⽇ (+2,400⼈/⽉)
2. レジ客数維持で
客単価を +¥1,667（¥6,667）
3. 客単価を維持で
レジ客数を +6⼈/⽇ (+180⼈/⽉)
4. 客単価を20%下げて（¥4,000）
レジ客数を +12⼈/⽇ (+360⼈/⽉)
事業者都合の
数字としてはこうである⼀⽅で...
お客さまにどうアプローチしたら
振り向いていただけるか︖

View Slide

何をどういう意図で
プレゼンテーションしているか︖
店外からみたお店のビジュアルコンセプト、VP、レイアウトは、
どういう⽅に、何を⾒ていただきやすく・お買い求めいただきやすい意図があるか。
コーヒー提供、BGMなど、ゆったり過ごしやすい環境を作れているか。

View Slide

店内のお客さまの動きとして
⼊店が憚られていないか︖
どこに⼈が集まり、
どのくらい店内に滞在されている︖
フリーのお客さまが⼊りやすい環境かを⼊店率（⼊店数 / 店外通⾏量）で、
主要動線と⼈が集まる箇所・滞留する箇所をヒートマップなどで⾒て、
⼈流から⼈が通りやすい場所はどこか、滞留から何を⾒にこられている⽅が多いのか
消費者の⽅がそのお店を⾒て⼊って、どう動きやすく、何に興味を持たれているかを
データから理解する。

View Slide

結果、何を買われているか︖
店内⾏動と照らし合わせると︖
興味と購⼊の4象限で⽐較すると
「売りのばすポテンシャルがあるアイテム」が⾒えてくる。
また、併売状況と棚の位置を⾒て、棚の位置が遠いが併売率が⾼いアイテムは
どう提案して同じ棚におくとクロスセルがハマるかが⾒えてくる。
店内のお客さまの動きとして
⼊店が憚られていないか︖
どこに⼈が集まり、
どのくらい店内に滞在されている︖
フリーのお客さまが⼊りやすい環境かを⼊店率（⼊店数 / 店外通⾏量）で、
主要動線と⼈が集まる箇所・滞留する箇所をヒートマップなどで⾒て、
⼈流から⼈が通りやすい場所はどこか、滞留から何を⾒にこられている⽅が多いのか
消費者の⽅がそのお店を⾒て⼊って、どう動きやすく、
店内のどういうアイテムに興味を持たれているかを、データから理解する。

View Slide

興味（滞留）
多い
少ない
購⼊点数
多い
購⼊点数
少ない
⼈気ゾーン
他の商品とのクロスセル状況を⾒て
よりお客さまにお買い求めいただけるように
⼯夫を凝らせるゾーン。
ポテンシャルゾーン
⼈流が少ない場所に位置してここにあり、
指名買いアイテムではない場合は、
前出しするとより売れる可能性があるアイテムが
なむっている可能性が⾼いゾーン。
検証ゾーン
⼈流が少ない場所に位置してここにあり、
⼈気・ポテンシャルゾーンのアイテムがもつ
特徴を持つアイテムは前出しするなどの
検証ができるゾーン
位置転換ゾーン
多くの⼈が検討されるのに
あまり購⼊されない場合は
⼈気アイテムとの⽐較対象として残すか、
位置転換して間引くか検討できるゾーン。

View Slide

店舗内の⾏動ログを使ったリアル店舗収益の改善︓レイアウトに⽌まらず、スタッフの⾏動の標準化にも
180,000⼈
来店客数
6,000⼈/⽉
レジ客数
900⼈/⽉
客単価
¥4,000
売上
¥3,600,000
⽬標
×
=
2%
15%
180,000⼈
来店客数
3,600⼈/⽉
レジ客数
540⼈/⽉
客単価
¥5,000
売上
¥2,700,000
現状
×
=
1.2%
15%
300,000⼈
300,000⼈
スタッフの位置を⼊⼝付近から
xxxにすることで
⼊店率がx%改善し、
xx⼈/⽇の⼊店が増えた。
スタッフの接客場所が
この辺りの⽅が買上率がx%⾼く
平均顧客単価もx%⾼い。
スタッフの⾏動とも連動し
接客スタイルの
標準化も⾏える

View Slide

店舗内の⾏動ログを使ったリアル店舗収益の改善︓オンラインの⾏動ログを、オフラインの接客にも。
https://www.wwdjapan.com/articles/908558

View Slide

「良いモノを、広く届ける」流通改善に、分析はどのように寄与できそうか︖
早期の現状・課題把握と
クイックな店舗改善⽀援
⾏える状態に。
店内⾏動ログを使った
店内⾏動をデータポイントに、
活⽤して購買率・LTV改善に。
フリクションの少ない
ユーザー体験設計が肝になる。

View Slide

計測による現状・理想の把握は、
チームの⽬標の⽬線を合わせて
正しい改善サイクルを作る。

View Slide

まとめ︓分析は効率改善の⼿段にすぎず、AI* で処理されたデータを⼈がどう利益にするかが重要
˔ ⼿段「センシング」で「データ」が得られる。
＝⽬標に対して課題となる事柄が「なぜ起きているか」という因果の解釈に必要な情報を、
事実として複数⼈が共通で理解・把握でき、
「どう対策したら解消できそうか」という施策の実⾏速度・成功確率が上がりやすくなる利点。
˔ 現時点で、リアル店舗におけるAI はデータ取得・処理を効率的に⾏う技術にすぎず、
データを元に、利益を上げる考察・アクションは⼈の⼿による改善サイクルが必要不可⽋。
˓ 導⼊者側でデータを⾒た上で、より消費者の⽅にとって良い商品を、
より店舗環境で届けるという運⽤がされて、初めて活かされるものという前提が
マインドセットとして求められています。
˓ 参考）購⼊までの⾏動が全てデータになり、⼊店者ごとに表⽰内容・レコメンドなどを変えられるオンラインストアでは、
AIによる「半⾃動的な」売上改善が⾒込めますが、リアル店舗だと上記の特徴がなく、⼈による運⽤はより必要となります。
* 本義的には⼈⼯知能を差しますが、⽇本では「ソフトウェアの条件分岐」すらそう呼ばれるため、ここでは敢えて「裏側の⾒えないデータ処理部分全般」とします。

View Slide

2. たくさんあるサービスの中で、
どんなジャンルの何があって、
気をつけるべきポイントは︖

View Slide

属性推定
カメラ
広域
100m~
商圏分析
狭域
数cm~
店内特定地
買い切り⽉額
低⾼
通信会社
基地局データ
⼊店取得
カメラ
QR
NFC
1~2m ⼊店取得
カメラ
3~5m WiFi
Beacon
リピート推定
カメラ
1万~ 3万~ 5万~
店内全て
導線分析カメラ・
ToFセンサ
10万~

View Slide

属性推定
カメラ
広域
100m~
商圏分析
狭域
数cm~
店内特定地
買い切り⽉額
低⾼
通信会社
基地局データ
⼈数計測
カメラ
QR
NFC
1~2m ⼈数計測
カメラ
3~5m WiFi
Beacon
リピート推定
カメラ
1万~ 3万~ 5万~
店内全て
10万~
ToFセンサ

View Slide

上体で検知・取得
カメラの取得の仕組み
顔で検知・取得線・ゾーンで検知・取得

View Slide

顔で検知・取得
⼊店から属性推定・リピート推定まで幅広く使われており、
顔のデータを使って、以下のようなことを⾏ってくれます。
・⼈を検知してカウント
・男⼥・性別・感情を推定
・過去に来店しているかリピートを推定
マスクなどをしていたり、正⾯から顔を取れない場合には
データを取得できない課題があり、
施⼯時の画⾓調整に注意が必要なジャンルです。

View Slide

上体で検知・取得
天井⾼が⾼く顔が検知できない場合に⼈数カウントで⽤いられたり
顔・髪・服装の特徴を捉えて、
店内の導線⾏動を取得するときに⽤いられます。
顔よりも画⾓調整なしで検知できる確率が上がるほか、
導線取得の場合はカメラ間を跨いで、
ひとりの⼈を正確に計測し続けられるものもありますが、
属性などの推定精度が下がる為、
属性推定とは別で設置する必要がよく出ます。

View Slide

線・ゾーンで検知・取得
商業施設⼊⼝などにある⼀般的な⼈数計測カメラは、
この⽅式が多いです。
⼈数計測の買い切りモデルはこのカメラジャンルに多くあります。
線での⼊退店計測になるので、
ひとりの⼈が複数回⼊っても複数⼈扱いになってしまう
「のべ⼈数カウント」であることと、
「属性などの推定は基本⾏えない」ところが弱点。

View Slide

全カメラに共通する注意点
統計処理化される前提ではあるものの、
来店者を録画し、動画データをベンダーDB上に格納するなど、
事業者として個⼈情報の取り扱いに留意する必要があります。
この運⽤について、ベンダー側でもケアされていますが、
ベンダーとの契約書⾯上にも個⼈情報保護に関しては
事業者側の責任にて執り⾏われる記載があるので留意まで。
経済産業省「カメラ画像利活⽤ガイドブック ver2.0」
https://www.meti.go.jp/press/2017/03/20180330005/20180330005-1.pdf

View Slide

全カメラに共通する注意点
● 値下げ交渉は基本的にボリュームディスカウントが効く設定になっていますが、
DBに動画データを⼀定保存して解析処理する場合、サーバーコストがベンダー原価率を上げるため、
エッジデバイスの⽅が⽐較的、価格を下げやすい傾向にあります。
● ⼀⽅で、録画モデルの場合、あとで録画データに対して
機械学習を⽤いて店内⾏動のイベント取得などが⾃由度⾼く⾏えます。
エッジデバイス側では、カメラデータの集計モデルをデバイス側に持つことになるので、
集計モデルが変えやすいか（動画データに対して集計するものをあとで増やせるか）が
重要なポイントになります。

View Slide

属性推定
カメラ
広域
100m~
商圏分析
狭域
数cm~
店内特定地
買い切り⽉額
低⾼
通信会社
基地局データ
⼈数計測
カメラ
QR
NFC
1~2m ⼈数計測
カメラ
3~5m WiFi
Beacon
リピート推定
カメラ
1万~ 3万~ 5万~
店内全て
10万~
ToFセンサ

View Slide

選定・確認ポイント - ⼈数計測カメラ
● 特定の位置にいる⼈の数をカウントし、その場に留まっている時間も計測します。
店舗外通⾏量・⼊店数や、⼊⼝棚など、複数の場所の数値を1つのカメラで計測できる種類のものが
コストパフォーマンスがよくおすすめです。
● 「顔」は画⾓によって著しく⼈の検知率が低くなるので、
「上体」または「線・ゾーン」で正確に計測ができるサービスをお勧めします。
● 「買い切り」と「サブスク」がありますが、
○ ⾃社でカメラデータをサーバへ送ることができる場合は「買い切り」で良さそうです。
1台あたり売値で約 20 万円程度ですが、ボリュームディスカウントが効きます。
○ そうでない場合は、「サブスク」のダッシュボードを活⽤する形になりますが、
「台数あたり課⾦」が⼤きくなるのが難点。
● 「上体」の場合も、「線・ゾーン」より途切れることがありますので、
実数を⼿集計して、システム集計と⽐較いただき、問題がある場合、調整いただけるか、
事前に確認しておいても良さそうです。

View Slide

選定・確認ポイント - 属性推定カメラ
● 推定結果は「性別・性別」「⾝⻑」などで、
○ 男⼥⽐・年代⽐が⼤きく変わらないのであれば、
店舗スタッフの⽅がMDとフィットしているか定性的な確認でも⼗分かもしれません。
○ 複数の⽅向けのMDを有していたり、店内で様々な⽅向けのポップアップなどを⾏うなど、
店内に様々な属性の⽅が来られる構成の場合は、あるとMDと属性のフィット具合が図れます。
● 「顔」や「上体」で推定を⾏いますが、前述の通り、⼈の検知率が画⾓とロジックで変わります。
○ 50%しか検知してなかったとして、その検知した⼈たちに偏りがあると、
推定結果の分布・⾒⽅も変わるので、どのくらい検知できているか確認した⽅が良いです。
● 属性推定精度も事前にデモでどの程度の属性の推定精度なのか確認して、
その精度が信頼できそうか事前に確認してから契約を結ぶことをお勧めします。
○ 推定系は契約上、「精度保証をしない」「年間契約が多く途中解約・返⾦なし」が多い為
計測後に信⽤できないデータとなってもお⾦を払い続ける必要が出ます。
○ 外資系ベンダーだと、アジア⼈の年齢が若く出るなど、
学習内容に応じて、結果が変化するので事前チェックは肝⼼です。

View Slide

● 「店舗のリピート率, 再訪状況を推定するもの」で、個客の特定はしない前提で設計されています。
個客のフォローアップに使いたい際は、事前許諾を取った上で顔認証を推奨します。
● 「顔」で推定を⾏いますが、前述の通り、⼈の検知率が画⾓とロジックで変わります。
○ 50%しか検知してなかったとして、その検知した⼈たちに偏りがあると、
リピート率の分布・⾒⽅も変わるので、どのくらい検知できているか確認した⽅が良いです。
● 属性推定同様、事前にデモでどの程度の属性の推定精度なのか確認して、
その精度が信頼できそうか確認してから契約を結ぶことをお勧めします。（属性推定より⾼い。）
○ 推定系は契約上、「精度保証をしない」「年間契約が多く途中解約・返⾦なし」が多い為
計測後に信⽤できないデータとなってもお⾦を払い続ける必要が出ます。
○ マスク、髪型でリピート判定できないこともあるので、どこまでケアできるか
デモ検証させてもらうことで事前に精度検証した⽅が良さそうです。
● カメラ利活⽤ガイドブック上で、リピート計測の保存期間を明⽰することが推奨されており、
ベンダーにリピート判定される保存期間を質問しておくとリピート期間限界が分かります。
選定・確認ポイント - リピート推定カメラ

View Slide

選定・確認ポイント - 導線分析カメラ・ToFセンサー
● 店内でのお客様の⾏動を全て補⾜でき、⼈流・滞留の強弱が分かります。
またスタッフなどの動きも把握でき、接客などのイベントも特定可能です。
● カメラの場合は、上体の動画データを仮想的につなぎ合わせて、導線を作る仕組みで、
ToFセンサーはレーザーによる光の反射により、画⾓内の物体・⼈間の動きを⽴体的に取得しています
● 天井⾼が低いほど、カメラやToFセンサーの取得領域は狭まり、
店内の広さが広いほど、カメラの設置台数が増えるため、
天井⾼・図⾯は事前共有した上で、台数と⾒積もりを先にもらっておくと
店舗での収⽀が合うか検討できるのでおすすめです。
○ 店舗が広すぎるなど、収⽀が合わない場合、主要導線を特定した上で、
⼈数計測カメラで点のデータを取るだけでも⼗分、機能します。
○ ToFセンサーは⼈数計測だけでも使えます。
● カメラもToFも障害物に弱く、設置位置を調整する必要が出る恐れがあります。
● ToFは店内にサーバーを設置する必要が多く、留意ポイントとして上がります。

View Slide

属性推定
カメラ
広域
100m~
商圏分析
狭域
数cm~
店内特定地
買い切り⽉額
低高
通信会社
基地局データ
⼊店取得
カメラ
QR
NFC
1~2m ⼊店取得
カメラ
3~5m WiFi
Beacon
リピート推定
カメラ
1万~ 3万~ 5万~
店内全て
導線分析
カメラ・⾚外線
10万~

View Slide

Beaconの取得の仕組み
AppからのiBeaconが⼀般的
Beaconの取得範囲にAppを持つ⼈が⼊ったときに、
Beacon端末からAppに対して、
イベントという形でデータが送られる仕組み。
⼀時期、盛り上がっていたが、
- Appダウンロードの壁
- 位置情報許諾の壁（⼀般的に10~20%程度）
と壁が多く、Appダウンロード数が多いLINEさんくらいしか
実質的に機能しない状態。

View Slide

Beaconの取得の課題
https://japanese.engadget.com/2019/06/09/ios-13/
iOS / Android共に最新OSでは位置情報の常時共有される状態を
ユーザーに確認してもらうようにアップデート。
プライバシー保護の⽴ち位置をとっており、
インセンティブが⼤きくないと基本的には難しい状態に。

View Slide

WiFiの取得の仕組み
Probe Request
スマートフォンやPCが接続可能なWiFiを探すときに、
WiFiのアクセスポイントに対して、「Probe Request」という
端末情報を⼀時的に送付する挙動が発⽣します。
WiFiを使ったセンシングはこのデータを⽤いたもので、
Beaconと異なり、Appダウンロードも事前許諾もない状態で
WiFiONであればで、統計データとして取得できる点がポイント。
※⼀般的に、60%程度がONと⾔われている。
また、カメラよりも設置場所が柔軟で、
必ずしも天井につけなくても良い。

View Slide

WiFiの取得の課題
Probe Requestには3つの課題があり、
1. いつProbe Requestを送るかはOSが制御しており、
Sleep状態など通信が発⽣しない状態ほど、
リクエストを送る頻度は下がる。
2. Requestを送る際にMacアドレスを送るが、
過去に接続済ではない限り、iOS/Android共に
ランダムなMacアドレスを送るため、
リピート率は正確に取得できない。
3. 店舗にあるiPadなどWiFiにつながる端末も反応してしまう
端末に依存する問題のため、
来店者に対して正確な取得率がわかりづらい。
Probe Request

View Slide

● 技術的な課題は個々にあり、これを知った上でベンダーの⽅々と接した⽅が
適切な導⼊へとつなげることができる。
● 「平均滞在時間」「推定属性の割合」などの統計量は、
その収集状態を正確に把握しないと、正しいデータになっていないことが多く、
ここは選定時点でしっかりベンダーの説明を求める部分となっている。
○ WiFiあるある
■ 店内のiPadのデータが含まれていて、店内滞在時間が過剰に⻑くなる
■ 設置位置の電波⼲渉度が⾼く、適切に店内に電波が⾏き届かない結果、
店内の滞在時間が正確に計測されていない状態に
○ カメラあるある
■ 画⾓調整がしっかりできていない結果、通⾏量の数%程度しか取得できておらず、
属性分布の偏りが実態と⼤きく乖離している。
カメラ・WiFi何れにしても...

View Slide

● 事業者が原理や技術的な限界、それを⽤いた組織改善がどこまでできるかを理解した上で、
個々の組織の課題に合わせて、フィットさせていくことが⼤事だと考えます。
○ リテールテック、DX、AI…
バズワードになりやすいHOWほど、⾜下ついた議論と推進を。
● その上で、私の話も過渡期のなかの⼀例にすぎません。
この⼿の話に興味がある⽅、Q&Aでぜひご質問いただければ︕ランチMTGも歓迎です︕
● 個⼈的に、データを使って消費者にとってより良い⼩売環境をどう作るかに強く興味があります。
導⼊の相談、検討ポイントなど、お気軽に連絡ください。
まとめ︓事業者のリテールテックの仕組み理解はとても重要
@mizuki_takenobu mizuki.takenobu

View Slide

AI カメラや WiFi, beacon 行動分析、ぶっちゃけどうなの？利用者が語るリアル店舗におけるデータ活用入門 / An introduction to using data in real stores as told by users

AI カメラや WiFi, beacon 行動分析、ぶっちゃけどうなの？利用者が語るリアル店舗におけるデータ活用入門 / An introduction to using data in real stores as told by users

Mizuki Takenobu

More Decks by Mizuki Takenobu

Other Decks in Business

Featured

Transcript

AI カメラや WiFi, beacon 行動分析、 ぶっちゃけどうなの？ 利用者が語るリアル店舗におけるデータ活用入門 / An introduction to using data in real stores as told by users

AI カメラや WiFi, beacon 行動分析、 ぶっちゃけどうなの？ 利用者が語るリアル店舗におけるデータ活用入門 / An introduction to using data in real stores as told by users

Mizuki Takenobu

More Decks by Mizuki Takenobu

Other Decks in Business

Featured

Transcript

AI カメラや WiFi, beacon 行動分析、ぶっちゃけどうなの？利用者が語るリアル店舗におけるデータ活用入門 / An introduction to using data in real stores as told by users

AI カメラや WiFi, beacon 行動分析、ぶっちゃけどうなの？利用者が語るリアル店舗におけるデータ活用入門 / An introduction to using data in real stores as told by users