在零售分析领域，准确性始于一个关键原则：将员工数据与顾客客流量数据区分开来。 FootfallCam我们采取了以隐私为先、人工智能驱动的方法来应对这一挑战——使用 重新识别（Re-ID）技术 排除不需要徽章、可穿戴设备或手动交互的工作人员。
这篇文章解释了这种方法背后的原理、我们如何训练我们的模型，以及我们的解决方案背后经过验证的准确性——已经在全球数千家商店部署。
为什么员工排除很重要
在任何商店，每天的客流量很大一部分来自员工，而非顾客。进出的店员、检查货架陈列图的销售员、清洁工和保安人员都会出现在传统的客流统计系统中。如果没有适当的排除措施，您的关键零售KPI就会出现偏差：
- 转换率虚高
- 误导性的区域级停留时间
- 高峰时段分析不正确
- 无效的热图和旅程路径
结果呢？错误的数据会导致错误的决策。
这就是为什么 FootfallCam 使用 Re-ID——一种计算机视觉模型，可以识别一段时间内重复出现的运动模式，从而被动且匿名地区分员工和顾客。
Re-ID 在零售业的运作方式
Re-ID 不依赖于面部识别或个人身份识别。相反，我们的系统使用非 PII 视觉特征（例如身体轮廓、着装一致性、步态）来构建独特的运动特征。
如果某人一天内多次出现在不同区域或重新进入商店，系统就会将其标记为疑似工作人员。随着时间的推移，这些签名会变得更加可靠，从而能够自动从分析仪表板和导出数据中排除。
而且由于这是完全边缘处理的，所以不会有任何敏感镜头离开商店，并且所有身份都是匿名的。
模型训练和准确性
At FootfallCam我们使用来自超市、时尚连锁店、便利店和快餐店的 2 多万个零售视频片段训练了我们的 Re-ID 引擎——考虑到了照明、布局、天花板高度和制服政策的差异。
我们花了 3-6 个月的时间进行迭代训练和现场验证，以适应不同的门店模式来调整模型。目前，我们的基准准确率达到：
- 正确排除已知员工的准确率为 94–97%
- 错误排除实际购物者（通常是员工下班后购物）的比例不到 2%
该系统通过不断学习、适应新制服、季节性服装变化和商店特定的惯例而不断改进。
Re-ID 是唯一一种可以轻松扩展到整个零售连锁店、不需要改变行为并且在后台默默运行的方法。
始终保持隐私
我们的 Re-ID 系统完全符合 GDPR 规定。无需存储任何图像，也无法识别任何个人。只需对匿名活动进行模式匹配——这为长期存在的难题提供了一个干净、合乎道德的解决方案。
#footfallcam #peoplecounter #人数统计 #员工规划 #员工管理 ＃零售 #智能零售 #aianalytics #重新识别 #reiidtechnology