Indoor localization systems for retail stores: an artificial intelligence location analytics approach

Abstract

Η συμπεριφορά του καταναλωτή μέσα στο κατάστημα αποτελεί ερευνητική περιοχή ενδιαφέροντος για περισσότερα από 60 χρόνια με στόχο να εντοπίσει διάφορα μοτίβα που μπορούν να προσφέρουν αξία. Η κατανόηση της συμπεριφοράς του καταναλωτή μπορεί να οδηγήσει σε σημαντικές πληροφορίες για τους λιανέμπορους και να ενισχύσει την εμπειρία των καταναλωτών μέσα στο κατάστημα.Παρά τη δημοτικότητα της Χωρικής Αναλυτικής και των υπηρεσιών βάσει τοποθεσίας, και οι δύο αντιμετωπίζουν ένα κοινό πρόβλημα, την ακρίβεια του μηχανισμού εντοπισμού που χρησιμοποιούν. Για την αντιμετώπιση των ερευνητικών ερωτημάτων της παρούσας διατριβής, (α) υιοθετούμε ως μεθοδολογική προσέγγιση το μοντέλο Design Science, (β) αναπτύσσουμε ένα σύστημα εντοπισμού θέσης για εσωτερικά περιβάλλοντα και (γ) υιοθετούμε μια προσέγγιση μηχανικής μάθησης που εκτελεί εντοπισμό θέσης. Συνοπτικά, σχεδιάζουμε και αναπτύσσουμε ένα σύστημα που παράγει και επεξεργάζεται δεδομένα σήματος και αναπτύσσουμε μια προσέγγιση μηχανικής μάθησης για τον εντοπισμό θέσης που μπορεί να εφαρμοστεί σε χωροχρονικά δεδομένα από συσκευές Διαδικτύου των Πραγμάτων (IoT). Αξιολογούμε δύο διαφορετικές ασύρματες τεχνολογίες ((α) Wi-Fi και (β) Bluetooth Low Energy Beacons) και εφαρμόζουμε τεχνικές τεχνητής νοημοσύνης για την αντιμετώπιση των ερευνητικών ερωτημάτων. Επιπλέον, για την αντιμετώπιση των ερευνητικών ζητημάτων προτείνουμε ένα artifact συστήματος το οποίο είναι υπεύθυνο για τη δημιουργία, την καταγραφή και την επεξεργασία των δεδομένων για τον εντοπισμό θέσης σε εσωτερικά περιβάλλοντα. Το αποτέλεσμα της προτεινόμενης προσέγγισης είναι η θέση του χρήστη της ασύρματης υποδομής μέσα στο κατάστημα. Εφαρμόζουμε αυτήν την προσέγγιση σε δύο διαφορετικές περιπτώσεις. Η πρώτη περίπτωση αφορά την τεχνολογία BLE Beacons, ενώ η δεύτερη αφορά τεχνολογία Wi-Fi. Στη συνέχεια αξιολογούμε τα ευρήματα χρησιμοποιώντας τεχνική αποτίμηση της επίδοσης της και επίσης εξετάζουμε την επιχειρηματική ερμηνεία των αποτελεσμάτων. Για το σκοπό αυτό, αξιοποιούμε την αξιολόγηση βάσει δεδομένων και την αξιολόγηση βάσει χρηστών, προκειμένου να αξιολογήσουμε τα αποτελέσματα της προσέγγισης εντοπισμού θέσης. Τέλος, παραθέτουμε μια σειρά πρακτικές εφαρμογές με βάση τη διάσταση της θέσης.

Shopper in-store behavior has been an area of interest for more than 60 years, trying to uncover patterns of shopper behavior. Although, shopper behavior is easier to be examined in digital environments, the physical stores draw more attention over the years due to the evolution of technology and the modern tools provided for examining in-store shopper behavior, powered by location analytics.Despite the popularity of location analytics and location-based services, they both face a similar problem; i.e. the accuracy of the localization mechanism they use. The indoor positioning issue appears in the relevant literature as a very challenging one and the achievement of high localization precision is a common objective shared by various scholars. In the context of this thesis a system artifact and machine learning indoor positioning approach are proposed that aim at extracting effectively the position of a user in an in-store retail environment. To this end, this dissertation aims to answer the following research questions: (i) How can we perform efficient indoor positioning from spatiotemporal data? and (ii) How to develop indoor positioning systems?To address these research questions, (a) we adopt as methodological backbone the design science paradigm, (b) deploy an indoor positioning system and (c) consider a machine learning approach that performs indoor positioning as outcome of this study. We assess and apply the approach on two different wireless technologies (i.e. Wi-Fi and Bluetooth Low Energy Beacons) and apply Artificial Intelligence techniques to address the research questions. We then evaluate the findings from each case using technical evaluation and examine the business interpretation of the outcomes. To this end, we utilize data-driven and user-based evaluation in order to assess the results of the indoor positioning approach. Finally, we present the theoretical and practical implications of this study.