Pojęcie homomorfizmu
Pojęcie homomorfizmu, wywodzące się od greckiego terminu homoios morphe (tj. podobna forma), służy do opisania zjawiska, w którym odpowiadające sobie elementy dwóch systemów zachowują się bardzo podobnie w połączeniu z innymi odpowiadającymi im elementami. W kontekście handlu detalicznego zasada ta odnosi się do relacji między zachowaniami zakupowymi w sklepach stacjonarnych a zachowaniami zakupowymi w sklepach internetowych.
Ramy homomorfizmu firmy Footprints for Retail
„Homomorfizm” to zaawansowana platforma oparta na sztucznej inteligencji firmy Footprints for Retail, która umożliwia jej unikalnej technologii wzbogacanie dowolnej internetowej bazy danych, na poziomie poszczególnych użytkowników, o cechy charakterystyczne ich zachowań zakupowych w sklepach stacjonarnych. Dane dotyczące zachowań w sklepach stacjonarnych oraz klasteryzacja na podstawie podobieństw stanowią najcenniejszy rodzaj danych dla internetowej reklamy behawioralnej i automatyzacji marketingu. Footprints for Retail klasyfikuje subtelne zachowania zakupowe w sklepach stacjonarnych do wielowymiarowych klastrów (do 48 różnych wymiarów danych behawioralnych), a następnie dopasowuje te klastry do ich internetowych „bliźniaków”. Ten probabilistyczny model atrybucji generuje bezprecedensowe korzyści dla marketerów i reklamodawców współpracujących z markami handlu stacjonarnego i realizujących cele związane z tym sektorem. Pozwala on na kierowanie kampanii do bardzo konkretnych segmentów behawioralnych w celu zwiększenia częstotliwości wizyt, czasu trwania wizyt oraz liczby sklepów odwiedzanych podczas jednej wizyty w danym centrum handlowym.
Analityka detaliczna: podstawa homomorfizmu
Sekcja Retail Analytics w ramach platformy Footprints for Retail odpowiada za gromadzenie danych dotyczących zachowań offline, które są niezbędne dla modelu homomorfizmu. Oparta na najnowocześniejszych technologiach i charakteryzująca się wysoce skalowalną architekturą, platforma Footprints Retail Analytics przekształca surowe dane lokalizacyjne w dokładne i znaczące wnioski.
Podejście architektoniczne i szczegóły techniczne
Architektura Footprints Retail Analytics opiera się na modelu zdecentralizowanym, z centralnym węzłem dystrybuującym dane oraz niezależnymi węzłami, po jednym dla każdego budynku (lokalizacji). Takie podejście zapewnia nieograniczoną skalowalność, z jedną maszyną wirtualną (VM) lub kontenerem Docker na lokalizację, lub dowolną liczbą maszyn wirtualnych dla jednej, dużej lokalizacji.
Stos technologiczny obejmuje system operacyjny oparty na Linuksie (Ubuntu), język programowania Node.js, bazę danych NoSQL MongoDB do przechowywania danych oraz bazę danych w pamięci Redis do szybkiego przetwarzania danych.
Prywatność danych i zgodność z przepisami
Dane gromadzone w ramach platformy Footprints for Retail są przetwarzane na trzy różne sposoby, w zależności od pożądanej konfiguracji systemu:
- Całkowita anonimizacja adresów MAC, w ramach której każdy zebrany adres MAC jest w pełni zaszyfrowany po zakończeniu wizyty w budynku, a rzeczywisty adres MAC nigdy nie jest zapisywany w bazie danych.
- Częściowa anonimizacja adresów MAC, w której adres MAC jest pseudonimizowany, a następnie częściowo zaszyfrowany, co pozwala na śledzenie tego samego zaszyfrowanego adresu MAC podczas kolejnych wizyt, zapewniając jednocześnie wysoki poziom prywatności.
- Brak anonimizacji adresów MAC, co pozwala w pełni wykorzystać możliwości raportowe systemu, w tym tworzenie różnych raportów dotyczących częstotliwości i aktualności wizyt unikalnych lub powracających gości.
System oferuje również konfigurowalną politykę usuwania danych, taką jak automatyczne usuwanie danych po upływie jednego roku, aby zapewnić zgodność z przepisami dotyczącymi prywatności, takimi jak Ogólne Rozporządzenie o Ochronie Danych (RODO).
Chcesz zobaczyć, jak to działa w praktyce?
Footprints AI pomaga markom i sprzedawcom detalicznym mierzyć to, co naprawdę ma znaczenie. Zapoznaj się z historiami sukcesów naszych klientów lub skontaktuj się z nami, aby omówić swoją strategię w zakresie Retail Media.
