Computer Vision: ¿Cómo las computadoras ven nuestro mundo?

Sin lugar a duda, el auge de la Inteligencia Artificial ha dado paso a la era de la automatización. ¿Inteligencia Artificial? Sí, este campo encargado de dotar de inteligencia a las máquinas mediante modelos matemáticos está generando grandes avances (automatizaciones) en diferentes sectores económicos, uno de estos avances está ligado al análisis y clasificación de imágenes a gran escala.

En tal sentido, muchas empresas están invirtiendo en el uso de esta herramienta para implementar automatizaciones en sus procesos. Por ejemplo, Google tiene un equipo dedicado exclusivamente al desarrollo de algoritmos de machine learning con el fin de personalizar la experiencia de los usuarios que usan sus servicios, un caso de ello es Gmail el cual tiene un algoritmo capaz de detectar correos spam. Así también, Facebook cuenta con un área de investigación en inteligencia artificial, siendo su principal contribución un algoritmo para la detección y etiquetados de personas.

Sin embargo, el machine learning no solo se apoya en los algoritmos de aprendizaje sino también en otras disciplinas como Natural Language Processing, que abarca el entendimiento del lenguaje humano, para el desarrollo de chatbots, Speech Recognition, encargada del entendimiento del habla, para el desarrollo de agentes que puedan comunicarse con las personas y Computer Vision, que realiza el procesamiento de imágenes, para el desarrollo de agentes de detección y clasificación de imágenes.

Algoritmo interno de detección de imágenes. Fuente: Neurometrics Lab.

Es por ello que la intersección entre machine learning y computer vision tiene mucho potencial para la investigación de mercado. Por ejemplo, permite el reconocimiento de microexpresiones faciales de las personas frente a un estímulo digital. Esto conlleva a comprender de una manera más detallada la percepción de los consumidores frente a un escaparate o productos ofrecidos en una tienda online.

Bienvenidos a la era de la automatización.

Entendiendo las preferencias del shopper a través de la atención visual

El objetivo general del caso de estudio fue analizar el comportamiento del shopper en su proceso de intención de compra en el punto de venta para la categoría de cuidado para el cabello y brindar información relevante a nuestro cliente L’Oreál para trabajar sobre su estrategia de marketing.

¿Qué preguntas de negocio apuntábamos a responder con la información recogida a través del estudio y la aplicación de tecnología de seguimiento ocular (eye-tracking)?

  • ¿Qué relación existe entre la atención visual y la intención de compra en el punto de venta?
  • ¿Cuánto tiempo de atención visual le destina el shopper a la categoría de Hair Care?
  • ¿Está mi marca siendo vista por los shoppers en el punto de venta?
  • ¿Cómo es la interacción con el empaque?
  • ¿Cuánto tiempo de atención visual le dedica el shopper a leer la información del empaque?
  • ¿Los compradores de otras marcas están viendo mi producto?
  • ¿Qué otras marcas están mirando los compradores de mi marca?
  • ¿Es relevante el precio para la categoría?
  • ¿Es relevante el material de publicidad en el punto de venta para generar intención de compra?

Se analizó una muestra conformada por 40 participantes mujeres en una tienda de supermercado de Lima y algunos de los principales resultados se describen a continuación:

1. A mayor atención visual del consumidor hacia una marca de champú específico, mayor será su intención de compra.

Packaging Engagement & Purchase Intention. Fuente: Neurometrics

2. A mayor atención visual del consumidor hacia el precio de una marca de champú, mayor será su intención de compra.

“85% de los shoppers miraron el precio y le dedicaron el 27% del tiempo total de atención visual en la góndola”

3. Las marcas tuvieron entre  0.5 y 3 segundos para llamar la atención inicial del shopper a lo largo de la góndola y el shopper no recorre necesariamente el pasillo completo.

4. Las marcas tienen menos de 10 segundos para dar a conocer el portafolio y las características relevantes a través del empaque.

Mapa de atención visual en góndola. Fuente: Neurometrics
Seguimiento ocular en góndola. Fuente: Neurometrics

5. Del total de participantes que no seleccionó una determinada marca, cerca de la tercera parte NO vio esa marca en el punto de venta, a pesar de estar exhibida.

Capture Switch In – Action Visibility. Fuente: Neurometrics

Contar con Biometrical In-Store Analytics que complementen el entendimiento del cliente a través de distintas fuentes de información, permite agregarle distintos ángulos a la estrategia de marketing y tomar acciones concretas y accionables para mejorar la efectividad.

Estudio realizado en Junio de 2018.