Sanotaan se ääneen: data valehtelee. Se on puutteellista, virheellistä ja biasoitunutta. Toki data usein on riittävän hyvää tarkkoihinkin analyyseihin, mutta toisinaan visuaalinen analytiikka on ainoa keino saada luotettavaa informaatiota.
Videoanalytiikassa datavirta puretaan kuviksi, joita analysoidaan koneoppimisen menetelmin. Kuvista voidaan tunnistaa laatupoikkeamia, hahmoja ja jopa mielialoja hyvinkin tarkasti. Videoanalytiikka ei myöskään rajoitu pelkästään näkyvän valon aallonpituuksiin. Videoanalytiikalla voi tunnistaa esimerkiksi lämpövuotoja.
Videoanalytiikka jo itsessään avaa paljon mahdollisuuksia. Kun videodatan lisäksi analysoidaan dataa muista lähteistä, esimerkiksi sensoridataa ja sijaintitietoa, voidaan toteuttaa ennen näkemättömiä sovelluksia.
Ihmisten ja tunnetilojen analysointi
Videoanalytiikalla voidaan tunnistaa henkilön mieliala hyvinkin tarkasti. Kone tunnistaa ns. mikroilmeet, joten sitä ei voi hämätä esimerkiksi väkisin hymyilemällä. Videoanalytiikka arvioi myös varsin tarkasti sukupuolen ja iän. Tätä voidaan käyttää vaikkapa asiakasjakauman analysointiin myymälässä tai kauppakeskuksessa ja reaaliaikaisten tarjousten kohdentamiseen myymälän sisällä. Asiakkaan tunnetilan huomioimalla voidaan ajoittaa asiakasviestintä oikeaan hetkeen tai tunnistaa ne kohdat, joissa asiakkaat kyllästyvät ja lähtevät myymälästä tai kauppakeskuksesta.
Ennen kuin foliohatut vauhkoontuvat, on syytä todeta, että kuvatunkaltaiset ratkaisut eivät vaaranna yksilön tietosuojaa millään tavalla. Ne ovat täysin tiukan GDPR-säännöstön mukaisia. Henkilöitä ei nimittäin tunnisteta, itse asiassa videokuvaa ei edes tallenneta. Videokuvasta kerätään datapisteitä, joita ei mitenkään pysty kohdistamaan tiettyyn henkilöön, ja itse videodata hävitetään. Riittävää määrää datapisteitä analysoimalla voidaan selvittää hahmojen todennäköinen sukupuoli, ikä, tunnetila, ym.
Turvallisuus
Yksi videoanalytiikan sovellus on turvallisuuden valvonta. Työmailla analytiikka voi reaaliajassa valvoa onko kaikilla vaarallisilla alueilla liikkuvilla riittävä turvavarustus, kuten kypärä päässä. Videoanalytiikka voi myös tunnistaa liikkuuko ihmisiä alueilla, joille kenelläkään ei pitäisi olla mitään asiaa.
Liikennevalvonnassa videoanalytiikka voi paljastaa riskipaikat, tehdä liikennemäärien laskentaa ja esimerkiksi valvoa automaattisesti, ettei moottoriteille eksy villieläimiä.
Videoanalytiikalla voi myös tunnistaa aseet. Tämä mahdollistaa tehokkaan valvonnan ja nopean reagoinnin, jos julkisella paikalla tai väkijoukossa tunnistetaan esimerkiksi veitsi, pistooli tai astalo. Tunnetiloja analysoimalla videoanalytiikka voi myös tunnistaa automaattisesti hermostuneet tai agressiiviset henkilöt, jotka mahdollisesti ovat turvallisuusuhka.
Laadunvalvonta
Videoanalytiikalla voidaan valvoa tuotantolinjoilta tulevien tuotteiden laatua. Kone tunnistaa pienetkin laatupoikkeamat tarkemmin kuin ihmissilmä. Videodatan ja tuotantolinjan sensoridatan analysointi mahdollistaa erittäin tarkan laadunvalvonnan ja laatupoikkeamien tunnistamisen. Erityisesti tuotannossa, jossa korkea laatu on kilpailuetu, voi videoanalytiikka tuoda merkittävän hyödyn.
Tarkka paikannus
GPS-paikannus ei ole riittävän tarkka ja luotettava joka tilanteeseen. Silloin, kun tarvitsee paikantaa autonomisia, mahdollisesti hyvinkin nopeasti liikkuvia laitteita äärimmäisen tarkasti ja luotettavasti, tarvitaan sensorifuusioanalytiikkaa. Tämä tarkoittaa kansantajuisesti sanottuna sitä, että paikannukseen käytetään useita eri datalähteitä, joista saatavia datavirtoja analysoidaan reaaliajassa. Datalähteinä voidaan käyttää magneettipaikannusta, videokuvaa ympäristöstä ja satelliittidataa. Mikään tunnettu paikannusmenetelmä ja datalähde ei nimittäin toimi luotettavasti kaikissa olosuhteissa ja paikoissa. GPS-paikannus ei toimi tunneleissa, videoanalytiikka pettää lumipyryssä ja magneettipaikannus häiriintyy helposti. Useita datalähteitä ja menetelmiä yhdistämällä ei koskaan jouduta hukkaan kovassakaan paikassa.
Automaattinen video- ja sensorifuusioanalytiikka on ylivoimainen ihmisen suorittamaan analysointiin verrattuna. Kone on tarkka, väsymätön eikä tee virheitä. Tai jos tekee, se tekee saman virheen systemaattisesti uudestaan samanlaisessa tilanteessa, jolloin virhe voidaan paikantaa ja korjata.
Ihminen ei ole yhtä tarkka, tekee virheitä, tulkitsee tilanteita eri tavalla eri ajan hetkillä vireys- ja tunnetilasta riippuen ja väsyy.
Se, mikä eilen oli koneelle mahdoton tehtävä, on sille tänä päivänä rutiinia. Esimerkiksi rekisterinumerojen tunnistaminen OCR-tekniikalla on nykyään käytössä "jokaisessa" parkkihallissa, eikä kukaan jaksa enää asiaa ihmetellä. Niin nopeasti uudesta kilpailuedusta tulee kuluttajille itsestäänselvyys. Älä jää jälkeen, ota meihin yhteyttä 🙂
Haluaisitko tietää lisää siitä, miten videoanalytiikkaa hyödynnetään asiakaskokemuksen kehittämisessä?
Videoanalytiikan webinaarisarjamme ensimmäisessä osassa keskustelemme videoanalytiikan roolista asiakasanalytiikassa. Mukana on todellisia ja testattuja käyttötapauksia ja lisäksi annamme vinkit onnistuneeseen projektiin. Pääset katsomaan tallenteen alta:
Avainsanat: Analytiikka, Tekoäly, Edistynyt analytiikka, Videoanalytiikka