Strade principali del commercio al dettaglio intelligenti e senzienti

di Paul M. Torrens

1 Dipartimento di Informatica e Ingegneria, New York University, New York, NY 10012, USA
2 Centro per la scienza urbana e il progresso, New York University, New York, NY 10012, USA
Città intelligenti 2022 , 5 (4), 1670-1720; https://doi.org/10.3390/smartcities5040085
Ricevuto: 25 ottobre 2022 / Revisionato: 23 novembre 2022 / Accettato: 24 novembre 2022 / Pubblicato: 29 novembre 2022
(Questo articolo appartiene all'argomento Informatica urbana: dati, tecniche, strumenti e applicazioni )

Scaricamentotastiera_freccia_giù
Sfoglia le figure
Note sulle versioni

Abstract
Qui esaminiamo l’estensione dello smart retailing dai confini interni dei negozi, verso l’esterno, fino alle strade principali. Esploriamo come diverse tecnologie che uniscono l'intelligenza del commercio al dettaglio e il monitoraggio delle città intelligenti potrebbero fondersi nelle strade principali del commercio al dettaglio che sono sia intelligenti che senzienti. Esaminiamo i nuovi vantaggi che le vie principali del commercio al dettaglio intelligenti e senzienti offrono al percorso del cliente e come potrebbero trasformare l'influenza dei rivenditori sull'esperienza del cliente con una nuova portata agli spazi pubblici intorno ai negozi. Nel fare ciò, perseguiamo una triplice considerazione di questi problemi, esaminando la tecnologia che è alla base della vendita al dettaglio intelligente, i nuovi progressi nell’intelligenza artificiale e nell’apprendimento automatico che generano un livello di sensibilità a livello stradale e le opportunità per i rivenditori di mappare la conoscenza che tali tecnologie forniscono percorsi individuali dei clienti in ambienti esterni. La nostra esplorazione di questi problemi prende forma come una revisione della letteratura e l’introduzione della nostra ricerca per prototipare sistemi di vendita al dettaglio intelligenti e senzienti per le strade principali. Il tema del miglioramento dell'acutezza dei rivenditori nelle strade principali è molto attuale, poiché molti negozi delle strade principali hanno recentemente lottato per sostenere la clientela. Tuttavia, la produzione e l’applicazione di tecnologie intelligenti e senzienti con una risoluzione iperlocale del paesaggio stradale evoca alcune considerazioni che fanno riflettere sui diritti alla privacy degli acquirenti e dei pedoni in pubblico.
Parole chiave:vendita al dettaglio ; percorso del cliente ; apprendimento profondo ; realtà aumentata ; rilevamento


1. Introduzione

“La gente in strada/Per favore/La gente in strada/Per favore”

[ 1 ]
In questo articolo, esaminiamo la trasformazione in corso delle strade principali del commercio al dettaglio dal loro ruolo tradizionale di corridoi di attività urbana nei centri città e le descriviamo come ambienti recentemente intelligenti e saturi di tecnologia, sempre più cyber-fisici nella forma e nella funzione (Figura 1 ) . . In particolare, esaminiamo la crescente attitudine dei rivenditori a stabilire un grado di sensibilità – attraverso la percezione, la scoperta della conoscenza e la consapevolezza contestuale – delle attività e delle intenzioni dei potenziali clienti mentre si muovono lungo le strade principali. Tracciamo i precursori di queste capacità nelle tradizionali funzioni delle città intelligenti che affondano le loro radici nelle tecnologie di Internet e delle comunicazioni (ICT) e nel monitoraggio del paesaggio stradale, ed esploriamo quindi la loro fusione con strumenti di scoperta della conoscenza che sono stati pionieri per l'elaborazione al dettaglio dell'esperienza del cliente. Esaminiamo la tendenza sia delle tecnologie intelligenti che della sensibilità delle macchine a migrare inesorabilmente verso l'esterno, dall'ambiente chiuso dei negozi al dettaglio e verso i paesaggi stradali al di là, dove entrano in contatto e in sinergia con le funzioni fisiche delle strade principali come substrato per l'attività pedonale incarnata. . Seguiremo la tesi secondo cui varie condizioni consentono di distillare alcune delle capacità di monitoraggio e comunicazione delle città intelligenti in risoluzioni molto iperlocali del paesaggio stradale, dove possono poi essere attenuate con l’intelligenza contestuale (e spesso automatizzata) che raggiunge gli individui sui marciapiedi. In particolare, esaminiamo il ruolo della struttura del percorso del cliente, originariamente sviluppata per le operazioni di customer experience, nel consentire alle tecnologie senzienti di percepire e dare un senso al comportamento dei clienti nelle strade principali della vendita al dettaglio. È importante sottolineare che arriviamo alla conclusione che la comprensione dei rivenditori sul comportamento all'aperto può, in alcuni casi, corrispondere alla risoluzione che hanno affinato nei negozi e sulle piattaforme di commercio elettronico (e-commerce), con implicazioni potenzialmente positive per la creazione di comunità intelligenti di rivenditori e i cittadini, seppur mitigati da un’eventuale influenza negativa sulle attuali aspettative di privacy.

Figura 1. Aspetti della via principale del commercio al dettaglio intelligente e senziente.

Il termine smart retailing è forse piuttosto difficile da definire, come nel caso di molti fenomeni “smart” [ 2 ]. In generale, la vendita al dettaglio intelligente si riferisce all’uso delle tecnologie digitali per gestire i punti di contatto tra rivenditori e clienti. I punti di contatto possono manifestarsi in molti modi diversi nella vendita al dettaglio, sia nel luogo di pre-acquisto (ad esempio, pubblicità, acquisti comparativi, abbinamento dei prezzi); valutazione del prodotto (ad esempio, abbellimento dell'esposizione dei prodotti, suggerimento di abbinamenti di prodotti, up-selling di servizi di prodotto correlati); nel punto vendita (ad esempio, pagamento senza contatto, raccolta dei dati demografici dei clienti durante la transazione, generazione di coupon); o nei rapporti post-vendita (ad esempio, raccolta delle recensioni dei clienti, gestione delle garanzie, informazione delle campagne di marketing).

La nostra discussione inizialmente si espande sulla concettualizzazione dello smart retailing incentrata sui punti di contatto, per considerare anche un approccio combinato fisico e tecnologico alla gestione dell'intero percorso più ampio del cliente, che nel caso delle strade principali include in particolare e necessariamente una nuova interpretazione dei paesaggi di servizi all'aperto e non- pedoni dei clienti. Tratteremo il percorso del cliente in modo più dettagliato nella Sezione 5.6 , ma qui offriamo una definizione concisa. I percorsi del cliente rappresentano la codificazione da parte dei rivenditori delle esperienze dei clienti (e dei potenziali clienti) durante lo shopping, come percorsi attraverso i paesaggi dei servizi di vendita al dettaglio e i punti di contatto che il rivenditore e il cliente potrebbero co-creare mentre sono impegnati in tali percorsi. Una considerazione significativa è che questa codificazione è ora affidata abitualmente all’apprendimento automatico che opera su capacità di rilevamento avanzate [ 3 ]. Questo è un punto importante che vale la pena sottolineare: il percorso del cliente è nella sua essenza una leva gestionale per il rivenditore. Di solito si possono considerare i paesaggi dei servizi come l'ambiente fisico per la vendita al dettaglio, composto da strade principali come vetrine di negozi, oggetti e infrastrutture di vendita al dettaglio e pubblicità tangibile. Sempre più spesso, i servicescapes sono inoltre (e forse contemporaneamente) spazi informativi: di branding, e-commerce e applicazioni digitali che possono essere utilizzati per portare i clienti nelle strade principali per fare acquisti e per offrire loro esperienze cliente mentre sono lì. Consideriamo i punti di contatto come opportunità per l'azione, la reazione, l'interazione e la transazione del cliente da incorporare e incorporare [ 4 ] all'interno di tali scenari di servizi. E, in questo articolo, ci concentreremo principalmente sulla strada principale come scenario di quel panorama di servizi. Escludiamo quindi diverse componenti “back-of-house” dello smart retailing che riguardano, ad esempio, la gestione dell’inventario e del magazzinaggio, la logistica della fornitura e la dinamica dei prezzi. Tralasciamo anche il ruolo delle tecnologie intelligenti nell'e-commerce e le questioni correlate della gestione delle relazioni con i clienti.

Una delle tesi principali di questo articolo è che potremmo considerare il commercio al dettaglio senziente come una propaggine evolutiva del commercio al dettaglio intelligente. Avvieremo questa idea in modo più approfondito nella parte restante di questo documento (in particolare nella Sezione 4 ), ma qui offriamo la definizione di senziente nel senso che indica la capacità dei rivenditori, attraverso la tecnologia automatizzata in grado di generare dati e conoscenze empirici, non solo di monitorare strade principali del commercio al dettaglio attraverso vari mezzi di osservazione e rilevamento, ma anche per mappare tali osservazioni rispetto a un quadro di conoscenza estensibile. Un punto importante che solleviamo in questa discussione è che, a differenza delle città intelligenti, per le quali la scienza urbana fornisce la struttura più conveniente per la scoperta della conoscenza, nelle strade principali del commercio al dettaglio è il comportamento individuale dei clienti e dei potenziali clienti che fornisce gli ingredienti per stabilire una base di conoscenza. In effetti, sosterremo che l’uso di lunga data e ora piuttosto robusto del quadro del percorso del cliente derivante dall’analisi dell’esperienza del cliente fornisce una solida base ai rivenditori per costruire una sensibilità stradale e adattarla alle loro operazioni.

2. Strade principali del commercio al dettaglio
Le strade principali si manifestano nell’insieme di luoghi di attività, facciate di edifici, infrastrutture pedonali e media visivi che si formano lungo le arterie urbane in molte città. Potremmo considerare le strade principali come una forma speciale di paesaggio stradale, caratterizzata da una posizione centralizzata e altamente connessa in un’area urbana, o dalla loro capacità di offrire servizi urbani fondamentali come trasporti, amministrazione comunale e attrazioni turistiche. In alcuni casi, le strade principali sono pedonali, ma in altri includono anche marciapiedi con carreggiate e infrastrutture di transito come fermate di autobus e tram e parcheggi di taxi. Abbiamo una serie di ragioni per considerare le strade principali come obiettivo della nostra revisione. Una componente chiave delle strade principali sono i grandi volumi di pedoni diversi che attraggono. Le strade principali sono, forse più di ogni altra considerazione, caratterizzate dal fatto che solitamente sono piene di gente. Le strade principali sono quindi spesso considerate ed esaminate come una componente sociale critica di molte città, determinando diversi aspetti dell'economia, della cultura e del benessere locale [ 5 , 6 ]. In molti casi, le grandi comunità sono ancorate alle strade principali, da cui dipendono i residenti vicini per servizi, lavoro e trasporti. Gli elementi costitutivi e la relativa vitalità delle strade principali sono quindi diventati una preoccupazione significativa in considerazione dello sviluppo urbano e del benessere della comunità [ 7 ].

Le strade principali del commercio al dettaglio sono generalmente caratterizzate da opportunità di shopping, ristorazione e intrattenimento relativamente altamente frequentate, densamente intervallate da altri esercizi di servizio (spesso con relazioni complementari, ad esempio stazioni di transito, banche, biblioteche e uffici postali). Molte vie principali dello shopping sono esse stesse considerate luoghi significativi all'interno delle città, comunemente con una longevità storica in quel ruolo, ad esempio Grafton Street a Dublino, Oxford Street a Londra, Rodeo Drive a Los Angeles, Ginza a Tokyo e Strøget a Copenhagen. I rivenditori sono comunemente attratti dalle vie principali a causa dei vantaggi spaziali che offrono [ 8 ]. Il modello di business per le strade principali del commercio al dettaglio è per molti versi piuttosto semplice: gruppi di venditori si riuniscono in uno scenario stradale per offrire beni in vendita. In cambio della condivisione del loro vantaggio geografico su una strada principale, i rivenditori guadagnano una quota di affluenza aggregata nell’area. Molti rivenditori possono anche trarre vantaggi secondari dalla complementarità dalla vicinanza ad attività di vendita al dettaglio correlate (ad esempio, sarti accanto a merciai). La fissazione della sede generalmente assicura ai rivenditori di una strada principale un accesso continuo e privilegiato ai suoi vantaggi. Tuttavia, la colocation implica anche due ulteriori punti importanti. In primo luogo, i rivenditori sono essenzialmente in competizione per lo stesso traffico pedonale che passa davanti ai loro stabilimenti. In secondo luogo, qualsiasi diminuzione del vantaggio spaziale offerto dalla strada principale può avere ampie ricadute condivise tra tutti i venditori. Questo perché le ubicazioni sono economicamente vischiose, nel senso che è molto difficile (e costoso) per un'impresa di vendita al dettaglio spostare le proprie operazioni front-of-house da un sito all'altro. Questa rigidità è dovuta a vari fattori, tra cui l’inerzia dell’investimento nei costi fissi di locazione (o acquisto) di un negozio fisico, lo sforzo richiesto per arredare i siti di vendita al dettaglio, la tendenza dei rivenditori ad adornare le strade principali con pubblicità e branding e i forti legami che si formano tra le nozioni di luogo [ 9 ] e le esperienze che quei luoghi possono creare tra i clienti, le loro attività e la geografia urbana locale della strada principale. Per molte strade principali del commercio al dettaglio, potrebbe essere impossibile ricreare vantaggi significativi del quartiere al di fuori della strada principale, compreso l’accesso ai trasporti pubblici e il traffico che fornisce, le aree geografiche di ingresso e uscita per venditori e fornitori e il bacino locale per la manodopera dei dipendenti. Di conseguenza, le questioni relative al calo generale della popolarità e della frequenza di visita nelle vie principali dei negozi pesano pesantemente nelle preoccupazioni di molti rivenditori [ 10 ].

Negli ultimi anni, i venditori nelle strade principali della vendita al dettaglio hanno assistito a una riduzione generale del volume di traffico davanti ai loro stabilimenti [ 11 ], che ha messo sotto pressione le loro attività collettivamente, aumentando allo stesso tempo la loro concorrenza interna per attirare l'attenzione dei singoli clienti. Esistono cause sovrapposte per il calo del traffico di visitatori. Aspetti del declino sono stati associati a un relativo calo nella popolarità generale dei centri e di altre posizioni centrali nelle città [ 12 , 13 , 14 , 15 , 16 , 17 , 18 , 19 , 20 ]: essenzialmente, posizioni centrali in molte città hanno smesso di essere siti di attività popolari. Altri aspetti sono specifici del commercio al dettaglio e riguardano il relativo aumento nell’uso delle piattaforme di e-commerce come sostituto dello shopping di persona e i risultati a somma zero di tale competizione per i negozi tangibili. Un esempio estremo di ciò è evidente nel fenomeno dello “showrooming” [ 21 ], in base al quale un potenziale cliente potrebbe visitare un negozio tangibile in una strada principale per sfogliare e valutare i prodotti, solo per effettuare l’acquisto tramite e-commerce da un altro venditore. Questi cali (dell’attrattiva del centro e del favoritismo per lo shopping fisico) sono stati bruscamente accelerati a causa dell’improvviso calo di visitatori durante la pandemia di COVID-19, con la conseguenza che molti rivenditori (in particolare quelli che forniscono beni e servizi non essenziali) hanno chiuso i loro negozi. operazioni del tutto. Tuttavia, il problema del declino delle vie principali del commercio al dettaglio è stato a lungo una preoccupazione più grande per gli studi urbani, perché l’erosione della vitalità complessiva delle vie principali del commercio al dettaglio può avere gravi implicazioni a catena per le comunità ad esse ancorate [ 16 , 17 ]. Molti residenti fanno affidamento sulle strade principali del commercio al dettaglio per servizi e beni quotidiani. Quando queste opportunità scompaiono, fenomeni come i deserti alimentari possono iniziare a prendere piede [ 22 ]. Allo stesso modo, molte strade principali del commercio al dettaglio forniscono una fonte di occupazione per le comunità locali, sia attraverso i lavori stessi nel commercio al dettaglio, sia attraverso i servizi affini che si basano sul commercio al dettaglio. La chiusura di ampie fasce di negozi può anche avere un impatto negativo sulla cultura di strada, e questo potrebbe anche essere il caso della chiusura di singole attività, in particolare quando tali attività forniscono servizi di nicchia a particolari settori della comunità, come nel caso dei negozi di specialità alimentari o fornitori di prodotti sanitari, ad esempio.

Per affrontare questi problemi, molti rivenditori hanno abbracciato la tecnologia come soluzione a vari livelli. A prima vista, un ovvio aggiustamento è stato l’adozione da parte dei rivenditori di High Street di piattaforme di e-commerce, passando essenzialmente a una forma ibrida di fornitura di servizi online/offline, anche se spesso con costi più elevati rispetto agli operatori puramente e-commerce per la gestione dei contratti di locazione in posizioni privilegiate. e il personale dei negozi fisici quando tali servizi sono fissati in luoghi principali. Questo spostamento, verso la cosiddetta vendita al dettaglio “omnichannel”, consente ai clienti di impegnarsi in servizi di vendita al dettaglio in un canale (ad esempio, recensioni online e ricerche sui prezzi) con la libertà di spostarsi avanti e indietro verso un altro canale (ad esempio, ispezione fisica del prodotto e incasso di un acquisto) [ 23 , 24 , 25 ]. Nella maggior parte dei casi, l’omnichannel del commercio al dettaglio nelle vie principali è un sottoprodotto degli sviluppi dei database e delle tecnologie web. Affronteremo questi sviluppi in questo articolo, ma non sono l’obiettivo principale della nostra narrazione. In alternativa, siamo interessati, in questa esposizione, a scoprire una trasformazione parallela del commercio al dettaglio nelle strade principali: l’emergere forse più sottile e nascosto di tecnologie informatiche che stanno rendendo più intelligenti le strade principali dei negozi in modi che assomigliano agli sviluppi esistenti nell’informatica urbana, ma in un formato sempre più ristretto. e applicazione. Accanto all’omnichannel, quindi, assistiamo all’ascesa di strade commerciali intelligenti e senzienti, che forse coesistono con la visione tradizionale delle strade principali, ma ora in forma cyber-fisica.

Una domanda logica è: in che modo il commercio al dettaglio intelligente e senziente differisce dalle città intelligenti e dove potremmo utilmente tracciare parallelismi tra i concetti? Sia l’intelligenza che la sensibilità provengono dai dati. La gestione dei dati è ovviamente una componente importante della vendita al dettaglio intelligente. I dati sono una delle leve a disposizione dei rivenditori per guidare l’azione nei loro modelli di business [ 26 ]. Attraverso i dati, vediamo una delle connessioni più marcate tra vendita al dettaglio intelligente e città intelligenti. Le città intelligenti sono, fondamentalmente, ambienti ricchi di dati e parte del miglioramento della città ha comportato la semplificazione dell'acquisizione, dell'organizzazione, dell'analisi e del trasporto dei dati urbani [27 , 28 ] . I dati di vendita al dettaglio tendono ad essere acquisiti e aggiornati molto più rapidamente, ad alta risoluzione e possiedono una fedeltà molto più significativa rispetto ai tradizionali prodotti di dati associati alla ricerca sulle città intelligenti. I dati al dettaglio sono spesso specifici anche per una determinata operazione di vendita al dettaglio; sono generalmente proprietari e privati. In effetti, pochi dati sulla vendita al dettaglio sono accessibili al pubblico o al mondo accademico, salvo alcune briciole che cadono dai sistemi di recensione dei clienti rivolti al pubblico sul Web o sulle applicazioni dei social media. Ciò contrasta in modo significativo con i dati sulle città intelligenti, che hanno forse maggiori probabilità di essere aperti nell’accesso e gratuiti nella disponibilità rispetto ai dati al dettaglio [ 29 , 30 ].

Noi sosteniamo che le strade principali potrebbero opportunamente presentarsi come punto di fusione tra città intelligenti e vendita al dettaglio intelligente. Poiché le informazioni generate dalle tecnologie intelligenti diventano sempre più cruciali nelle interazioni di intermediazione, ci sono forse opportunità per fare di più con i fiorenti sistemi che sono stati sviluppati dai rivenditori per le loro transazioni . In questo articolo, ci concentreremo in particolare sulla capacità delle strade principali del commercio al dettaglio di fornire le funzioni di una comunità intelligente, inizialmente come sottoinsieme informativo della città intelligente, ma forse, a lungo termine, come piattaforma per le interazioni locali tra pedoni, acquirenti, imprese, residenti e le transazioni quotidiane e momento per momento che possono riunirli negli spazi informativi. Che questi sviluppi possano portare a comunità intelligenti è un tema che riprenderemo nella Sezione 5.4 . A questo punto del contributo diciamo semplicemente che le strade principali potrebbero presentarsi come un intermediario naturale tra strutture a scala cittadina (aree intraurbane, quartieri, quartieri) e strutture a scala istituzionale (edifici, facciate, elementi espositivi). Sia i pedoni che gli acquirenti fanno affidamento sulla strada principale come struttura centrale nell'organizzazione delle loro attività in molti ambienti urbani [ 31 ]. Sosterremo che le tecnologie intelligenti ora forniscono dati a livello di strada per connettere città, stabilimenti e individui, almeno nello spazio dell’informazione. Evidenzieremo anche che una serie di tecnologie sono forse in grado di fomentare una crescente sensibilità tra questi elementi. Inoltre, le strutture dei rivenditori per costruire quella sensibilità in base alle loro idee sul percorso del cliente potrebbero fornire un modello concettuale più ampio per localizzare la città intelligente rispetto ai singoli clienti e pedoni.

Nella sezione successiva, esamineremo le ampie funzionalità supportate dalle tecnologie di vendita al dettaglio intelligente nelle vie principali. La nostra enfasi, nel fare ciò, sarà quella di sottolineare come le forme tradizionali di tecnologia intelligente – soprattutto quelle sviluppate come ICT – siano riuscite a diffondersi dai negozi, all’esterno, nelle strade principali, e quali implicazioni potrebbero averne derivate. Successivamente, esamineremo gli sviluppi tecnologici nell’informatica – in particolare attraverso il rilevamento, le comunicazioni, la scoperta della conoscenza e le varie forme di inferenza automatizzata che essi consentono – che hanno catalizzato l’emergere di strade commerciali senzienti. In particolare, struttureremo questa discussione sul modo in cui le tecnologie intelligenti e senzienti si adattano al quadro del percorso del cliente [ 32 ]. Il passaggio da “intelligente” a “senziente” non è discreto; in altre parole, in una fase indeterminata, la tecnologia di vendita al dettaglio passa dalle ICT all’intelligenza artificiale (AI) e non è sempre semplice (o necessario) tracciare una netta distinzione tra le due [ 33 ] . Infine, notiamo che la nostra tesi non è quella di un determinismo tecnologico incontrollato; piuttosto, uniamo i vantaggi delle tecnologie intelligenti e senzienti per i rivenditori alle reali insidie ​​che quelle stesse tecnologie potrebbero causare per le esperienze delle persone in termini di privacy e controllo negli spazi pubblici.

3. Il substrato tecnologico dello Smart Retail High Street
Definire cosa potrebbe essere considerata una tecnologia “intelligente” e cosa no è sempre difficile. In generale, si potrebbe considerare la tecnologia di vendita al dettaglio intelligente come l’apparato per raccogliere dati sulle attività di vendita al dettaglio e per comunicare tali dati su scale in grado di guidare le decisioni di vendita al dettaglio su scale di spazio e tempo che superano le tecnologie “non intelligenti”. Potremmo enfatizzare il ruolo centrale dell’automazione nella tecnologia intelligente: la capacità dei sistemi intelligenti di analizzare instancabilmente e inesorabilmente i dettagli delle strutture di vendita al dettaglio e raccogliere dati.

Un punto che desideriamo sollevare è che la tecnologia di vendita al dettaglio intelligente sta guidando sempre più la visione dei rivenditori nel percorso del cliente. Tradizionalmente, le significative introduzioni della tecnologia nelle operazioni di vendita al dettaglio hanno portato a punti di contatto completamente nuovi tra i clienti e il panorama dei servizi di vendita al dettaglio, oppure hanno portato i punti di contatto esistenti ad un più stretto allineamento. Attualmente, il perfezionamento in corso del negozio contactless serve un esempio estremo (che affronteremo più in dettaglio nella Sezione 5.10 ). La vendita al dettaglio senza contatto è riuscita a rendere i punti di contatto fluidi e quasi invisibili per il cliente, inserendoli quasi all’ingrosso nella tecnologia. Nella sua essenza, forse, la vendita al dettaglio senza contatto è riuscita a eliminare la distinzione tra tecnologia ed esperienza del cliente. In questo modo, la vendita al dettaglio intelligente è in prima linea nel classico trucco della scomparsa [ 34 , 35 ] che l’informatica ubiqua è così incline a eseguire. Questo atto di scomparsa offre ai rivenditori un vantaggio significativo per gestire le operazioni rispetto al percorso del cliente: in sostanza, i punti di contatto senza contatto e senza attriti aiutano i rivenditori a costruire connessioni (e leva) ancora più forti dai loro servizi ai clienti.

Potremmo distinguere la tecnologia di vendita al dettaglio senziente come qualcosa di diverso dalla vendita al dettaglio intelligente, ma tuttavia correlata (e dipendente). In questo articolo, consideriamo le strade principali del commercio al dettaglio senzienti come modellate principalmente dai sistemi e dai dispositivi per rilevare e dare un senso agli ambienti di vendita al dettaglio che si trovano sopra la tecnologia intelligente. Se le vie principali del commercio al dettaglio intelligente sono prevalentemente un sottoprodotto delle TIC, le vie principali del commercio al dettaglio senzienti sono una conseguenza dell’apprendimento automatico e dell’intelligenza artificiale che è nata dalla grande quantità di dati che hanno prodotto. (Discutiamo più approfonditamente della sensibilità nella Sezione 4 ).

In questa sezione dell’articolo, cerchiamo di esplorare gli impatti della tecnologia nell’estendere la portata dello smart retailing dagli ambienti interni dei negozi e delle officine alle strade principali all’aperto. Un punto importante che sottolineiamo è che mentre si muovono attraverso i paesaggi stradali come pedoni, le persone rientrano anche nell’ambito e nel potenziale bacino di utenza dello smart retailing, dove queste tecnologie possono essere utilizzate per mapparle nei percorsi del cliente (dal lato della vendita al dettaglio). I rivenditori si riferiscono a questo come alla co-creazione dell'esperienza del cliente [ 36 , 37 ] con la tecnologia. Sebbene la co-creazione possa essere stata tradizionalmente una componente delle vendite e del branding di persona, sempre più rivenditori si affidano a quello che altri hanno definito un panorama di servizi fisico-digitali [ 38 ], ovvero l'accentuazione di negozi e prodotti fisici con controparti digitali, in modo che la vendita al dettaglio diventi cyber-fisica [ 39 ]. Per i rivenditori, i vantaggi dei servizi cyber-fisici rispetto agli ambienti puramente fisici sono piuttosto evidenti: aiutano i rivenditori fisici a competere con le piattaforme di e-commerce riducendo sostanzialmente i costi a lungo termine sostituendo la tecnologia in ruoli che tradizionalmente verrebbero gestiti da personale. Anche importanti sottoprodotti informativi possono essere monetizzati, poiché la vendita al dettaglio cyber-fisica spesso consente ai rivenditori di raccogliere vaste quantità di dati ad altissima fedeltà e specificità sui clienti e sulle loro abitudini. In uno sviluppo relativamente recente, tuttavia, la nozione di cyber-fisicità dei rivenditori ora include anche forme di elaborazione e computazione che hanno più somiglianze con l’intelligenza artificiale che con le tradizionali considerazioni incentrate sui dati. In alcuni casi, gli aspetti della tecnologia di vendita al dettaglio possono funzionare in cicli auto-rinforzanti, con routine di intelligenza artificiale per l'addestramento dei dati in tempo reale che affinano dinamicamente l'approccio di vendita dei rivenditori. Potremmo quindi ritenere che le vie principali del commercio al dettaglio intelligente stiano lasciando il posto alle vie principali del commercio al dettaglio senzienti. Il fatto che i mezzi di quella sensibilità siano ora regolarmente nascosti alla vista, pur operando anche negli spazi pubblici aperti delle strade principali, solleva qualche motivo di preoccupazione.

Nella recensione che segue, affronteremo innanzitutto le tecnologie tradizionalmente considerate “intelligenti” e il loro impatto sulla vendita al dettaglio nelle strade principali. Ciò include i dati collegati, le comunicazioni wireless, le comunicazioni a campo vicino (NFC), l'Internet delle cose e le tecnologie di rilevamento della posizione. Quindi espandiamo tale considerazione per comprendere la tecnologia progettata per la sensibilità o che ha visto applicazioni con funzionalità senziente. Evidenziamo in particolare l'impatto dei dispositivi indossabili (come dispositivi sensibili al contesto), delle fotocamere, della visione artificiale e dell'edge computing nel migliorare il rilevamento e la percezione dei rivenditori (basati su macchine) dei percorsi dei clienti nelle strade principali del commercio al dettaglio. È attraverso l’edge computing, in particolare, che si potrebbe considerare che il commercio al dettaglio senziente entra in contatto operativo con le città intelligenti, ed esaminiamo come molti dei componenti tecnologici delle strade principali del commercio al dettaglio potrebbero fondersi nell’edge.

3.1. Dati collegati
Le strade principali forniscono una serie di strutture naturali per i dati. Il percorso del cliente (in particolare una considerazione graduale del percorso del cliente come una processione attraverso eventi touchpoint) fornisce un'ulteriore struttura [ 32 ]. Diverse tecnologie per le città intelligenti possono fornire identificatori ad alta precisione che svelano gli ancoraggi in quella struttura (ubicazione, ora, identificazione del cliente, identificazione del prodotto), che consentono di stabilire collegamenti formali. Insieme, identificatori e collegamenti supportano operazioni semantiche più ampie sui dati, ovvero la capacità di dedurre relazioni libere dal contesto facendo affidamento sui dati stessi [ 40 ]. Questo ci porta in qualche modo verso la costruzione di basi di conoscenza per i dati al dettaglio, solitamente per le transazioni al dettaglio. Tuttavia, una sfida semantica si presenta spesso per i dati di vendita al dettaglio in modi che non riguardano le città intelligenti: a causa della loro natura proprietaria, i set di dati di vendita al dettaglio sono spesso isolati come “isole” tra diversi rivenditori, fornitori e modalità di raccolta dati. Inoltre, queste isole sono spesso incongrue tra loro, con ontologie diverse, rendendo difficile costruire una semantica tra di loro. I Linked Data forniscono meccanismi per costruire interconnessioni semantiche tra le isole [ 41 ] e per farlo con elevata flessibilità. I Linked Data sono generalmente associati agli sforzi per costruire e sfruttare la struttura tra dati e documenti (media) sul Web, nella varietà di formati in cui appaiono. Nello specifico, i Linked Data consentono collegamenti tipizzati (un collegamento nonché informazioni sulla natura di tale collegamento) tra dati arbitrari, e lo fanno in modi che facilitano le definizioni formali, che forniscono collegamenti esterni e che possono essere interpretati dalle macchine [ 42 ].

Se applicati ai record dei clienti, i dati collegati possono potenzialmente rivelare componenti all’interno del percorso del cliente, con una serie di vantaggi. Innanzitutto, i Linked Data supportano la standardizzazione dei vocabolari tra diversi rivenditori e tra diverse operazioni di vendita al dettaglio. Tuttavia, i Linked Data supportano anche la malleabilità per aggiungere nuovi termini e significati a quei vocabolari, secondo necessità. Ciò è importante nell'ambiente di prodotto (spesso dinamico) della vendita al dettaglio. In secondo luogo, i dati collegati consentono connessioni tra dati e documenti provenienti da domini molto diversi, ad esempio collegando dati su prodotti al dettaglio, sistemi informativi della catena di fornitura e campagne sui social media. In terzo luogo, i Linked Data possono facilitare una rapida indicizzazione, in modo che la semantica possa tenere il passo con i dati ad alta velocità. Ciò è importante per adeguarsi al ritmo delle transazioni al dettaglio. In quarto luogo, i Linked Data sono scalabili: sono costruiti sopra (e per l’interoperabilità con) le architetture Web esistenti, con la capacità di gestire volumi molto grandi di dati e documenti, sia attraverso grandi sistemi di inventario, enormi quantità di record di clienti, o potenzialmente l'intero Web. In quinto luogo, le funzioni semantiche associate ai Linked Data potrebbero essere automatizzate, con il risultato che le imprese di vendita al dettaglio potrebbero creare visualizzazioni intelligenti delle loro operazioni (potenzialmente) in tempo reale.

Nel complesso, queste cinque funzionalità pongono le basi per un’inferenza massiccia all’interno e tra le scorte di big data che possono essere raccolte nelle strade principali del commercio al dettaglio. Come elaboreremo nella Sezione 5.7 , con i legami con i tipi di dati provenienti dal Web forniti dal commercio al dettaglio omnicanale e anche con i feed di dati in tempo reale che potrebbero provenire dal rilevamento stradale, i Linked Data, in particolare, hanno posto le basi per lo sviluppo di intelligence sensibile al contesto nelle strade principali del commercio al dettaglio. Possiamo anche considerare che i Linked Data possono supportare la fusione tra le operazioni di vendita al dettaglio e i ritmi e i motivi più ampi delle strade principali, in modo che i dati sui punti di contatto dei clienti possano essere potenzialmente collegati ai dati sulle traiettorie pedonali, ad esempio, in modo che i potenziali clienti di un negozio possano essere identificato all'interno di flussi più ampi di flusso di folla sui paesaggi stradali [ 32 ].

3.2. Comunicazioni senza fili
Le tecnologie di comunicazione wireless sono state un importante catalizzatore nel trasformare le strade in paesaggi intelligenti [ 43 ]. Le comunicazioni wireless sono una tecnologia relativamente vecchia, risalente all'inizio del XX secolo con i test di Fessenden sulla telefonia wireless [ 44 , 45 ]. Tuttavia, l’uso delle tecnologie wireless per trasmettere dati digitali ha avuto una profonda influenza sulle città intelligenti, a cominciare dall’uso dei telefoni cellulari e proseguendo con lo sviluppo dei protocolli Wi-Fi [ 46 ] . I ricercatori nel campo delle scienze urbane e degli studi sulle città intelligenti utilizzano da tempo le comunicazioni wireless come un modo per esaminare modelli di presenza e movimento relativamente grossolani (intraurbani) e su scala fine (utenti di comunicazione individuali), spesso come ingredienti per costruire la comprensione delle strade. fenomeni urbani a scala [ 47 , 48 , 49 ]. L'innovazione nello sviluppo della tecnologia wireless ora procede a un ritmo fantastico e una serie di nuove tecnologie basate sulle comunicazioni a spettro ristretto, in particolare, stanno cominciando a vedere applicazioni nel commercio al dettaglio e nell'ambiente stradale. Questi includono lo sviluppo delle comunicazioni di quinta generazione (5G) e persino di sesta generazione (6G), che forniscono portate di trasmissione di circa 300 m (su una distanza inferiore rispetto a 3G e 2G, ma con una larghezza di banda molto maggiore per i dati). Il 5G, ad esempio, supporta larghezze di banda fino a 1 Gbps, rispetto ai 40 kbps per il 2G, 144 kbps per il 3G iniziale e 100 Mbps per il 4G con gli standard Long Term Evolution (LTE). I sistemi 5G, in particolare, adottano alcuni approcci intelligenti per mitigare i problemi di latenza, attraverso l’uso di tecnologie di beamforming [ 50 ]. Questi sviluppi possono supportare la distribuzione di video ad alta definizione su dispositivi mobili di consumo, come la realtà aumentata (AR), ad esempio, con la possibilità di personalizzare i contenuti di marketing per persone specifiche in luoghi particolari.

Per le strade principali del commercio al dettaglio, la mobilità nelle comunicazioni supportata dal wireless ha favorito sviluppi significativi nella logistica dei trasporti e delle consegne, in particolare per le porzioni di logistica in cui il trasporto si avvicina ai punti vendita al dettaglio, sulle cosiddette distanze dell’“ultimo miglio” che sono generalmente situate lungo le vie commerciali. strade alte. In particolare, le comunicazioni wireless hanno consentito ai sistemi informativi di vendita al dettaglio di scambiare dati di inventario e ordini direttamente con i fornitori di trasporti, accelerando notevolmente lo spostamento dei prodotti al dettaglio tra i negozi e le strade principali. Ciò è ora evidenziato dalla pletora di sistemi di ordinazione e consegna just-in-time emersi nella maggior parte delle città.

Grandi reti di comunicazioni wireless vengono abitualmente utilizzate per l’analisi della densità relativa dei pedoni e del flusso di folla nelle strutture delle città intelligenti. Ciò include la ricerca sul “impulso” delle città come evidenziato dai record di dettaglio delle chiamate (CDR) che vengono interrogati dalle antenne cellulari, ad esempio [ 51 , 52 ]. Quando accessibili ai ricercatori, i dati CDR possono essere utili per isolare modelli di assembramento e relativo movimento dei pedoni all'interno delle città, con risoluzioni che possono raggiungere le aree intraurbane [47 , 48 ] . Analisi più dettagliate delle comunicazioni wireless possono inoltre essere utilizzate per costruire profili dinamici di attività nelle strade principali, con la implicazione che questi dati potrebbero essere utilizzati per valutare il traffico pedonale, l’aumento dei clienti e persino per modellare il comportamento dei pedoni sui marciapiedi e sulle strade. nei negozi [ 53 , 54 , 55 ]. Una serie di aziende (vedi [ 56 ], ad esempio) hanno sviluppato sistemi per determinare il numero di clienti che visitano i negozi, nonché il tempo che trascorrono in tali visite, automaticamente dai dati del cellulare.

3.3. Comunicazioni a campo vicino
Molte delle applicazioni della tecnologia wireless di cui abbiamo discusso nella sezione 3.2 supportano anche la vendita al dettaglio in forma stretta, fino al livello delle singole transazioni con i prodotti. Questi includono schemi di comunicazione iperlocali come Bluetooth (che può trasmettere entro un raggio di circa dieci metri) e NFC (che può trasmettere entro un raggio di circa pochi centimetri) [ 46 ] . In particolare, gli NFC supportano lo scambio di informazioni tra consumatori e oggetti di vendita al dettaglio, generalmente su finestre di spazio e tempo molto piccole, e di solito utilizzando semplici artefatti (piuttosto che i dispositivi intelligenti di cui abbiamo discusso nella Sezione 3.2 ) . La risoluzione di molti sistemi NFC consente di caratterizzare punti di contatto al dettaglio ad altissima risoluzione, fino alla scala del movimento di una carta sul bancone di un punto vendita. Molti sistemi a campo vicino hanno requisiti di potenza relativamente bassi, il che consente ai clienti di generare interazioni e transazioni con l'infrastruttura di vendita al dettaglio utilizzando movimenti di tocco e agitazione con carte di credito, carte fedeltà e badge d'identità. Gli NFC sono distinti dai sistemi basati su EMV ( Europay , Mastercard e Visa ) che consentono la lettura del chip della carta quando inserito in uno scanner [ 57 , 58 ]. Gli NFC vengono utilizzati per mediare la trasmissione di dati, ma lo fanno su distanze molto ridotte. Ciò significa che l'oggetto NFC non deve necessariamente entrare in contatto con il lettore; piuttosto deve semplicemente avvicinarsi ad esso. Le applicazioni più diffuse delle tecnologie a campo vicino sono state a supporto dell'accelerazione dei pagamenti all'interno degli ambienti interni dei negozi [ 59 ], ad esempio, intercettando una carta di pagamento nel punto vendita, utilizzando carte nel portafoglio presso chioschi e tornelli per ottenere l'ingresso nel punto vendita. esperienze [ 60 ] e l'automazione del conteggio dei beni da acquistare man mano che vengono aggiunti ai cestini e ai carrelli della spesa intelligenti [ 61 ]. Gli NFC sono stati utilizzati anche dai rivenditori per fornire un inventario dinamico: Resatsch et al. [ 62 ] hanno dimostrato che gli NFC incorporati negli scaffali possono fornire dati dinamici sui livelli dei prodotti in negozio. Karjol et al. [ 63 ] hanno anche dimostrato che gli NFC possono supportare lo scambio di informazioni tra i carrelli della spesa in un negozio. È degno di nota, in particolare, che molti aspetti dei sistemi di gestione delle relazioni con i clienti (CRM) dei rivenditori possono anche basarsi su transazioni Near-Field, in modo che vi siano forti connessioni tra l'atto tangibile di interagire con gli oggetti di vendita al dettaglio e le registrazioni digitali del prodotto e il il cliente può essere stabilito nel punto di comunicazione.

Le tecnologie Near Field vengono abitualmente utilizzate anche all'esterno dei negozi, ad esempio per supportare l'accesso tra marciapiedi ed edifici, per la gestione dell'inventario durante il carico e lo scarico delle scorte sul marciapiede e per la prevenzione dei furti nel punto di uscita del negozio. Ciò suggerisce che collegamenti più ampi tra le dinamiche indoor dell’esperienza del cliente potrebbero essere estesi all’esterno seguendo gli NFC mentre progrediscono tra il negozio e la strada principale. Lavoro di Basili et al. [ 60 ] ha dimostrato, ad esempio, che lo sviluppo di una “carta turistica intelligente” abilitata alla tecnologia NFC può essere utilizzata per associare informazioni sui movimenti e sulle transazioni dei turisti con oggetti di vendita al dettaglio e sistemi di pagamento. Nelle scienze urbane, Batty e colleghi [ 29 , 64 , 65 ] hanno sviluppato un volume significativo di lavoro per eseguire analisi spaziali sui dati delle smart card prodotti, ad esempio, dai pagamenti NFC di transito. Questo lavoro sta espandendo la risoluzione dell'analisi dei modelli generali di transito e del flusso di pendolari agli svincoli di trasporto sulle strade principali, che spesso presentano grandi impronte di vendita al dettaglio associate [ 66 ].

3.4. L'Internet delle cose
L'Internet delle cose (IoT) si riferisce alle reti e ai protocolli di rete che consentono a una serie di macchine (solitamente dispositivi o oggetti in rete) di comunicare scambiando informazioni. L'IoT è ampiamente utilizzato nelle applicazioni per città intelligenti [ 67 , 68 , 69 ], fornendo i protocolli su cui si basano molte delle tecnologie di comunicazione wireless di cui abbiamo discusso nella Sezione 3.2 e nella Sezione 3.3 . Dourish [ 70 ] e Hudson-Smith et al. [ 71 ] hanno suggerito che l’IoT è così pervasivo nelle applicazioni delle città intelligenti che potremmo persino avere motivo di distinguere un “Internet delle cose urbane” indipendente. Spandonidis et al. [ 72 ] hanno inoltre recentemente introdotto un nuovo concetto di “Internet dei veicoli”.

L'IoT è un'estensione dell'Internet generica, distinguibile principalmente dall'uso previsto. Il traffico IoT è solitamente generato da dispositivi per altri dispositivi, a differenza del World Wide Web, che è progettato per essere rivolto agli esseri umani. I dati IoT sono quindi caratterizzati da dati quali letture di sensori, transizioni di stato e trasmissioni di posizione. Ad esempio, un grande volume di traffico sull’IoT può essere costituito da dati di notifica dello stato, con dispositivi che trasmettono e ricevono continuamente aggiornamenti di stato da altri dispositivi in ​​modo altamente dinamico. In molti casi, i dispositivi che formano le reti IoT producono e scambiano questi dati da soli, anziché fare affidamento su hardware di scambio formale lato server. Questo è importante poiché i dispositivi IoT sono spesso di piccole dimensioni e hanno un consumo energetico limitato e uno degli obiettivi dell’IoT è supportare lo scambio di dati tra loro utilizzando risorse sparse. I dispositivi possono fare affidamento su protocolli dedicati per raggiungere questo obiettivo sulle reti IoT. L'uso di Message Queue (MQ) Telemetry Transport (MQTT) è un esempio [ 73 ]: un protocollo progettato per consumare una larghezza di banda relativamente piccola nella comunicazione tra dispositivi come i microcontrollori. L’IoT può, in molti casi, funzionare in sinergia con altre tecnologie Internet: Shahrour e Xie [ 74 ], ad esempio, hanno dimostrato come un’ampia varietà di dati IoT provenienti dalle città intelligenti possa interoperare con le risorse cloud.

L'IoT è una sorta di tecnologia portante per le città intelligenti [ 67 , 75 , 76 , 77 ]. È stato utilizzato, ad esempio, per promuovere il crowdsourcing della raccolta di dati e dei servizi nelle città intelligenti [ 74 ]; accentuare lo studio e lo sviluppo di servizi di mobilità intelligente nelle città [ 78 ]; e per contribuire a promuovere comunità intelligenti all’interno delle città intelligenti, attraverso l’accesso pubblico ai dati e ai servizi IoT, in particolare quelli ai margini della rete [ 79 ]. In alcuni casi, l’IoT fornisce una spina dorsale simile nella vendita al dettaglio. Ad esempio, Zualkernan et al. [ 80 ] ha implementato un sistema IoT per beacon Bluetooth Low Energy (BLE) nei bar intelligenti, progettato per facilitare il “geo-marketing” (marketing basato sulla posizione), con MQTT come protocollo per lo scambio di dati. Il loro sistema era in grado di generare dati sugli eventi relativi all'ingresso e all'uscita dei clienti, dati sugli ordini e posizione dei clienti e del personale all'interno del negozio. Utilizzando i dati degli eventi mediati da MQTT, hanno progettato sistemi aggiuntivi che hanno facilitato l'assegnazione delle tabelle ai clienti, l'accesso alla cronologia degli acquisti dei clienti per il riordino, nonché una serie di funzioni di analisi dei clienti, come la generazione automatizzata di informazioni sui clienti. soggiorni, aree del negozio visitate dai clienti e tracce grossolane dei percorsi di movimento dei clienti. Potdar e Torrens [ 81 ] hanno introdotto un framework IoT che utilizza MQTT per trasferire dati su un sistema di edge computing per monitorare il traffico pedonale in un quartiere commerciale di New York.

3.5. Tecnologie sensibili alla posizione
La maggior parte delle città sono ora ricoperte da nubi onnipresenti di comunicazioni digitali ( Figura 2 ) che provengono dalle tecnologie wireless di cui abbiamo discusso nella Sezione 3.2 e nella Sezione 3.3 [ 46 ]. Anche la capacità di triangolare la posizione fisica degli utenti e degli oggetti all'interno di queste nuvole (con i dettagli della loro posizione lungo le strade principali dei negozi), utilizzando le comunicazioni tra dispositivi wireless o tra dispositivi e stazioni base, presenta un significativo sottoprodotto delle tecnologie wireless . ]. I rivenditori hanno utilizzato la triangolazione delle comunicazioni per sviluppare stime dell'affluenza dei clienti nei negozi sulla base di dati di comunicazione liberamente disponibili all'interno dei cloud Wi-Fi [ 83 , 84 ], nonché per sviluppare nuovi schemi per la fornitura di pubblicità e promozioni selezionate geograficamente [ 85 ].

Figura 2. La nuvola di comunicazioni Wi-Fi accessibile nel centro di Salt Lake City, UT, USA.

È stata inoltre sperimentata una serie di servizi basati sulla localizzazione (LBS) per sfruttare le capacità di localizzazione delle tecnologie wireless. Questi includono sistemi di identità a radiofrequenza (RFID) che consentono di posizionare etichette sui prodotti al dettaglio e di identificare e tracciare la posizione di tali etichette nei negozi e negli ambienti esterni. Melià-Seguí et al. [ 86 ] hanno discusso una serie di applicazioni del posizionamento basato su RFID all'interno dei negozi, inclusa la gestione delle scorte e l'introduzione di una migliore esposizione dei prodotti sugli specchi nei camerini. Li et al. [ 87 ] ha introdotto il sistema “DeepTrack”, che scansiona gli RFID per periodi di coubicazione spaziotemporale negli ambienti del negozio. Ali et al. [ 88 ] ha sviluppato il sistema “TagSee”, che esamina ingegnosamente l’interruzione dei segnali RFID sui prodotti sugli scaffali per dedurre la presenza e il contorno dei clienti adiacenti ai prodotti. All'aperto, Cha et al. [ 89 ] hanno dimostrato un sistema per incorporare stazioni base RFID nei lampioni stradali e quindi utilizzare tale sistema per tracciare oggetti mobili.

Allo stesso tempo, il costo e il fattore di forma dei chip dei sistemi di posizionamento geografico (GPS) si sono costantemente ridotti a dimensioni che consentono loro di essere regolarmente inclusi nei dispositivi di consumo, come telefoni cellulari, sistemi di navigazione e fotocamere. Il GPS di livello consumer può fornire un posizionamento affidabile con risoluzioni di circa cinque metri se abbinato alla triangolazione wireless per il cosiddetto GPS assistito (aGPS) [ 90 ]. La proliferazione di GPS e aGPS ha supportato lo sviluppo di una gamma di LBS legati alla vendita al dettaglio nelle strade principali. Questi includono l'introduzione della logistica just-in-time per il ritiro degli ordini [ 91 ], il targeting mobile dei clienti [ 92 ], i couponing basati sulla posizione [ 85 ] e i servizi di raccomandazione basati sulla posizione [ 93 ].

3.6. Sensori
La proliferazione di una serie di sensori nelle strade principali è stata determinante nel dare forma alla città intelligente. Questi includono sensori posizionati lungo i paesaggi stradali per monitorare le dinamiche che si verificano su di essi, nonché sensori posizionati sugli edifici per catturare caratteristiche ambientali di routine. I sensori vengono sempre più utilizzati anche in modalità mobile, sui veicoli come componente di sistemi avanzati di consapevolezza del conducente (ADAS) e sui dispositivi che i singoli pedoni portano con sé come parte della funzionalità intelligente di tali dispositivi e delle loro applicazioni [ 94 ] . Potremmo utilmente classificare la portata dei sensori nelle strade principali in base alle cose che percepiscono.

I sensori ambientali sono ampiamente utilizzati per rilevare la presenza di composti specifici e particolato sulle strade, come parte degli sforzi di monitoraggio ambientale per valutare l'esposizione dei pedoni alle emissioni di materia negli spazi pubblici [95 , 96 ] . Ciò può includere l'uso di sensori per valutare la presenza relativa di composti organici volatili [ 97 ], inquinamento da particelle [ 98 ], gas specifici [ 99 ] o esposizione al calore a livello stradale [ 100 ], per diverse configurazioni della geografia stradale o urbana progettazione lungo le strade principali [ 101 ].

I sensori di imaging iperspettrali e multispettrali , originariamente utilizzati per il telerilevamento, sono stati utilizzati per il rilevamento e il tracciamento dei pedoni sui paesaggi stradali. L’imaging iperspettrale è in grado di rilevare firme attraverso diverse lunghezze d’onda della luce, mentre quello multispettrale può scrutare all’interno delle lunghezze d’onda. Esiste ora un'ampia varietà di applicazioni di entrambi per lo studio dei paesaggi stradali in termini generali, come siti per la presenza di caratteristiche ambientali che possono essere rilevate in diverse lunghezze d'onda [ 102 , 103 , 104 , 105 , 106 ] . In altri esempi, il rilevamento è mirato specificamente ai pedoni sulle strade. Ad esempio, vedere la recensione di Negied et al. [ 107 ], discutendo come i pedoni possono essere rilevati in scene complesse attraverso l'analisi delle bande termiche. Li et al. [ 108 ] ha inoltre introdotto uno schema per combinare bande termiche e colorate utilizzando l'apprendimento automatico per il rilevamento multispettrale dei pedoni.

I sensori termici , in particolare, sono stati utilizzati per studiare i pedoni. Nella maggior parte dei casi, queste applicazioni sono multispettrali. La termografia è stata utilizzata in alcuni casi negli ambienti di vendita al dettaglio interni, per il rilevamento della presenza del cliente rispetto ai display (ad esempio, il sistema di vendita al dettaglio “IRLYNX” [ 109 ]). L'imaging termico è comunemente utilizzato per mappare il paesaggio termico del materiale stradale, dove i problemi relativi alle isole di calore urbane su microscala, all'albedo, agli impatti della vegetazione e alle prestazioni termiche relative di diversi complessi edilizi possono essere valutati mediante rilevamento. Lavoro di Zhao et al. [ 110 ], ad esempio, ha introdotto l’imaging termico tridimensionale per valutare le caratteristiche di calore dei diversi spazi pedonali sulle strade. Altri approcci utilizzano il rilevamento termico per identificare i pedoni (in base alle loro impronte di temperatura) all'interno di scene termiche [ 111 ], e una serie di ricerche ha dimostrato che il rilevamento del calore può essere utilizzato per tracciare il movimento dei pedoni all'aperto. Ciò può essere ottenuto con sensori fissi [ 112 , 113 ] o aerei [ 114 ]. Se combinato con l’apprendimento automatico, il rilevamento può essere ottenuto con una risoluzione in grado di isolare le sagome dei singoli pedoni [ 115 ].

I sensori audio possono essere utilizzati per misurare il volume generale del rumore lungo un paesaggio stradale [ 116 ] o per monitorare la presenza di suoni molto specifici. Boles e Hayward [ 117 ] hanno dimostrato che il rumore stradale ha un impatto diverso sul comportamento dei pedoni mentre camminano. Lavoro di Echevarria Sanchez et al. [ 118 ] ha legato l'esposizione dei pedoni al rumore direttamente alla morfologia delle facciate degli edifici lungo le strade. Spesso suoni particolari sono associati alla presenza di eventi specifici nel paesaggio stradale. Utilizzando spunti dal canto degli uccelli, la ricerca di Camacho et al. [ 119 ] ha esaminato quali toni e volumi di avvisi di attraversamento pedonale siano più appropriati per gli attraversatori della strada non vedenti, ad esempio. Schmidt et al. [ 120 ] hanno sostenuto che i sensori audio economici (microfoni) nei telefoni dei pedoni potrebbero essere utilizzati per creare consapevolezza contestuale dalle misure del volume del suono, della frequenza di base e dal confronto con il rumore di fondo. de Godoy et al. [ 121 ] ha introdotto il sistema acustico indossabile PAWS per monitorare la sicurezza dei pedoni attorno ai rumori delle auto utilizzando gli smartphone dei pedoni. Un rilevamento audio più sofisticato viene abitualmente utilizzato per i veicoli lungo le strade principali [ 122 ], per valutare potenziali collisioni tra auto e persone e oggetti, utilizzando gli ultrasuoni montati sul veicolo come una forma di radar [ 123 ]. Il rilevamento a ultrasuoni laterale [ 124 ], in particolare, è applicabile al rilevamento dei marciapiedi delle strade principali, dove i pedoni possono spesso essere resi rilevabili dalla carreggiata [ 125 ].

I sensori di movimento possono essere utilizzati per rilevare i pedoni sulle strade. Il lettore potrebbe avere familiarità con l'uso diffuso di porte automatiche per l'ingresso e l'uscita dei negozi al dettaglio [ 126 ]. Le porte di solito si basano su sensori di pressione (nel terreno) o sensori passivi a infrarossi o a microonde nella porta per rilevare il movimento di un cliente che entra o esce. Generalmente, da questi sensori sono disponibili poche informazioni sull'attività del paesaggio stradale, oltre al volume, ai tempi o alla frequenza del movimento oltre la posizione rilevata. Tuttavia, i ricercatori hanno utilizzato sensori di profondità (di solito utilizzando una miscela di infrarossi e rilevamento della luce rossa, verde e blu (RGB), ovvero RGB+D) per studiare i pedoni (vedere un esempio della nostra ricerca nella Figura 3 ) . Lavoro di Charreyron et al. [ 127 ], l'utilizzo del sensore Microsoft Kinect ha dimostrato che il conteggio dei pedoni e la velocità possono essere rilevati su paesaggi stradali all'aperto esaminando i dati di movimento in profondità. Schemi simili sono stati utilizzati dalla piattaforma commerciale “Motionloft” in vari siti stradali negli Stati Uniti. Caratteristiche significative del movimento pedonale possono essere derivate da una serie di sensori che sono abitualmente disponibili sui telefoni e sugli orologi che le persone portano con sé quando sono in movimento, nonché tramite i fitness tracker. Una varietà di caratteristiche del movimento (velocità, periodi di riposo, sforzo, cadenza, tipo di attività) possono essere risolte analizzando i dati generati dalle unità di misura inerziali (IMU) [125 , 128 , 129 , 130 , 131 ] . Queste informazioni sono disponibili principalmente dai dati dell’accelerometro (che misura l’accelerazione come derivata della velocità) e del giroscopio (che misura la velocità angolare come derivata dell’orientamento).

Figura 3. Identificazione dei pedoni, rilevamento del movimento e inferenza della posa utilizzando la mappatura della profondità RGB + D.

I sensori di vibrazione possono essere utilizzati in ambienti interni per rilevare la presenza e le caratteristiche di movimento dei deambulatori [ 132 ], ad esempio, per il rilevamento e la misurazione della presenza in ambienti interni [ 133 ]. La tecnica viene utilizzata anche in contesti sanitari, dove può essere utilizzata anche per monitorare le cadute (utilizzando il rilevamento sismico) [ 134 ]. Il monitoraggio delle vibrazioni del calpestio si basa spesso sul rilevamento piezoelettrico, ovvero sul segnale elettrico prodotto da effetti meccanici su una superficie di rilevamento. I sensori piezoelettrici sono solitamente implementati in tappetini o piastrelle sensibili alla pressione. I ricercatori hanno dimostrato che caratteristiche altamente dettagliate dei pedoni possono essere ottenute da sensori di vibrazione, compresi i dettagli della direzione dei pedoni, quando i dati sono sottoposti all'apprendimento automatico [ 135 ]. Sebbene la maggior parte delle applicazioni riguardino ambienti interni, si è discusso se la tecnologia potrebbe essere applicata ad ambienti esterni, ad esempio nelle strade, dove è stato proposto che l’energia generata dal calpestio delle strade principali potrebbe essere sufficiente per alimentare l’illuminazione stradale. 136 ]. Ciò indica una potenziale futura fonte di informazioni sull’attività pedonale nelle strade all’aperto, poiché i dati accessori sulla natura e la frequenza del calpestio potrebbero fornire misure ad alta fedeltà del flusso individuale e di folla davanti ai negozi.

I sensori LiDAR (Light Detection and Range) utilizzano laser (amplificazione della luce mediante emissione stimolata di radiazioni) e il tempo di ritorno dei raggi per calcolare il posizionamento tridimensionale di scene, oggetti e persone in ambienti interni ed esterni. LiDAR può essere utilizzato per costruire scene volumetriche parziali come nuvole di punti di interazioni laser-oggetto localizzate. Inoltre, la quantità di laser restituita ai sensori può fornire informazioni sulle proprietà dell'oggetto con cui i raggi entrano in contatto. Premebida et al. [ 137 ] hanno dimostrato che i dati LiDAR, insieme alle routine di estrazione delle caratteristiche, possono essere utilizzati per rilevare i pedoni da un carrello da golf in movimento. Wang et al. [ 138 ] hanno dimostrato che l'identificazione e il tracciamento dei pedoni possono essere ottenuti da un'auto in movimento. In entrambi i casi, i dati LiDAR erano sufficienti per rivelare le caratteristiche individuali dei pedoni, come l’altezza e la sagoma del corpo, con fedeltà tridimensionale parziale (occlusa). Zhao et al. [ 139 ] hanno dimostrato che un'ampia gamma di caratteristiche del paesaggio stradale possono essere rilevate dalle scansioni LiDAR delle strade principali effettuate da veicoli mobili, inclusa la presenza di pedoni in una scena, così come la loro posizione/posizione, e la direzione e la velocità del loro viaggio. Nella Figura 4 e nella Figura 5 mostriamo alcuni dei nostri lavori per implementare il rilevamento LiDAR delle strade principali dei negozi a Brooklyn, New York, USA.

Figura 4. Analisi automatizzata del calpestio pedonale in una strada principale di negozi con un sensore LiDAR posizionato nel mezzo delle dinamiche della strada principale.

Figura 5. Calpestio pedonale su una strada trafficata di negozi al dettaglio, ripreso da un LiDAR a otto raggi.

4. Un argomento a favore delle strade principali del commercio al dettaglio senzienti
La tecnologia intelligente discussa nella Sezione 3 può fornire una ricca descrizione di cosa, dove, quando e con chi dell'attività commerciale nelle principali vie. Ciò include la spiegazione di cosa si trova nelle strade principali dei negozi, dove si trovano tali cose nella geografia più ampia e locale di un'area intraurbana, quando appaiono e scompaiono e come oggetti ed eventi potrebbero essere associati tra loro. In effetti, i sistemi informativi di molti rivenditori ora funzionano su un substrato di queste informazioni, o fanno affidamento su porzioni di esse per organizzare le loro operazioni. Nel caso dell’e-commerce mobile (m-commerce), i rivenditori possono addirittura fare affidamento quasi esclusivamente su queste tecnologie intelligenti. Tuttavia, potremmo sottolineare che componenti significativi che fornirebbero il “perché” per abbinare cosa, dove, quando e con chi potrebbero rimanere in gran parte irrisolti, almeno all’aperto. I recenti sviluppi nella tecnologia di rilevamento hanno notevolmente ampliato il punto di vista dei sistemi di vendita al dettaglio sull'attività quotidiana così come si svolge nelle strade principali. Di seguito, discutiamo il ruolo dei computer indossabili, delle fotocamere, della visione artificiale e dell’edge computing come catalizzatori di questi sviluppi. L'apprendimento automatico e l'intelligenza artificiale sono considerazioni importanti in ciascuna di queste discussioni, poiché consentono ai sistemi senzienti di scrutare il percorso del cliente, mentre si svolge in modo naturale lungo le strade principali, e di ragionare sul "perché" dietro il comportamento delle persone negli spazi e nei momenti fugaci. del contesto fornito dalla strada principale.

4.1. Indossabili
I sistemi informativi di vendita al dettaglio sono sempre più propensi a trarre deduzioni dai computer indossabili che molte persone ora adottano [ 140 ]: in particolare quando gli acquirenti utilizzano orologi intelligenti e dispositivi di monitoraggio del fitness per pagare. Diverse tecnologie indossabili includono anche le tecnologie di rilevamento di cui abbiamo discusso nella Sezione 4 . Una caratteristica chiave dell'informatica indossabile è la sua attenzione alla percezione dell'ego (che porta a considerare che i dispositivi indossabili forniscono informazioni sul "sé quantificato" [ 141 ] dei loro utenti), compresi i sensori progettati per rilevare il tocco e la temperatura, la biometria per misurare la frequenza cardiaca e ossigeno nel sangue, accelerometri per rilevare velocità e accelerazione lineare e giroscopi per rilevare orientamento e velocità angolare. È importante sottolineare che le combinazioni di queste letture possono essere utilizzate per costruire una serie di indici di attività e status dell’utente come precursori nella spiegazione del comportamento dell’utente. Altri dispositivi indossabili, tra cui cuffie, piastrelle per il tracciamento di oggetti, fotocamere indossabili ( Figura 6 ) e gioielli intelligenti sotto forma di occhiali e anelli aggiungono inoltre funzionalità di rilevamento in grado di misurare automaticamente il contesto ambientale immediato degli utenti. Ciò include luce, suono e stato dei dispositivi vicini (inclusi array di dati IoT).

Figura 6. Dati su velocità, accelerazione, altitudine, pendenza e pendenza provenienti da un percorso pedonale con una fotocamera indossabile.

Sono stati pubblicati alcuni lavori sull’uso dei dispositivi indossabili per studiare la vendita al dettaglio e alcuni aspetti di questa ricerca esistente hanno rilevanza per la nostra considerazione della sensibilità del commercio al dettaglio intelligente nelle strade principali. Ad esempio, in un breve articolo, Vaidogaite e Sun [ 142 ] hanno riflettuto sui potenziali futuri dell’uso della tecnologia indossabile nella vendita al dettaglio di moda. Öksüz e Maass [ 143 ] hanno dimostrato che è possibile prevedere lo stress degli acquirenti utilizzando i dati dell'accelerometro e della frequenza cardiaca. El Mawass e Kanjo [ 144 ] hanno mostrato una tecnica per costruire mappe dello stress degli acquirenti nei negozi di alimentari, utilizzando i dati di un fitness tracker. Mehmood et al. [ 77 ] hanno sviluppato il framework "In-store Retail Insights on Shopper" (IRIS) per convertire sequenze di micro-attività degli acquirenti in quelli che hanno definito "episodi di acquisto" all'interno dei negozi di alimentari (ovvero, una serie di interazioni individuali considerate gerarchicamente /transazioni con il servicescape). Hanno raggiunto questo obiettivo indicizzando sequenze di gesti degli acquirenti prelevate da orologi intelligenti e smartphone.

4.2. Telecamere e visione artificiale
L’onnipresenza delle videocamere sui paesaggi stradali ha dato un notevole sostegno alle strade principali intelligenti. I feed video vengono comunemente distribuiti come flussi televisivi a circuito chiuso (CCTV) o accessibili in rete (protocollo Internet o IP) da panorami sulle pareti esterne, ingressi/uscite e tetti di negozi al dettaglio per motivi di sicurezza, solitamente con ampi vantaggi di marciapiedi e carreggiate da molteplici prospettive sovrapposte. Allo stesso modo, le telecamere CCTV e IP vengono regolarmente installate da città e paesi nelle infrastrutture stradali come i semafori e gli edifici comunali per monitorare ulteriormente il traffico o per informare sui pedaggi. Naturalmente, sempre più spesso sono gli stessi acquirenti pedonali che catturano e archiviano enormi volumi di dati video e di immagini delle attività nelle strade principali utilizzando le fotocamere dei loro cellulari e altri dispositivi portatili, catturati mentre entrano ed escono dai negozi o viaggiano lungo le strade principali come residenti, pendolari o turisti. Quest’ultimo insieme di dati provenienti dalle telecamere, provenienti dalla folla di persone che popolano le strade principali durante i loro spostamenti, è particolarmente significativo perché le immagini e i video sono spesso indicizzati in modo incrociato con grandi quantità di dati contestuali. Questo contesto proviene da un'ampia gamma di fonti, tra cui posizioni, nomi di luoghi, letture di misurazioni inerziali, dati di eventi, transazioni, messaggi multimediali, codici QR, dati di recensioni e tag di social media che gli utenti aggiungono attivamente al contenuto di video e immagini come contesto. È importante sottolineare che per molti di questi dati è generalmente semplice fare riferimento incrociato agli indici al dettaglio (compresi i dati collegati).

È inoltre disponibile una gamma significativa di tecniche di visione artificiale e apprendimento automatico per analizzare i dati delle telecamere, spesso in tempo reale, e hanno un’ampia capacità di estrarre informazioni significative dalle immagini. Dal punto di vista della visione artificiale tramite telecamere emerge un argomento piuttosto convincente: il “perché” del comportamento al dettaglio è probabilmente accessibile in bella vista in molti di questi flussi di dati. Inoltre, i numerosi punti di vista potenzialmente accessibili dalle telecamere creano la possibilità che il comportamento di strada possa essere interrogato su ampie fasce della città. Si consideri, ad esempio, che la visione artificiale e l'elaborazione delle immagini includono metodi robusti per la registrazione incrociata di immagini provenienti da diverse fonti, punti di vista, luoghi e tempi in modo da poter costruire grandi mosaici compositi di paesaggi stradali [145 , 146 ] . Ciò è forse più comunemente esemplificato dall’uso dei set di dati Street View di Google [ 147 ], che sono presentati come compositi visivi presi da immagini successive di paesaggi stradali da veicoli mobili (ben georeferenziati) [vedi 102 per una panoramica]. Da questi dati si potrebbero ricavare caratteristiche significative dei percorsi dei clienti. Ad esempio, Yin et al. [ 148 ] e Chen et al. [ 149 ] hanno utilizzato le immagini di Google Street View per misurare il volume del traffico pedonale sulle strade. Hara et al. [ 150 ] hanno avuto accesso a Google Street View per classificare l'accessibilità del trasporto pubblico per gli utenti non vedenti e per limitare l'accesso alle rampe per i pedoni con difficoltà motorie [ 151 ]. Rundle et al. [ 152 ] e Kelly et al. [ 153 ] hanno utilizzato i compositi di Google Street View per analizzare diversi quartieri urbani, e Wang et al. [ 154 ] hanno utilizzato un approccio simile per valutare se i paesaggi stradali potessero essere considerati “sani” o meno. Li et al. [ 155 ] si è affidato a Google Street View per stimare l'età dell'edificio dall'aspetto delle facciate del paesaggio stradale presentate nelle immagini. Mooney et al. [ 156 ] hanno utilizzato Google Street View per valutare i potenziali contributi ambientali alle lesioni dei pedoni.

Un'altra fonte popolare di ricerca sulla visione artificiale basata su fotocamere si è sviluppata a partire da archivi di fotografie di persone, spesso caricate su piattaforme di condivisione di foto basate su cloud. In alcuni casi, queste immagini possono essere utilizzate in forma aggregata per generare modelli tridimensionali di paesaggi e scorci stradali [ 157 ]. Utilizzando l'algoritmo Structure from Motion (SfM) [ 146 ], ad esempio, Agarwal e Snavely e colleghi [ 158 , 159 , 160 ] hanno mostrato come ricostruzioni tridimensionali di luoghi turistici popolari nelle aree urbane potrebbero essere sviluppate da raccolte di fotografie turistiche di quei siti. Un recente lavoro nello sviluppo dei campi di radianza neurale (NeRF) sta estendendo questo per supportare la ricostruzione tridimensionale, ma anche la sintesi del punto di vista, dalle immagini. Remata et al. [ 161 ] hanno dimostrato come i “campi di radianza urbana” possano essere modellati con i NeRF combinati con i dati LiDAR per ricostruire modelli molto realistici (e geometricamente accurati) di paesaggi stradali di tutto il mondo.

Questi esempi provengono da applicazioni di scienze urbane, ma è forse semplice per il lettore immaginare come potrebbero essere adattati per fornire informazioni specifiche sulla vendita al dettaglio nelle strade principali, in particolare per indicizzare i comportamenti dei clienti in base alle caratteristiche del panorama dei servizi all'aperto, come la vicinanza alla pubblicità , passaggio davanti alle vetrine, classificazioni automatizzate di piattaforme di valore elevato da elementi visivi del paesaggio stradale e così via. Infatti, segnali significativi di azione, interazione e transazione dei pedoni possono essere estratti dalle immagini della telecamera, spesso con la capacità di inquadrare i comportamenti visivi ad essi associati. Ciò apre la possibilità che la visione artificiale e l’apprendimento automatico possano essere utilizzati per acquisire automaticamente informazioni sul comportamento dei clienti nelle strade principali, dove le telecamere hanno spesso una licenza illimitata per riprendere scene naturali della vita quotidiana. Ad esempio, la visione artificiale è già stata utilizzata per rilevare ed etichettare le pose umane [ 162 ], per classificare scene di paesaggi stradali [ 163 , 164 ], per dedurre categorie di azioni e attività [ 165 ], per identificare oggetti che le persone trasportano [ 166 ] e per tracciare il movimento umano [ 167 ].

4.3. Informatica perimetrale
Tradizionalmente, il grande volume di dati acquisiti negli ambienti di vendita al dettaglio veniva archiviato localmente per la gestione e l’analisi nel sito di raccolta e/o veniva trasferito in luoghi fuori sede, tra cui strutture di archiviazione nel cloud e di elaborazione dati [168] . ]. L'edge computing è stato suggerito come uno schema alternativo, progettato per inviare l'elaborazione a basso consumo e a basso costo in luoghi che si trovano nella posizione di acquisizione dei dati o molto vicino a essa, con l'idea che il dispositivo periferico possa eseguire l'elaborazione iperlocale, mentre i dati vengono raccolti. In questo modo, l’edge computing sfrutta la natura automatica del rilevamento per trasmettere ulteriormente la creazione di senso a un ritmo corrispondente. In alcuni casi, è possibile eseguire analisi estremamente rapide direttamente sul dispositivo periferico, comprese complesse operazioni di visione artificiale, apprendimento automatico e intelligenza artificiale. Ciò lascia aperta la possibilità che le analisi del comportamento possano essere eseguite sul dispositivo periferico (che spesso si trova anche ai margini del paesaggio stradale) con restituzione di informazioni a velocità vicine al tempo reale. Molti dispositivi edge si basano su software containerizzato, ovvero firmware e librerie software di dimensioni ridotte che contengono sistemi operativi, file system, protocolli e routine di analisi ridotti, che possono essere personalizzati e trasferiti rapidamente ai dispositivi edge. Piattaforme come “Docker” [ 169 ], “Kubernetes” [ 170 ] e “Singularity” [ 171 ] sono esempi di contenitori popolari.

In molti casi, i contenitori per dispositivi edge sono progettati specificamente per ottimizzare una particolare modalità di sensore collegata alla piattaforma edge, ad esempio contenitori per la visione artificiale che si concentrano esclusivamente sull'identificazione dei pedoni e sul riconoscimento delle azioni sui dati trasmessi da una videocamera connessa [ 81 ]. Da questi casi particolari si sviluppano sistemi per l’intelligenza artificiale Edge (Edge AI) [ 172 ]. Molte soluzioni Edge AI potrebbero funzionare in stretta collaborazione con Linked Data, con il dispositivo edge che fornisce una semantica iperlocale dal loro punto di vista particolare, ma è comunque in grado di agganciarsi a sistemi informativi più centralizzati. Ad esempio, potrebbe essere necessario comunicare alle risorse cloud solo le informazioni salienti, riducendo così costi e latenza. In alcuni casi, gli schemi di tutela della privacy possono anche essere incorporati direttamente nel dispositivo periferico in modo che i dati siano protetti vicino al momento dell'acquisizione [ 173 ].

Finora, l'edge computing per le applicazioni di vendita al dettaglio è stato in gran parte di proprietà dei rivenditori (ad esempio, per i loro sistemi informativi interni e locali, piattaforme informatiche basate su cloud e protocolli di comunicazione), con il risultato che i sistemi di edge computing e non sono generalmente ben trattati nella letteratura accademica. Tuttavia, come discuteremo nella Sezione 5.2 , ci sono alcuni filoni di ricerca significativi che si sviluppano dall’intelligenza artificiale all’avanguardia delle strade principali.

5. Funzionalità per le strade principali del commercio al dettaglio intelligenti e senzienti
In questa sezione dell’articolo desideriamo esplorare il modo in cui la vendita al dettaglio intelligente sta lasciando il posto alla vendita al dettaglio senziente. In particolare, ci concentreremo sulle capacità di vendita al dettaglio del geo-targeting, del wireless edge (Wi-Edge), della realtà aumentata ed estesa, del deep learning sui paesaggi stradali, della nascente idea di comunità come piattaforma, dello sviluppo di sistemi informativi sul percorso del cliente (CJIS) , nuove opportunità per scambi pubblicitari al dettaglio, intelligenza sensibile al contesto, pubblicità e display intelligenti e negozi contactless. Affronteremo anche la miriade di preoccupazioni sulla privacy e sull'etica che queste capacità promuovono se considerate in relazione allo studio del comportamento negli spazi pubblici.

5.1. Targeting geografico
Il campo della geodemografia [ 174 , 175 , 176 ] è stato ampiamente sviluppato per la vendita al dettaglio [ 177 , 178 ], come metodo per classificare e segmentare i clienti e i bacini di utenza del mercato. La geodemografia inizialmente si è sviluppata dalla ricerca di analisi di mercato [ 179 ] basata sulle scienze geografiche [ 180 ], in particolare dagli sforzi per costruire analisi sociali [ 181 , 182 ] e spaziali [ 183 , 184 ] dei mercati a partire dai dati del censimento [ 185 ], utilizzando Sistemi di informazione geografica (GIS) [ 186 , 187 ]. Nella sua forma essenziale, la geodemografia fornisce una serie di tecniche per caratterizzare i clienti in base al luogo in cui vivono. Queste classificazioni possono poi essere utilizzate per localizzare i negozi al dettaglio in particolari aree di mercato [ 188 ] e per progettare campagne pubblicitarie mirate ai profili dei clienti desiderati [ 189 ].

Tradizionalmente, i dati geodemografici erano stati relativamente grossolani (di solito con risoluzione intraurbana) nelle loro indagini, in parte a causa di un focus originale sull'analisi di mercato applicata, ma anche per il loro affidamento iniziale su dati di censimento che erano accessibili solo per grandi agglomerati areali di abitazioni. unità, ad esempio, codici postali. Tuttavia, l’avvento delle tecnologie intelligenti ha creato nuove piattaforme ad alta risoluzione per la geodemografia, con la prospettiva che la scienza possa essere affinata per rappresentare i singoli clienti [ 190 ]. Ciò crea nuove opportunità per far avanzare la geodemografia da ricerche di mercato essenzialmente statiche a un targeting più dinamico, con il risultato che i passanti potrebbero essere influenzati individualmente dalle offerte pubblicitarie, o addirittura che i loro comportamenti di acquisto potrebbero essere indicizzati a quelli di altri clienti nei flussi socio-spaziali di traffico pedonale lungo le strade. Generalmente, i dati geodemografici destinati a raggiungere gli individui sono considerati sotto il soprannome di “geo-targeting”. In sostanza, il targeting geografico utilizza classificazioni geodemografiche, insieme a stime su scala ridotta della posizione di un cliente, per trasmettere un indice raggruppato della probabile piattaforma di valore di un cliente, dell'intenzione di acquisto, della tassonomia dello stile di vita, ecc. a un servizio pubblicitario o a un software. Questo servizio può personalizzare i contenuti, come suggerimenti di prodotti o coupon [ 191 ], che si rivolgono al potenziale cliente per il patrocinio. Il targeting geografico viene solitamente effettuato su piattaforme e considerazioni di m-commerce, con la possibilità che tra il targeting e la fornitura del servizio possano essere avviati anche scambi pubblicitari, ovvero aste online molto rapide tra potenziali offerenti per attirare l'attenzione del cliente tramite pop digitale pubblicità in primo piano e contenuti interni all'applicazione [ 192 ]. Nella Figura 7 mostriamo un esempio tratto dal nostro lavoro per sviluppare schemi di targeting geografico in grado di alleare i segnali del linguaggio del corpo del cliente con aree geografiche molto piccole di spazio sugli scaffali nei negozi al dettaglio, utilizzando i metadati JSON (JavaScript Object Notation) per tradurre la connessione tra lo spazio di vendita e lo spazio corporeo del cliente nelle informazioni sul prodotto e nell'attività e nell'atteggiamento del cliente dedotti.

Figura 7. Il nostro framework di edge computing per l'identificazione dei clienti e il riconoscimento delle azioni indoor

Vale la pena menzionare qui due estensioni rilevanti del targeting geografico, a causa della loro rilevanza per le strade principali del commercio al dettaglio intelligenti e senzienti. Il primo è la pratica del geo-fencing [ 193 ], in base alla quale la pubblicità mirata viene indirizzata a tutti i dispositivi utilizzabili che rientrano nella portata (solitamente a breve distanza) di un particolare negozio. Questa è una componente della “conversione del traffico”, cioè convincere i passanti a frequentare un negozio. Sempre più spesso, gli individui in un flusso di traffico pedonale nelle strade principali sono inclini alla conversione attraverso informazioni che vengono inviate direttamente ai loro dispositivi [ 193 ], spesso mentre sono anche fisicamente incorporati nel panorama della vendita al dettaglio delle strade principali, con un'esposizione commisurata alle esposizioni dei prodotti , influenza sociale dei pedoni ambientali, segnaletica sulle vetrine dei negozi, ecc. Il secondo concetto è la geo-conquista [ 194 , 195 ], in cui i concorrenti di un dato negozio possono trasmettere promozioni mirate ai dispositivi dei pedoni mentre si avvicinano a un negozio rivale. In sostanza, la geo-conquista è progettata per sottrarre il traffico pedonale e la clientela da un concorrente, nel tentativo di indirizzare invece quel traffico e la clientela al tuo negozio.

Le versioni estese del targeting geografico possono spesso essere realizzate in modo semplice cambiando il mezzo dei punti di contatto dalla forma analogica a quella digitale. L'uso di coupon digitali (e spesso localizzati) è un primo esempio, così come l'uso dei codici Quick Response (QR) negli schermi pubblicitari delle strade principali e dei coupon mobili basati su push [ 196 ] per accentuare la pubblicità basata sulla posizione [ 197 ] tramite targeting geografico [ 198 ]. Il targeting geografico senziente è sempre più possibile anche attraverso varie forme di apprendimento automatico progettate per il marketing mirato, in particolare per visualizzare annunci pubblicitari su piattaforme di e-commerce e m-commerce [194, 199], spesso su dati prodotti dalle strade principali della vendita al dettaglio intelligente . Ad esempio, Provost et al. [ 200 ] ha proposto il concetto di "rete di geosimilarità" (GSN) che, essenzialmente, segmenterebbe i potenziali clienti basandosi esclusivamente sulla posizione dei loro dispositivi, sulla base del fatto che dispositivi simili che appaiono in posizioni simili potrebbero essere indicativi di condivisione profili dei clienti. Provost et al. [ 200 ] ha dimostrato che, per le aste pubblicitarie online, una segmentazione di questo tipo è possibile a partire da un'unica visita condivisa. Il GSN si basa sulle loro ricerche precedenti per sviluppare schemi per classificazioni basate sulla rete per il marketing [ 201 ], nonché sul lavoro di Crandall et al. [ 202 ] (tra gli altri), che mostrava connessioni statistiche tra social network [ 203 ] e geografie di movimento [ 204 ] attraverso ampi database di modelli spazio-temporali nelle piattaforme di social media.

Il lavoro di Cezar e Raghunathan [ 205 ] ha dimostrato che il targeting geografico può essere esteso dalle posizioni alle traiettorie. Risultati simili sono stati riportati nella ricerca di simulazione di Crooks et al. [ 206 ]. Il tema delle traiettorie è forse abbastanza importante per la nostra discussione qui, se si considera la possibilità che il targeting geografico possa essere adattato direttamente ai percorsi dei clienti, distinguendo, ad esempio, tra la fase di shopping in vetrina di un percorso del cliente e le fasi post-acquisto per assistere rispettivamente nella consegna di materiale promozionale e di contenuti di fidelizzazione dei clienti. Lian et al. [ 198 ] ha discusso come il targeting geografico possa essere migliorato utilizzando il targeting temporale e il targeting comportamentale [ 207 ] (usando tecniche per creare queste informazioni da dispositivi intelligenti) per sviluppare un targeting contestuale che abbia alti gradi di "pertinenza situazionale" per il potenziale cliente (p. 30). Hanno dimostrato l'utilità del targeting contestuale nello sviluppo di annunci pubblicitari display per dispositivi intelligenti per la vendita al dettaglio di ristoranti. La questione del contesto edilizio delle strade principali dello shopping intelligente è qualcosa che affronteremo nella Sezione 5.7 .

Schweidel et al. [ 208 ] hanno discusso di come i consumatori spesso trasmettano volontariamente segnali del loro comportamento, utilizzando dispositivi intelligenti nelle strade principali, e che collettivamente questi segnali presentino opportunità significative per studiare (e monetizzare) il percorso del cliente. I clienti possono farlo anche quando altri utenti, al contrario, cercano di mascherare quanti più segnali possibili del loro comportamento, a causa delle preoccupazioni sulla loro privacy. Ciò presenta una sorta di enigma se consideriamo l'intento originale della geodemografia, che consente agli utenti di essere associati ad altri utenti semplicemente in base alla loro posizione. In altre parole, mentre un gruppo di utenti potrebbe cercare di rinunciare al targeting geografico, gli schemi di analisi geografica invocati dal targeting geografico potrebbero stabilire modalità attraverso le quali i rivenditori possano identificarli ed eventualmente indirizzarli comunque.

5.2. Wi-Edge
L’interoperabilità tra i dispositivi edge e le nuove forme di comunicazione di cui abbiamo parlato nella Sezione 3 , come il 5G e l’IoT, hanno facilitato sviluppi compositi come la radio definita dal software (SDR) che stanno portando a ulteriori progressi nell’edge computing. Lo chiamiamo “Wi-Edge”, per evocare l’insieme di tecnologie che consentono alle capacità accoppiate di rilevamento e analisi dell’edge computing di raggiungere le strade principali del commercio al dettaglio dove possono essere utilizzate per costruire una comprensione senziente di eventi, fenomeni e le cose che sono nelle loro vicinanze.
In particolare, Wi-Edge fa avanzare il concetto di IoT oltre la sua tradizionale attenzione al networking, aggiungendo la capacità di eseguire anche calcoli (nonché comunicazioni) tra "cose" e supportando in particolare l'intelligenza artificiale che può aiutare quelle cose a costruire un contesto in tempo reale. [ 209 ]. Le funzionalità di data science e machine learning di Edge AI possono ora essere trasmesse in una portata iperlocale da dispositivi edge. Ad esempio, Matveev et al. [ 210 ] hanno dimostrato che un deep learning piuttosto sofisticato per il rilevamento di oggetti e caratteristiche nelle scene del paesaggio stradale può essere eseguito su dispositivi periferici (con una risoluzione sufficiente per identificare i dati di altezza e larghezza), con i risultati comunicati tramite reti IoT. Wi-Edge può anche fornire supporto per forme mobili di edge computing: il cosiddetto “Mobile Edge Computing” (MEC) [ 211 ].

L’uso dell’Edge AI nei veicoli autonomi è forse emblematico di questi sviluppi. Mentre i veicoli autonomi o semiautonomi si muovono lungo le strade, una serie di sensori comunemente analizzano le scene delle strade principali [ 212 ]. Nella maggior parte dei casi, il rilevamento in questi casi viene utilizzato per assistere nel controllo sensomotorio del veicolo o per ADAS. Sempre più spesso, i flussi di dati forniti dai sensori dei veicoli (ad esempio, telecamere RGB, LiDAR, infrarossi previsionali (FLIR) e radar basati su ultrasuoni) vengono considerati utilizzabili dai dispositivi edge per un'analisi rapida, perché i veicoli richiedono risultati a breve termine e perché la maggior parte dei veicoli non può ospitare hardware di elaborazione e archiviazione dati di grandi dimensioni. Il risultato è che i veicoli stanno, essenzialmente, diventando piattaforme di telerilevamento onnipresenti [ 213 ] ai margini delle strade principali, con panorami ad altissima risoluzione, alta fedeltà, alta frequenza e alta intelligenza sulle strade principali dei negozi. Inoltre, i veicoli compatibili con ADAS impiegano molto tempo a calcolare ciò che vedono: segmentare le scene delle strade principali; identificare persone, cose e oggetti; tracciare il movimento di ostacoli dinamici; georeferenziarli in frame egocentrici (macchina-cosa) e allo-centrici (cosa-cosa); costruire mappe volumetriche dell'ambiente formando nuvole di punti; ed eseguire la corrispondenza delle mappe per determinare la loro posizione all'interno di tali mappe [ 214 ]. Le tecnologie Wi-Edge come le comunicazioni a onde millimetriche (mmWave) consentono la trasmissione di quantità relativamente grandi di dati (~7 Gbps), il che significa che enormi volumi di dati dei sensori possono essere scambiati da veicoli abilitati all'edge. Le comunicazioni stesse possono essere utilizzate anche per eseguire nuovi rilevamenti. Gu et al. [ 215 ], ad esempio, hanno dimostrato che mmWave può essere utilizzato per il rilevamento di persone su scala individuale, in base alla direzionalità, all'impenetrabilità, alla riflessione e alla diffusione del segnale [ 215 ] . Spandonidis et al. [ 72 ] ha introdotto il sistema “ODOS2020”, che consente la comunicazione dei dati stradali direttamente ai veicoli. È concepibile che gran parte delle informazioni intelligenti e senzienti che proponiamo per le strade principali del commercio al dettaglio possano essere comunicate in modo fattibile da un sistema simile, magari in modo bidirezionale.
Potremmo notare, inoltre, che i dispositivi edge possono essere (e solitamente lo sono) anche collegati a risorse informatiche centralizzate e al cloud computing, con il risultato che tali risorse possono anche essere utilizzate in scenari edge. Okazaki e Peng [ 216 ], nella loro considerazione dei potenziali impatti della telefonia 5G sulla pubblicità mobile, hanno discusso che la maggiore larghezza di banda del 5G potrebbe consentire una granularità molto fine nel targeting e nella distribuzione della pubblicità ai dispositivi intelligenti mentre i consumatori attraversano la vendita al dettaglio. strade alte. La chiave per fare ciò, hanno sostenuto, è l’adattabilità nel targeting resa possibile dalle connessioni del 5G all’elaborazione in tempo reale, che secondo loro era probabile che fosse realizzata dall’intelligenza artificiale. Nuove tecnologie come le reti di accesso radio basate su cloud (cloud RAN) possono supportare ciò a livello di protocolli di comunicazione, mentre nuove forme di radio come le radio cognitive [ 217 ] che possono cercare in modo intelligente piccole aree dello spettro radio per le connessioni su richiesta forniscono un livello di agilità che rende utilizzabili le connessioni dinamiche e mobili tra Wi-Edge e il cloud. Le sinergie tra edge computing e cloud computing, ad esempio, sono ben illustrate dall’apprendimento federato [ 218 , 219 ]. L’apprendimento federato può aiutare a connettere l’intelligenza artificiale locale di singoli dispositivi edge, tramite il cloud computing, in gruppi di formazione e apprendimento che collettivamente forniscono intelligenza completa, al di sopra di quella locale. Ciò potrebbe essere particolarmente utile per l’informatica e la sensibilità nelle strade principali del commercio al dettaglio, dove i singoli sensori e le cache di dati possono avere solo una visione parziale (ma privilegiata) di scene più ampie del traffico pedonale e delle dinamiche stradali.

Altrove, abbiamo dimostrato che Wi-Edge può essere utilizzato per analizzare le azioni individuali dei pedoni nel contesto dell'attraversamento delle infrastrutture nelle strade principali del commercio al dettaglio, in tempo reale, utilizzando il sistema SOM (System on Module) basato su edge e il deep learning containerizzato [ 81 ]. Il sistema che abbiamo sviluppato è in grado di identificare i pedoni nelle scene video delle strade principali, classificare le loro pose rispetto a probabili azioni di acquisto, segmentare la scena per determinare le caratteristiche del paesaggio stradale e identificare oggetti (come borse della spesa) trasportati dai pedoni. Tutti questi dati possono essere trasmessi direttamente a una serie di indicatori chiave di prestazione (KPI), che potrebbero potenzialmente essere componenti dei sistemi informativi di vendita al dettaglio del negozio o di piattaforme informative della comunità. Il sistema funziona sia all'esterno che all'interno ( Figura 7 e Figura 8 ).

Figura 8. La nostra implementazione Wi-Edge di identificazione e censimento dei pedoni all'aperto lungo la strada.

5.3. Sistemi di raccomandazione per la vendita al dettaglio di High Street
I singoli negozi (o negozi in franchising) sono solitamente i principali benefattori delle informazioni derivate dalla vendita al dettaglio intelligente e senziente, nel senso che le informazioni prodotte sono spesso progettate per essere utilizzate dai negozi stessi e servono come vantaggio competitivo per un singolo negozio rispetto ai suoi negozi. concorrenza. Tuttavia, questo isolamento dei vantaggi non è necessariamente vero per l’analisi del flusso di clienti lungo le strade principali del commercio al dettaglio, dove molti rivenditori possono condividere economie di scala e dove attirare clienti nell’area di vendita al dettaglio è una preoccupazione collettiva tra le diverse imprese di vendita al dettaglio [ 220 ] . Ci sono vantaggi per i rivenditori al dettaglio di High Street nel condividere le informazioni dai loro sistemi intelligenti e senzienti e nello sviluppare sistemi comuni [ 38 ].

Sistemi di raccomandazione Lu et al. [ 221 ] sono un esempio ben sviluppato di piattaforme di informazione condivise che consentono a diversi soggetti interessati di ottenere vantaggi comuni. Ad esempio, la maggior parte dei principali servizi di taxi e sistemi di condivisione delle corse utilizzano commercialmente sistemi di raccomandazione a livello stradale (che possono anche avere collegamenti con rivenditori come ristoranti che offrono servizi di consegna). Yuan et al. [ 222 ], ad esempio, ha introdotto il sistema “T-Finder” per abbinare i taxi liberi ai passeggeri, costruito in gran parte attorno ai dati di tracciamento GPS dei taxi. Di Martino e Rossi [ 68 ] hanno descritto un sistema di raccomandazione per la pianificazione di viaggi di veicoli multimodali in un contesto di città intelligente che tiene conto di viaggi privati, parcheggio e trasferimenti al transito. Mishra et al. [ 66 ] e Sarker et al. [ 223 ] ha presentato un sistema di raccomandazione per il trasporto multimodale, comprendente ferrovia, metropolitana leggera, autobus e metropolitana. Gavalas et al. [ 224 ] hanno descritto una varietà di sistemi di raccomandazione mobile utilizzati nel turismo, compresi i consigli di punti di interesse (POI) (che, notiamo, potrebbero essere strade principali commerciali), servizi turistici, social network e suggerimenti di percorsi e tour. Sasaki e Takama [ 225 ] hanno introdotto un sistema di raccomandazione di percorsi pedonali che utilizza la funzionalità delle città intelligenti per fornire suggerimenti personalizzati sulla comodità del percorso, sulla sicurezza e sulla pedonabilità. Gavalas et al. [ 224 ] ha discusso il ruolo della consapevolezza del contesto e dell'inferenza del contesto (il contesto dell'utente, nonché dell'ambiente in cui si trova) nei sistemi di raccomandazione (p. 330), che è un aspetto delle strade principali del commercio al dettaglio che noi discuteremo nella Sezione 5.3 .

Betzing et al. [ 226 ] ha introdotto un esperimento sul campo a Paderborn, in Germania, per testare un sistema di raccomandazione progettato per sfruttare in particolare la geografia delle strade principali del commercio al dettaglio. Hanno discusso i precedenti sforzi per costruire sistemi di raccomandazione geografica all'interno dei centri commerciali. L'applicazione sviluppata da Betzing et al. [ 226 ], invece, fa uso di NFC (vedi Sezione 3.3 ), in particolare di beacon BLE per raccogliere traiettorie spaziali dei consumatori in una strada principale. Queste traiettorie costituivano gli ingredienti per una serie di analisi di clustering (utilizzando DBSCAN [ 227 ]) progettate per filtrare i clienti e abbinarli alle raccomandazioni. (Il loro sistema fa uso della piattaforma “Smartmarket”, di cui parleremo nella prossima sezione). Betzing et al. [ 226 ] ha elencato una serie di ipotesi che potrebbero essere testate utilizzando la geo-raccomandazione. Non è difficile immaginare che queste stesse ipotesi possano essere trasformate in KPI per le strade principali o per i singoli negozi. Le ipotesi includono la forza delle geo-raccomandazioni nell'influenzare la propensione dei clienti a visitare nuovi rivenditori, così come la loro probabilità di tornare nei negozi precedentemente visitati; correlazione tra geo-raccomandazione e durata dei viaggi dei clienti nelle vie principali e numero di negozi visitati durante tali viaggi (ibid. p. 7); così come l'influenza tra i geo-consigliatori e la percezione dei clienti dell'utilità delle strade principali, l'attrattiva relativa delle strade principali e le connessioni tra tali percezioni e l'intenzione di visita (ibid. p. 8).

5.4. Comunità come piattaforma
Recentemente è stata avanzata l'idea di sfruttare le comunità che si formano nelle e all'interno delle strade principali del commercio al dettaglio come una piattaforma per i sistemi informativi del commercio al dettaglio e forse altre applicazioni. La relazione tra i tipi di dati prodotti dalle città intelligenti e le interpretazioni in evoluzione delle comunità che possono essere interpretate da tali dati è particolarmente ben discussa in [ 228 ]. La nozione di comunità come piattaforma si estende dalle osservazioni nella scienza della vendita al dettaglio delle comunità (di consumatori e rivenditori) che si sono sviluppate attraverso legami fisici accoppiati e comunità virtuale attraverso i social media. Gli inserzionisti, ad esempio, utilizzano queste comunità per co-creare l'esperienza del cliente in canali bidirezionali tra i sistemi di informazione che i negozi possono facilmente assemblare per raccogliere gli interessi e le recensioni dei clienti, e il passaparola e i social network che i clienti possono sviluppare insieme. . Questi possono essere collegati ai percorsi dei clienti tramite punti di contatto del prodotto e branding del panorama dei servizi.

La questione di come le comunità all'interno dei sistemi informativi potrebbero confluire in comunità di persone e istituzioni [ 229 ] è un argomento che merita un interesse significativo. Choe et al. [ 230 ] ha dimostrato che i destini economici del commercio al dettaglio e delle comunità locali sono spesso intrecciati. Lund et al. [ 231 ] hanno documentato come il coinvolgimento dei rivenditori con la comunità possa migliorare le loro relazioni con i consumatori. Peters e Bodkin [ 232 ] hanno dimostrato che il coinvolgimento della comunità è associato alla fiducia dei consumatori nel personale del negozio, al loro godimento dell'esperienza di acquisto, al senso di soddisfazione per i singoli negozi e al senso di impegno verso negozi particolari. I collegamenti alle informazioni potrebbero non essere troppo lontani. Lyu e Kim [ 233 ], ad esempio, hanno dettagliato le correlazioni tra il senso psicologico di comunità che i consumatori demografici più giovani sviluppano attraverso le connessioni tra i social media e l'interattività del marchio.

Bartelheimer et al. [ 37 ] ha introdotto un sistema dedicato per facilitare le comunità intelligenti; è collegato al loro lavoro associato sulla mappatura dei percorsi dei clienti nelle strade principali del commercio al dettaglio [ 36 , 38 ]. Si riferiscono al concetto di “Smartmarket”, progettato per istanziare piattaforme a livello comunitario per la vendita al dettaglio intelligente nelle strade principali [ 37 ]. Smartmarket ha lo scopo di collegare le connessioni tra i sistemi informativi di vendita al dettaglio (centralizzati), i sistemi informativi che facilitano le operazioni del negozio e i dispositivi intelligenti (telefoni e tablet) degli aspiranti clienti che passano per le strade principali. È progettato come una rete laterale che potrebbe potenzialmente coinvolgere anche il governo locale, formando ciò che Bartelheimer et al. [ 37 ] si riferisce a un “ecosistema di servizi” che coinvolge diversi stakeholder principali in un ruolo in cui possono co-creare valore al dettaglio. Bartelheimer et al. [ 37 ] prevedevano che Smartmarket potesse supportare campagne promozionali condivise tra i rivenditori e promuovere sistemi di raccomandazione da localizzare in aree geografiche specifiche delle strade principali. La chiave per raggiungere questo obiettivo è stata la progettazione di Smartmarket come una “piattaforma digitale multilaterale” [ 37 ] (p. 5), simile ai grandi sistemi informativi che molte catene di vendita al dettaglio hanno sviluppato per gestire le loro operazioni nei negozi, ma che si sono invece concentrati su ecosistemi locali di rivenditori di piccole e medie dimensioni all'interno di una comunità di High Street. Le piattaforme multilaterali facilitano le connessioni tra attori (che spesso sono terzi), che lavorano per fornire servizi di scambio [ 234 ]. Nel contesto di una strada principale e con l'obiettivo di istanziarla come piattaforma comunitaria, diversi attori (rivenditori, governo locale, camere di commercio, inserzionisti, coordinatori di eventi, clienti, potenziali clienti) potrebbero essere riuniti, attraverso la condivisione piattaforma di una strada tangibile [ 26 ] e la piattaforma virtuale di applicazioni di e-commerce o applicazioni di social networking [ 235 ]: per scambiare consigli e recensioni, acquistare beni e servizi e impegnarsi in esperienze di strada. Gran parte della tecnologia intelligente discussa nella Sezione 3 è prontamente disponibile per rendere realizzabili vari aspetti di questa piattaforma.

5.5. Scambi pubblicitari di High Street
Keegan et al. [ 236 ] hanno descritto una serie di sistemi di raccomandazione progettati per supportare il commercio ubiquo (u-commerce). Si ritiene che l’U-commerce faciliti uno scambio ininterrotto di dati commerciali e interazioni tra venditore e cliente, come un’estensione dell’m-commerce (per supportare le transazioni mentre un utente è in movimento) e delle forme tradizionali di e-commerce. Questi scambi funzionano come una sorta di mercato informativo in cui gli inserzionisti possono competere per il posizionamento sulle piattaforme di raccomandazione al dettaglio. Keegan et al. [ 236 ] hanno introdotto il proprio sistema di raccomandazione, "Easishop", progettato per raccogliere dati da potenziali clienti e trasmettere tali dati a sistemi di scambio che, in sostanza, entrano in un quadro di tipo asta per fare offerte per l'attenzione o il patrocinio dei clienti . Durante il processo vengono raccolte e organizzate numerose informazioni dettagliate sui clienti e sui potenziali clienti. Un sistema simile, "Shopper's Eye" [ 237 ], è stato progettato per raccogliere dati sugli obiettivi di acquisto dei clienti, sull'ubicazione, sulle preferenze di vendita al dettaglio e sulla cronologia delle transazioni. Questi dati sono stati raggruppati e scambiati con i negozi che soddisfano i criteri dei clienti, apparendo come notifiche a cui i negozi potevano quindi rispondere con incentivi e offerte [ 236 ]. Shopper's Eye gestirà quindi l'erogazione di questi incentivi al cliente sul proprio dispositivo. Un altro sistema in questa tradizione, "Impulse" [ 238 ] è stato progettato per i clienti: gli utenti possono inserire un elenco di beni a cui sono interessati, nonché termini specifici per tali beni (ad esempio, disponibilità del prodotto, prezzo, recensione del venditore criteri, tempi di acquisto e dettagli della garanzia). Mentre l'aspirante cliente viaggia in luoghi diversi, questo pacchetto di prodotti desiderati e termini di prodotto viene scambiato con negozi che si trovano nelle vicinanze della posizione dell'utente. Il sistema tratta le aree geografiche di vendita al dettaglio che vanno dai singoli negozi, ai centri commerciali e alle “zone commerciali” [ 236 ]. Sul sistema Impulse, i commercianti possono partecipare ad uno scambio di informazioni di base, essenzialmente per contrattare per il patrocinio di un determinato cliente. La loro considerazione su come fare offerte per tale patrocinio considera un insieme di fattori, tra cui la disponibilità dei beni nei loro negozi e scorte, l'età e la durata di conservazione di tali beni, la fedeltà del cliente e la probabilità di una vendita [ 236 ] . Inoltre, i dati derivati ​​nello scambio potrebbero essere utilizzati per perfezionare il modo in cui il rivenditore si rivolge ai clienti nelle interazioni future. Easishop [ 236 ] è stato progettato specificamente per l'uso nelle strade principali. Come con Impulse, Easishop si affida agli utenti che compilano una lista della spesa sul proprio dispositivo. Dopo essersi trasferiti in una strada principale, la lista della spesa del potenziale cliente viene passata ai rivenditori vicini e una negoziazione per quella consuetudine viene mediata utilizzando agenti software.

Se si considera la quantità di dati che le città intelligenti e i dispositivi intelligenti potrebbero potenzialmente raccogliere dai clienti, e la crescente sensibilità che tali dispositivi sono in grado di stabilire rispetto ai comportamenti degli utenti, è forse subito evidente che simili scambi di informazioni potrebbero essere costruiti per coprire un ampio varietà di transazioni al dettaglio nelle strade principali.
La migrazione di queste funzioni nelle piattaforme pubblicitarie esistenti sarà probabilmente il prossimo passo. Ad esempio, sono ora disponibili diverse piattaforme di e-commerce per esaminare le opzioni pubblicitarie in-content e pop-up sui dispositivi degli utenti e fare offerte per tali opportunità. Questi includono " Google Ad Exchange ( AdX )" [ 239 ]. Queste piattaforme sono generalmente aperte alle offerte in tempo reale (RTB) [ 240 ] in strutture di tipo asta [ 241 ], il che aumenta la possibilità che si possa prendere in considerazione un'ampia gamma di informazioni sull'utente, oltre al contenuto della pagina online in cui l'utente la pubblicità viene presa in considerazione per la visualizzazione. Queste informazioni potrebbero, ad esempio, studiare le preferenze e i dettagli di routine degli utenti (come trasmessi dai loro dispositivi e dalla loro storia di interazione e transazione su quel dispositivo), la loro ombra di dati nel cyberspazio e nei social media [ 242 ], così come le informazioni rilevate da negozi intelligenti nelle strade principali o anche dal dispositivo stesso dell'utente. Inizialmente, questi dati potrebbero provenire dal targeting geografico iperlocale (vedere Sezione 5.1 ). Inoltre, le infrastrutture Wi-Edge potrebbero potenzialmente fornire il mezzo per trasmettere informazioni in tempo reale (vedi Sezione 5.2 ). Purtroppo, la prospettiva di enormi quantità di dati molto personali e personalizzati scambiati in mercati mediati da software, forse raccolti e raccolti automaticamente mentre i pedoni camminano semplicemente per una strada principale, o progettati per indirizzarli in base al luogo in cui si trovano occupare brevemente nel corso della loro attività di routine, apre un’ampia fascia di privacy e preoccupazioni etiche. Ne discuteremo più dettagliatamente nella Sezione 5.11 .

5.6. Sistemi informativi sul percorso del cliente
Qui, consideriamo una nuova struttura per l'organizzazione dei dati relativi alla vendita al dettaglio nelle strade principali: il "sistema informativo sul percorso del cliente" (CJIS). Riteniamo che il targeting geografico delle strade principali, i sistemi di raccomandazione al dettaglio, così come gli scambi pubblicitari potrebbero essere basati sulla struttura fornita da CJIS e che le strade principali del commercio al dettaglio intelligenti e senzienti potrebbero fornire ai sistemi flussi di rifornimento di informazioni e contesto.

La struttura del percorso del cliente [ 243 , 244 , 245 ] ha avuto origine nella gestione del cliente come un modo per organizzare e guidare le esperienze del cliente [ 32 ]. Il framework ha quattro componenti principali. Innanzitutto, le esperienze dei clienti sono considerate come un viaggio attraverso i paesaggi dei servizi di vendita al dettaglio. Il termine servicescape è una rielaborazione dell'idea di paesaggio e generalmente richiama una considerazione del layout del negozio, dell'esposizione dei prodotti, del marketing e del marchio e delle atmosfere come l'illuminazione, la musica e l'aroma (originariamente in ambienti di vendita al dettaglio interni). Gli aspetti del panorama dei servizi possono anche prendere in considerazione considerazioni relative al personale, ad esempio la collocazione degli addetti all'accoglienza e dei portieri all'ingresso dei negozi. Il panorama dei servizi può includere anche fattori di prevenzione delle perdite come il posizionamento di telecamere, personale di sicurezza ed etichettatura dei prodotti. Istanze particolari di un servicescape vengono spesso definite modelli di servizio. I viaggi dei clienti attraverso il panorama dei servizi di vendita al dettaglio possono comportare un viaggio fisico, ovvero il percorso che un cliente segue dall'ingresso alla struttura, attraverso lo shopping, la cassa e l'uscita. Sempre più spesso il viaggio prende piede in diversi canali di vendita al dettaglio: iniziando, ad esempio, con la navigazione nell'e-commerce, per finire magari con una visita al prodotto tangibile in negozio. Quando il percorso del cliente può spostarsi agilmente tra canali di vendita tangibili e digitali, assume una compresenza in forma virtuale e fisica, come la vendita al dettaglio omnicanale. Pertanto, il viaggio può anche essere considerato come un percorso attraverso un grafico decisionale, ad esempio visitando diverse opzioni di scelta in una gerarchia di prodotti e categorie. I percorsi del cliente possono essere differenziati in base alla loro fase, ad esempio rispetto alla sequenza tradizionale di un funnel di vendita, alla sequenza del processo di acquisto o alla geografia di un negozio. Le connessioni tra il cliente e le offerte di servizi, il cliente e le tipologie di comportamento d'acquisto (guardare le vetrine invece di entrare in un negozio, per esempio), e il cliente e gli eventi lungo il viaggio (contatto con il personale di vendita, accettare un volantino per strada) sono considerati punti di contatto. I punti di contatto possono essere interazioni e transazioni passive o attive e di solito sono localizzati in fasci discreti di spazio e tempo. I punti di contatto vengono sempre più considerati in modi diversi, comprese le connessioni con le tecnologie digitali attraverso canali di vendita al dettaglio non fisici (ad esempio, sul Web, nelle applicazioni dei social media, nei mezzi pubblicitari). Uno dei principi principali della vendita al dettaglio omnicanale, ad esempio, è che i clienti possono avere più punti di contatto (sovrapposti) attraverso diversi canali di vendita al dettaglio.

Collettivamente, i componenti del percorso del cliente consentono una pianificazione e gestione strutturata delle operazioni di vendita al dettaglio. È importante sottolineare che il percorso del cliente fornisce anche un quadro per la raccolta dei dati e per l'elaborazione. In effetti, potremmo sostenere che il percorso del cliente fornisce una delle principali piattaforme per rendere più intelligente la vendita al dettaglio. Poiché gran parte del percorso del cliente si svolge in fasi esterne ai negozi, nelle strade principali del commercio al dettaglio, sosteniamo anche che il percorso del cliente può essere utilizzato come struttura per una vendita al dettaglio intelligente e senziente nelle strade principali. Berendes [ 38 ], ad esempio, ha posto la questione se il comportamento degli acquirenti nelle strade principali potesse essere identificabile direttamente dall'analisi delle traiettorie del percorso del cliente.

Negli studi urbani, così come negli studi sulla vendita al dettaglio, molte ricerche hanno già indagato empiricamente la natura dei percorsi dei pedoni e degli acquirenti lungo le strade principali e hanno collegato tali viaggi ai KPI della vendita al dettaglio (vedere [ 246 ] e [ 247 ] per una rassegna sugli studi sui pedoni; e [ 26 ] per una panoramica dello stato dell'arte nel commercio al dettaglio). In molti casi, i percorsi dei clienti possono essere isolati dai singoli pedoni e dalla loro potenziale motivazione e intenzione di fare acquisti nelle strade principali. Ad esempio, Babin et al. [ 248 ] hanno utilizzato i dati del sondaggio per sviluppare una scala di misurazione della motivazione allo shopping, che variava da utilitaristico a edonistico nel valore che i consumatori attribuiscono allo shopping. Titus ed Everett [ 249 ] hanno ampliato questa idea, esaminando come il valore dello shopping sia collegato al coinvolgimento dei consumatori nel movimento mentre cercano i beni nei negozi. Titus ed Everett [ 249 ] hanno distinto tra quello che hanno definito comportamento di ricerca di vendita al dettaglio "epistemico" (perlustrare gli ambienti di vendita al dettaglio come attività necessaria per trovare prodotti organizzati per architettura o geografia del negozio, ad esempio) e comportamento edonico (in cui il comportamento l’atto di ricerca è considerato un’attività o un’esperienza piacevole). Titus ed Everett [ 249 ] hanno collegato questi valori dello shopping a diverse forme di movimento lungo il percorso del cliente. Si è scoperto, ad esempio, che la ricerca epistemica è associata al movimento utilitaristico volto a promuovere l’efficienza, come fare marcia indietro e rivisitare le aree del negozio per fare acquisti comparativi, o aderire a percorsi fissi nella disposizione del negozio, come i corridoi dei prodotti (ibid. p. 112). La ricerca edonica, al confronto, era collegata a movimenti più rilassati, relativamente lenti e inclini a fermate frequenti (ibid. p. 112). Berendes [ 38 ] ha esaminato la scala epistemica/edonica e la sua utilità nel discernere i percorsi dei clienti. Berendes [ 38 ] ha scoperto che lo shopping edonico, in particolare, potrebbe essere associato a una serie di tipi di viaggio, tra cui lo shopping avventuroso (ad esempio, le escursioni), lo shopping esplorativo (ad esempio, la lettura approfondita) e lo shopping di idee (motivato dalla moda) (p. 315). Millonig e Gartner [ 250 ] hanno esaminato motivazioni simili relative al valore dello shopping, ma per i consumatori delle strade principali. Oltre a convalidare la scala utilitaristica/edonica proposta da Titus ed Everett [ 249 ], Millonig e Gartner [ 250 ] hanno identificato altre tre classi di percorso del cliente che si manifestano nelle strade principali: comodità (viaggi di lunga durata e di maggiore durata, con poche fermate nei negozi) ); esigente (relativamente meticoloso, alla ricerca di opportunità di shopping molto particolari); e rapido (movimento guidato da obiettivi alla ricerca di prodotti al dettaglio di base e di prima necessità). Millonig e Gartner [250 ] hanno utilizzato una combinazione di metodi di ricerca etnografica (pedinamento e osservazione degli acquirenti nelle strade principali) e tecnologie intelligenti (tracce di segnali GPS nei dispositivi degli acquirenti) per costruire queste classificazioni.

Sono questi tipi di intuizioni sul comportamento degli acquirenti e dei pedoni, raccolte dall’osservazione delle attività all’aperto, che suggeriamo come indicative della crescente sensibilità del commercio al dettaglio nelle strade principali. In particolare, il lavoro di Millonig e Gartner [ 250 ] ci porta molto vicino a rispondere a domande del tipo "perché" ( Sezione 4 ) a partire da dati che potrebbero essere considerati accessibili di routine dalle tecnologie di vendita al dettaglio intelligenti.

Vari autori hanno suggerito che gli elementi chiave del percorso del cliente – percorso, panorama dei servizi e punti di contatto – potrebbero essere utilizzati come base per informare i sistemi informativi di vendita al dettaglio esistenti. Ad esempio, Lee et al. [ 251 ] hanno esaminato i percorsi dei clienti per ambienti interni (centri commerciali), utilizzando la posizione stimata delle tracce Wi-Fi degli acquirenti per costruire traiettorie dei loro percorsi oltre i negozi e i servizi del centro commerciale. Hanno concluso che i percorsi dei clienti potrebbero essere utilizzati all’interno di strutture di raccomandazione, ad esempio, per identificare gruppi di acquirenti che si comportano allo stesso modo, basandosi esclusivamente sulla geografia del loro posizionamento nei centri commerciali. Allo stesso modo, hanno spiegato che i negozi potrebbero sviluppare schemi per identificare rivenditori complementari (o rivali) utilizzando lo stesso approccio. Quest'ultimo punto, in sostanza, propone aspetti della geoconquista di cui abbiamo discusso nella Sezione 5.1 . Il sistema Smartmarket sviluppato da Bartelheimer et al. [ 37 ] consideravano gli incontri di servizio lungo il percorso del cliente come un'opportunità per abbinare i dati sulle preferenze del cliente con le basi di conoscenza della vendita al dettaglio. Berendes et al. [ 36 ] ha osservato che i metodi esistenti per annotare l'esperienza del cliente (ad esempio, schemi come la tradizione del service blueprinting di Shostack [ 252 ], o i metodi di shadowing utilizzati da Underhill [ 253 , 254 ]) non sono ben attrezzati per affrontare dati provenienti da paesaggi di servizi digitali [ 36 ] (p. 218), che Berendes et al. [ 36 ] considerano un’occasione persa, data la ricchezza di dati sul percorso del cliente potenzialmente disponibili dai sistemi di vendita al dettaglio intelligenti e dall’omnichannel (ibid. p. 219).

Berendes et al. [ 36 ] ha proposto uno schema di markup che potrebbe facilitare la costruzione dei percorsi dei clienti direttamente dai dati digitali nelle strade principali. Ciò si basa sulla loro idea di un "Linguaggio di modellazione specifico del dominio" (DSML) che potrebbe essere creato dai registri degli eventi prodotti dai sistemi e dalle applicazioni informativi di vendita al dettaglio esistenti [ 36 ] ( p. 218). Berendes et al. [ 36 ] è quindi nata l'idea di un "High Street Journey Modeling Language" (HSJML) per strutturare i percorsi dei clienti (sia nell'e-commerce che nel commercio tangibile) relativi alle strade principali, in particolare attraverso l'analisi, la mappatura e la previsione del viaggio (p. 218). Tuttavia, l’HSJML non tratta le decisioni dei clienti lungo tali viaggi (ibid. p. 221); piuttosto, inquadra il percorso del cliente all'interno del panorama dei servizi del centro commerciale, costruendo essenzialmente le strutture dati per mappare gli eventi del cliente come punti di contatto con i dati. Lo schema richiede inoltre una codifica manuale per abbinare i registri degli eventi ai percorsi del cliente (ibid. p. 226). Tuttavia, HSJML è molto vicino a una struttura di scoperta della conoscenza e suggerisce il tipo di substrato che la vendita al dettaglio intelligente può fornire a supporto della vendita al dettaglio senziente.
Riteniamo che il percorso del cliente possa essere utile come sistema informativo a sé stante e che i dati per costruire un CJIS potrebbero essere prodotti automaticamente attraverso il rilevamento intelligente negli ambienti di vendita al dettaglio. Descriveremo parte del nostro lavoro esistente nel rilevamento dei percorsi dei clienti e nella creazione di informazioni dall'apprendimento automatico nella Sezione 5.9 . Nella Figura 9 mostriamo il nostro lavoro preliminare per creare gemelli digitali per CJIS in ambienti di vendita al dettaglio al chiuso. I nostri gemelli digitali sono utili per animare rappresentazioni ad altissima risoluzione degli acquirenti in ambienti di negozio dettagliati, dove possiamo esaminare diverse (singole) traiettorie dei clienti tra diversi dati demografici dei clienti, viaggi di shopping e valori di acquisto, esaminando anche quelle traiettorie relative a configurazioni e caratteristiche del panorama dei servizi e punti di contatto dei clienti. Questi vengono raggruppati come record di dati fusi (esportati come dati JSON e avvisi) che possono essere prodotti automaticamente, individualmente e dinamicamente man mano che si sviluppa il percorso del cliente. Il sistema si basa su un'architettura per la modellazione pedonale [ 3 , 54 , 55 , 255 , 256 ] e l'analisi della traiettoria interna [ 53 ] ed esterna [ 257 ], con il risultato che potrebbe, potenzialmente, fornire una completa soluzione di strade e negozi sistemi per l'analisi del percorso del cliente.

Figura 9. Corrispondenza ad altissima risoluzione tra (1) geografia degli scaffali del negozio, (2) prodotti posizionati su quegli scaffali, (3) linguaggio del corpo del cliente, (4) punti di contatto con prodotti e gruppi di prodotti specifici e (5) la traiettoria del cliente attraverso il corridoio spazio/servizio. (I dati per informare il targeting geografico a questa risoluzione possono provenire dalla visione artificiale e dal deep learning, in tempo reale su Wi-Edge, come mostrato nella Figura 8 ).

5.7. Intelligenza al dettaglio sensibile al contesto
I recenti sviluppi nell'informatica sensibile al contesto vengono ora applicati alle città intelligenti, con particolare utilità, ad esempio, nello sviluppo di sistemi sanitari intelligenti [ 258 ]. Il concetto generale alla base dell’informatica sensibile al contesto è quello di fare affidamento sull’ambiente come canale chiave per determinare il significato negli scambi tra le persone e i dispositivi che utilizzano per effettuare azioni, interazioni e transazioni. Molti autori (vedi [ 259 , 260 ]) hanno discusso il ruolo che la posizione nell'ambiente fisico può svolgere nel fornire contesto per il mobile computing. Potremmo logicamente considerare come ciò potrebbe estendersi alle informazioni sulla vendita al dettaglio nelle vie principali. Schmidt et al. [ 120 ], ad esempio, hanno suggerito che ulteriori fattori contestuali oltre alla posizione (e ai dati sulla posizione) possano essere presi in considerazione per la mobilità, ad esempio gli stati fisici di un utente e dell'ambiente in un dato luogo. Infatti, Schmidt et al. [ 120 ] suggeriscono che una serie di modalità di percezione che abbiamo discusso nella Sezione 4 potrebbero fornire questo contesto, inclusi indicatori di attenzione ed emozione (p. 894). Mappando questi stati nel tempo (ad esempio, man mano che il percorso del cliente avanza), Schmidt et al. [ 120 ] suggeriscono che si possono derivare composti contestuali come abitudini, obiettivi, spontaneità, dinamiche di gruppo e socialità (p. 895). Questo spostamento di considerazione ha implicazioni potenzialmente significative su come si potrebbero considerare le strade principali del commercio al dettaglio senzienti se consideriamo, ad esempio, che gran parte della percezione che potrebbe rivelare il contesto dell'utente e il contesto situazionale è incorporata nelle strade principali [26 , 246 ] .

In un concetto correlato, Augusto et al. [ 261 ] ha introdotto l'idea di considerare gli “ambienti intelligenti” (IE) come base per l'esame del contesto. L’idea degli IE condivide alcuni principi degli ambienti intelligenti, principalmente il predominio dei sistemi autonomi in un contesto di capacità pervasive di rilevamento, elaborazione e comunicazione e i sottoprodotti dei big data che essi abilitano. Tuttavia, gli IE differiscono dagli ambienti intelligenti, soprattutto, nella loro attenzione agli agenti software [ 262 , 263 ] come meccanismo principale per fornire intelligenza (e intelligenza artificiale). L'idea originale degli IE pone anche l'interazione computer-uomo (CHI), in particolare il CHI multimodale basato sull'elaborazione del linguaggio naturale e sul linguaggio del corpo, come schema di interazione centrale per l'uso umano degli IE [261 ] . Augusto et al. [ 261 ] riteneva che il CHI potesse essere derivato da "informazioni contestuali onnipresenti" (p. 2), che si spera il lettore possa immaginare potrebbero essere fornite dal tipo di tecnologia di cui abbiamo discusso nella Sezione 3.3, Sezione 3.5 e Sezione 4.2 . Ad esempio, Augusto et al. [ 261 ] hanno osservato che gli agenti software, agendo su informazioni contestuali di alta qualità, potrebbero essere ben equipaggiati per supportare risposte adattive nei sistemi intelligenti, con l'obiettivo di sviluppare istanze personalizzate di IE per gruppi di utenti o anche per singoli utenti. Satoh [ 264 ], ad esempio, ha recentemente mostrato un sistema funzionante sensibile al contesto per la vendita al dettaglio che si basa sul rilevamento del contesto e sugli agenti all'interno del quadro IE. Satoh [ 264 ] ha progettato un sistema per la pubblicità senziente in ambienti di vendita al dettaglio al chiuso, in cui i segnali dei prodotti sviluppano la consapevolezza computazionale dell'avvicinarsi degli utenti in base alla loro vicinanza ai display (tramite tag RFID) e possono avviare istanze di agenti software per recuperare informazioni sul prodotto, nonché per controllare gli aspetti fisici della segnaletica (accensione, illuminazione, riproduzione audio e video). Gli agenti software possono migrare (portando con sé aspetti del contesto percepito) attraverso il sistema del rivenditore, per interagire con componenti correlati, come il magazzino. Sebbene sia stato sviluppato per applicazioni all'interno dei negozi, è semplice immaginare come il sistema di Satoh [ 264 ] possa essere implementato all'esterno, estendendo la sensibilità alle condizioni ambientali attorno ai marciapiedi e ai cartelli stradali.

5.8. Realtà Aumentata ed Estesa
L'AR utilizza sia la realtà virtuale (VR) che l'head-up display (HUD) per creare l'aspetto misto di contatto e interazione tangibile e virtuale all'interno del campo visivo di un utente, mediato da dispositivi con fotocamera (nei telefoni, negli occhiali intelligenti e nelle esposizioni dei prodotti) [ 94 , 265 ]. L'AR può essere utilizzata insieme a dispositivi di controllo (ad esempio, guanti assistiti da sensori e controller di gioco portatili), attraverso accoppiamenti a sensori in oggetti e dispositivi (attraverso la misurazione inerziale, ad esempio) o semplice etichettatura di oggetti (utilizzando diodi emettitori di luce). (LED) o codici QR leggibili, ad esempio) per fornire CHI tra un oggetto o dispositivo e un display AR [ 266 ]. Spesso, l'AR è abbinata a tecnologie di rilevamento della posizione per creare l'illusione di mappature uno a uno tra spazi fisici reali e oggetti e rappresentazioni virtuali di tali cose [ 267 ] . Quando queste mappature sono progettate per ampliare ambienti più ampi (spesso con l'obiettivo di migliorare l'immersione degli utenti in uno spazio come un intero negozio o un paesaggio stradale), il concetto viene generalmente definito “realtà estesa” (XR). In alcuni casi, i contenuti AR/XR possono essere forniti a tecnologie di rilevamento della posizione in modo che il sistema AR/XR diventi mobile.

Quasi per necessità, AR/VR deve essere senziente rispetto alle condizioni ambientali per funzionare. Quando un utente richiama il proprio dispositivo per interrogare l'ambiente circostante e gli oggetti che incontra, è possibile visualizzare rappresentazioni virtuali e annotazioni su tali oggetti. Ad esempio, è possibile inserire nell'ambiente ologrammi di artefatti interamente virtuali e in alcuni casi l'utente può essere in grado di interrogare e annotare la rappresentazione virtuale dell'oggetto. Questa funzionalità senziente ha un potenziale di applicazione piuttosto ampio per la vendita al dettaglio. Ameen et al. [ 268 ] ha discusso l'utilità della realtà virtuale nel creare esperienze cliente all'interno dei negozi: aumentando la percezione dell'ambiente di vendita da parte degli acquirenti, la realtà virtuale può migliorare il senso di interattività dei clienti con i prodotti. Martinez-Navarro et al. [ 269 ] e Pizzi et al. [ 270 ] hanno eseguito test per stabilire quali meccanismi di VR potrebbero essere responsabili di ciò. In entrambi i casi, hanno concluso che la realtà virtuale (attraverso una varietà di dispositivi e formati nei test eseguiti da Martínez-Navarro et al. [ 269 ]) influenza le connessioni emotive dei clienti con un senso di presenza e che gli ambienti VR influenzano il ricordo del marchio. Pizzi et al. [ 270 ] hanno concluso che gli utenti di ambienti di vendita al dettaglio VR hanno riportato un maggiore grado di senso di presenza rispetto ai visitatori di ambienti di vendita al dettaglio tangibili, cosa che Pizzi et al. [ 270 ] ragionato si tradurrebbe in effetti positivi sulla percezione del valore per gli utenti VR.

Utilizzando sondaggi, McLean e Wilson [ 271 ] hanno esaminato considerazioni simili sull’utilizzo dell’AR nella vendita al dettaglio e sono arrivati ​​a conclusioni abbastanza simili: se gli utenti hanno un’esperienza positiva quando utilizzano la tecnologia AR, tale positività può trasferirsi al contenuto del marchio oltre l’esperienza. Yim et al. [ 272 ] ha esaminato l'uso da parte dei clienti di un'applicazione AR per visualizzare prodotti di gioielleria e occhiali da sole (con un prodotto virtuale sovrapposto al video supportato dalla fotocamera delle loro dita, mani o volti in tempo reale). Hanno confrontato lo shopping basato sulla AR con l’e-commerce tradizionale di tipo Web e hanno scoperto che le applicazioni AR supportano una maggiore propensione all’esperienza positiva del cliente e, in definitiva, all’intenzione di acquisto, rispetto alle controparti Web.

Javornik [ 273 ], Barhorst et al. [ 274 ], mentre Arghashi e Yuksel [ 275 ] attribuivano la relativa positività delle esperienze dei clienti AR al concetto di "flusso". La nozione di flusso è stata inizialmente discussa nella letteratura relativa al commercio elettronico basato sul Web [ 276 , 277 ]. Javornik [ 273 ] considerava la sua estensione all'AR, come il senso combinato di interazione e immersione che l'AR supporta attraverso diversi canali di connessione (ad esempio, sociale, basato sul prodotto, uso della tecnologia) con prodotti, marchi ed esperienze di vendita al dettaglio che consentono ai clienti di lasciarsi assorbire dall'esperienza di vendita al dettaglio. Le esperienze dei pedoni sui paesaggi stradali probabilmente coinvolgono anche aspetti di flusso, e potrebbero esserci ampie opportunità di aumentare le loro esperienze nelle strade principali del commercio al dettaglio utilizzando AR e XR. Ad esempio, de Ruyter et al. [ 278 ] ha discusso il potenziale dell'AR nell'aiutare ad adattare il marketing di massa alle impostazioni contestuali uniche dei clienti così come sono situati e incarnati nel loro ambiente locale [279] , visualizzando quell'ambiente attraverso la resa mediata dell'AR. de Ruyter et al. [ 278 ] prevedeva l'AR come uno strumento pubblicitario che produce effettivamente "affordance digitali" che possono influenzare il modo in cui i clienti si comportano in ambienti fisici (p. 111), ovvero l'AR crea nuovi meccanismi affinché gli inserzionisti prendano l'ambiente fisico e lo incorporino nella loro pubblicità contenuti e campagne. Ad esempio, de Ruyter et al. [ 278 ] ha fatto riferimento a una campagna pubblicitaria di un marchio globale di fast food in Brasile che utilizzava l'AR per consentire agli utenti di puntare la fotocamera del telefono verso la pubblicità di un concorrente (ad esempio, un poster o un cartellone pubblicitario visibile da un paesaggio stradale), e così facendo per generare un'animazione distruttiva che sostituisce la pubblicità con un buono per i loro ristoranti [ 280 ]. de Ruyter et al. [ 278 ] ha anche discusso dell'efficacia di una campagna condotta da un importante produttore di bevande per creare una fermata dell'autobus AR in una strada principale del centro di Londra, piena di UFO animati, robot e animali [ 281 ] . Heller et al. [ 282 ] ha progettato una serie di cinque esperimenti su esperienze di vendita al dettaglio tangibili ed e-commerce per valutare i possibili meccanismi attraverso i quali l'AR potrebbe influenzare il comportamento dei clienti. Hanno concluso che l'AR aiuta nella formazione delle immagini mentali dei clienti (in gran parte attraverso il suo supporto per la presenza spaziale [ 283 ] e altre forme di cognizione situata [ 284 ]) e il loro relativo comfort nel processo decisionale [ 285 ], in particolare quando un cliente considera e valuta l'uso contestuale o il valore dei prodotti al dettaglio [ 282 ] (p. 102). Heller et al. [ 282] ha collegato questo alla nozione di "fluenza di elaborazione" (p. 97), o alla capacità dell'AR di ridurre il carico cognitivo (aumentando così il comfort decisionale in alcune situazioni) essenzialmente dipingendo, animando e annotando il contesto direttamente per il consumatore, quindi che non devono costruire da soli le immagini mentali.

In alcuni casi, potrebbero esserci opportunità di trasferire le funzioni dell'e-commerce al dettaglio direttamente all'AR di High Street. Ad esempio, il progetto "Monocle" dell'aggregatore di recensioni online Yelp [ 286 ] consente agli utenti di rilasciare essenzialmente recensioni e valutazioni dei negozi direttamente su paesaggi stradali mediati da AR che si allineano alla posizione fisica dei negozi su una strada principale. Gli utenti di Monocle che stanno camminando per quella strada principale possono visualizzare tali valutazioni in tempo reale tramite i loro dispositivi abilitati alla fotocamera come annotazioni aumentate nella loro vista. L’ampio potenziale di fusione tra le dinamiche sociali delle reali strade principali del commercio al dettaglio e l’AR presenta diverse possibili opportunità di ricerca e sviluppo. Il nostro lavoro in quest’area, ad esempio, ha dimostrato che gli utenti umani reali reagiscono con movimento autentico, geografia temporale e segnali cognitivi quando interagiscono con personaggi virtuali in strade principali sintetiche come fanno in contesti del mondo reale [287] ( Figura 10 ). Ciò suggerisce che potrebbe essere possibile creare dinamiche come l’influenza dei pari nelle campagne pubblicitarie AR per le strade principali.

Figura 10. Quattro schermate del nostro sistema di realtà aumentata per smartphone per popolare le reali strade principali del commercio al dettaglio con pedoni e acquirenti sintetici basati su agenti [ 287 ].

5.9. Paesaggi stradali profondi
Lo sviluppo della sofisticazione della visione artificiale ha supportato l’introduzione di una nuova classe di apprendimento automatico progettata per analizzare attentamente i dati prodotti dai sensori e per costruire (automaticamente) interpretazioni da tali dati. Il deep learning, ad esempio, è una forma di intelligenza artificiale progettata per approssimare la sensibilità umana imitando il modo in cui gli esseri umani percepiscono e interpretano l’ambiente circostante. Sempre più spesso, il deep learning viene utilizzato per costruire analisi di paesaggi stradali basate sull’intelligenza artificiale [ 26 ], con la motivazione che varie caratteristiche di tali ambienti potrebbero essere identificate, tracciate, contestualizzate, interpretate e possibilmente anche spiegate da una visione artificiale di tipo senziente. Queste tecnologie potrebbero trovare un utilizzo molto diffuso nel settore della vendita al dettaglio, consentendo essenzialmente all’obiettivo di una fotocamera di diventare un interprete intelligente delle attività che passano nel suo campo visivo ( Figura 11 ).

Figura 11. Rilevamento automatico e dinamico di elementi, oggetti e persone del paesaggio stradale. ( a ) Rilevamento di pedoni e pose con Openpose . ( b ) Rilevamento di pedoni e oggetti con YOLO . ( c ) Rilevamento di pedoni, veicoli, infrastrutture e oggetti con Detectron2 .

L'apprendimento profondo utilizza spesso una forma di apprendimento delle rappresentazioni [ 288 ]: una metodologia che dota i computer della capacità di interpretare dati grezzi (come i dati video provenienti dalle strade principali dei negozi) e di generare automaticamente rappresentazioni candidate per rilevare, identificare e classificare le contenuto contenuto in tali dati [ 289 ]. La “profondità” del deep learning deriva dall’uso di molti livelli di rappresentazione (relativamente semplici se presi isolatamente, ma spesso complessi se messi all’unisono) che lavorano insieme per elaborare i dati grezzi verso un risultato. L'uso di questi livelli viene appreso in modo dinamico, anziché essere impostato e applicato a priori. Questo approccio layer-and-learn viene solitamente realizzato attraverso l'uso di reti neurali artificiali (ANN) [ 290 ], in particolare attraverso reti neurali profonde (DNN) [ 291 ]. Sono stati sviluppati diversi DNN per uso generale nell'elaborazione di immagini e video, con la capacità di costruire rappresentazioni da vedute di strade e vita di strada. Questi includono le reti neurali convoluzionali (CNN) [ 292 , 293 ], le reti generative contraddittorie (GAN) [ 294 ], le reti di memoria a breve termine (LSTM) [ 295 ], le reti di funzioni a base radiale (RBFN) [ 296 ] e le reti neurali ricorrenti. Reti (RNN) [ 297 ].

Il deep learning è ora ampiamente utilizzato nella vendita al dettaglio, sia all’interno che all’esterno dei negozi. Per gli ambienti di vendita al dettaglio interni, il deep learning è stato applicato all'identificazione generale dei prodotti [ 298 ] nonché alla scansione dei prodotti per casse intelligenti [ 299 ] e chioschi intelligenti [ 300 ]; oltre al controllo dei planogrammi dei prodotti al dettaglio [ 301 ]. Il deep learning viene utilizzato anche per automatizzare l’analisi dei clienti. Le applicazioni hanno incluso l'uso del deep learning per eseguire la mappatura della densità dei clienti all'interno dei negozi [ 302 ], il monitoraggio dei clienti in video [ 303 ], il rilevamento dello sguardo dei clienti sui prodotti sugli scaffali [ 304 , 305 ], il rilevamento dei dati demografici degli acquirenti e il riconoscimento delle emozioni dal viso espressione [ 306 ] e persino l'associazione del rilevamento del prodotto con il rilevamento della posa del cliente per determinare il comportamento di acquisto del cliente [ 307 ]. L’uso del deep learning all’aperto, nelle strade principali del commercio al dettaglio, è meno diffuso nella letteratura esistente; tuttavia, sono state introdotte numerose applicazioni. Queste includono l'implementazione del deep learning per rilevare le facciate dei negozi al dettaglio lungo le strade [ 308 ], nonché per rilevare e classificare la pubblicità sulle facciate degli edifici lungo le strade [ 309 ]. Mostriamo esempi tratti dal nostro lavoro per applicare il deep learning ai paesaggi stradali di New York nella Figura 11 , Figura 12 e Figura 13 .

Figura 12. Segmentazione di una scena stradale mediante apprendimento automatico, in alto : l'immagine originale (con etichette YOLO ). In basso : segmentazione tramite ResNet , che mostra le percentuali della scena in ciascuna classificazione.

Figura 13. Delimitazione pseudo-tridimensionale ( in alto ) e creazione di mesh ( in basso ) di pedoni e veicoli in una scena stradale.

5.10. Acquisti senza contatto e senza attriti
In molte delle applicazioni che abbiamo discusso nella Sezione 5 , si presuppone che la tecnologia per le strade principali dello shopping intelligente possa rimanere nascosta alla vista, forse indistinguibile dall’infrastruttura urbana stessa. L'introduzione di negozi contactless e senza attriti, resi popolari forse dai locali Amazon Go senza cassiere [ 310 ], rappresenta una maturazione di questo atto in via di scomparsa, in cui il negozio stesso è dotato di strumenti (in gran parte attraverso la visione artificiale) per valutare i percorsi dei clienti degli utenti mentre interagiscono con merci, metterle nei cestini, acquistarle e lasciare il negozio. Lo shopping, in questi casi, riguarda esclusivamente l'esperienza del cliente omettendo transazioni finanziarie palesi. In particolare, la fase di acquisto (che può dare agli acquirenti motivo di fermarsi e riconsiderare la propria decisione) è resa relativamente priva di attriti all’interno del percorso del cliente.

Lo shopping senza contatto esiste da tempo in molte altre forme di vendita al dettaglio. Durante la pandemia di COVID-19, ad esempio, molti acquirenti hanno scelto di utilizzare soluzioni ibride tra e-commerce e ritiro delle merci all'esterno per ridurre al minimo il contatto con altri acquirenti [ 311 ]. Ciò rappresentava un'estensione del modello drive-through da lungo tempo esistente in base al quale i clienti interagivano con i chioschi di vendita al dettaglio dal loro veicolo [ 312 ], ma invece il rivenditore designava il marciapiede di una strada principale come area di ritiro o forniva l'assistenza di un membro del personale incaricato di caricare la merce acquistata su un veicolo senza interagire direttamente con il cliente [ 313 , 314 ]. In questi casi, le strade principali dei negozi servono essenzialmente come ambienti senza contatto per lo shopping [ 26 ]. A differenza dei servizi di consegna, gli acquirenti continueranno a recarsi nelle strade principali e in un negozio. Hanno ancora interazioni touchpoint con il panorama dei servizi di vendita al dettaglio (passando davanti alle vetrine dei negozi, al marchio e alla pubblicità; mostrando un codice di conferma sul telefono come prova di un acquisto; collegandosi con i sistemi informativi del negozio per annunciare l'arrivo e l'ubicazione del parcheggio, ad esempio), ma non tangibilmente con il personale del negozio. Si tratta di uno sviluppo piuttosto unico, in quanto contrasta con la tipica considerazione della strada principale come luogo in cui le persone vanno sia per fare acquisti sia per immergersi fisicamente tra la folla di altri acquirenti. Si trattava di un adattamento spesso necessario alle condizioni pandemiche che enfatizzava la riduzione del contatto umano [ 315 , 316 , 317 ]. Verhoef et al. [ 318 ] hanno sostenuto che molte di queste nuove forme di vendita al dettaglio probabilmente resteranno, mentre Díaz-Martín et al. [ 319 ] hanno sostenuto che lo shopping senza contatto potrebbe diventare una nuova normalità per la vendita al dettaglio. Pantano e Willems [ 320 ] si riferiscono a ciò come alla continua “figitalizzazione” della vendita al dettaglio, vale a dire alla convergenza tra lo shopping online e quello fisico. Sahinaslan et al. [ 321 ] ha fornito un'analisi completa dell'ampia gamma di fasi di vendita al dettaglio agevolate dalle tecnologie contactless, tra cui la riduzione o l'eliminazione della necessità di fare la fila, l'assistenza del personale, l'interazione con i cassieri e la gestione dei pagamenti. Sahinaslan et al. [ 321 ] ha dettagliato un ampio elenco di potenziali informazioni che i rivenditori possono raccogliere e ricavare in contesti di vendita al dettaglio senza contatto, tra cui sicurezza, rilevamento e riconoscimento del cliente, localizzazione del cliente all'interno del negozio, rilevamento di movimenti e gesti vicino ai prodotti, identificazione e tracciamento del prodotto, inventario , connessione alle campagne dei clienti e dettagli di pagamento. Tuttavia, il lavoro di Eriksson et al. [ 322] conclude che segmenti di clienti probabilmente resisteranno alla vendita al dettaglio senza contatto a causa della sfiducia e della scarsa familiarità con i sistemi.

Sulla base della nostra revisione della letteratura, c’è stata relativamente poca considerazione accademica su come i negozi contactless e senza attriti potrebbero rientrare nell’idea di un panorama stradale intelligente e senziente o di una strada commerciale al dettaglio. In teoria, le capacità di rilevamento relativamente massicce dei negozi di tipo "entra e esci" esemplificate dal concetto Amazon Go suggeriscono che i percorsi dei clienti all'interno di questi IE potrebbero essere squisitamente identificati, tracciati, contestualizzati e persino modellati [ 32 ]. Il fatto che tali negozi si trovino su una strada principale che è anche intelligente e potenzialmente senziente suggerisce che i viaggi dei clienti all’interno del negozio potrebbero essere direttamente collegati ai viaggi nelle strade principali dei potenziali clienti o dei pedoni di passaggio. In effetti, molte delle tecnologie che consentono la vendita al dettaglio senza contatto all’interno dei negozi sono identiche a quelle utilizzate dai ricercatori per studiare il traffico pedonale sui marciapiedi. Inoltre, il percorso online dei clienti attraverso le applicazioni di acquisto al dettaglio e fino alle visite tangibili in negozio è già ben sviluppato, aprendo la possibilità che l'intero percorso degli acquirenti nelle strade fuori dai negozi possa essere accessibile ai rivenditori, così come all'interno dei negozi. , con panorami da ogni angolazione del commercio al dettaglio omnicanale. In effetti, i sistemi per il posizionamento interno/esterno che fanno uso di passaggi tra diverse forme di tecnologie di localizzazione (dal GPS al Bluetooth agli NFC; ad esempio, vedere Sezione 3.2, Sezione 3.3 e Sezione 3.5 ) , forniscono una struttura conveniente per costruire CJIS in grado di unificare i percorsi dei clienti come un'esperienza cliente fluida che si sposta tra la strada principale e i negozi.

5.11. Nuovi paesaggi per la privacy pubblica
Finora, gran parte della nostra discussione ha incoraggiato la sofisticatezza delle capacità di intelligence del commercio al dettaglio che sono possibili nelle strade principali intelligenti e senzienti. Tuttavia non intendiamo dire che consideriamo questa intelligenza con un determinismo tecnologico illimitato [ 323 ]. Piuttosto, mentre ci avviciniamo alle conclusioni del documento, riteniamo necessario evidenziare l’ampia gamma di preoccupazioni sulla privacy che si riconducono ai progressi tecnologici di cui abbiamo discusso.

Al centro della nostra preoccupazione c’è il fatto che, man mano che le tecnologie intelligenti e senzienti fuoriescono dagli spazi interni dei negozi al dettaglio e si riversano nei paesaggi stradali che li circondano, i passanti quasi inevitabilmente (e involontariamente) vengono coinvolti nelle loro routine di analisi e ragionamento. I percorsi dei clienti attraverso le strade principali del commercio al dettaglio intelligente e senziente sono soggetti forse a tutte e cinque le dimensioni della privacy discusse da Martinez-Balleste et al. [ 324 ]: identità, proprietario, query, posizione e impronta (p. 140). A differenza dell’ingresso in un negozio fisico, che i clienti possono scegliere di coinvolgere o meno, la maggior parte dei pedoni che si muovono lungo una strada non possono rinunciare al proprio viaggio; né ragionevolmente ci aspetteremmo che lo facciano. In molte città, potrebbero esserci pochi diritti o titolarità alla privacy negli spazi pubblici come i marciapiedi e i bordi dei marciapiedi. Ciò è in contrasto con il Regolamento generale sulla protezione dei dati (GDPR) dei dati che vengono spesso generati dai viaggi attraverso l'e-commerce, che almeno nell'Unione Europea garantiscono agli acquirenti alcuni diritti di dettare come i dati sui loro viaggi dei clienti vengono acquisiti e conservati [ 325 ]. Anche quando i pedoni nelle strade principali optano per servizi di vendita al dettaglio intelligenti, ad esempio quando utilizzano lo shopping mobile, potrebbero non essere consapevoli del fatto che l’applicazione sta anche fornendo informazioni sul loro contesto ambientale e sul comportamento di movimento. I clienti potrebbero apprezzare il fatto che i loro dispositivi siano intelligenti, ma potrebbero essere meno consapevoli del fatto che sono senzienti. In effetti, la raccolta di informazioni al di fuori del commercio al dettaglio può essere uno dei prodotti desiderati che le applicazioni intelligenti cercano di raccogliere, come parte di quello che Pal e Crowcroft [ 326 ] hanno definito “capitalismo della sorveglianza” e quello che Elnahla e Neilson [ 327 ] hanno definito “retaillance” (una combinazione di vendita al dettaglio e sorveglianza). Pertanto, le questioni relative alle crescenti connessioni tra l’intelligence del commercio al dettaglio e la sorveglianza degli spazi pubblici e del comportamento pubblico fanno parte di un dibattito più ampio e di lunga data sulle capacità di sorveglianza delle città intelligenti più in generale (vedi, ad esempio, [ 328 , 329 , 330 , 331 ]).

In risposta a queste preoccupazioni sulla privacy, si sta sviluppando una serie di ricerche per esplorare come la privacy può essere integrata (per progettazione) direttamente nelle città intelligenti in generale, e gran parte di questo lavoro ha qualche attinenza con la nostra discussione sulla sensibilità nelle strade principali del commercio al dettaglio, dove noi ora potrebbe anche essere necessario considerare il modo in cui la privacy influisce sull’intelligenza artificiale. L'uso di chiavi e token [ 332 ] è stato ampiamente suggerito come modalità per privatizzare le informazioni generate da LBS. Altri schemi hanno proposto quelli che sono, essenzialmente, servizi di intermediazione di terze parti che mediano le domande e le risposte degli utenti in modo da preservare la privacy nello scambio di informazioni basate sulla posizione [ 333 ] . Schemi di mascheramento della privacy [ 334 ] per percorsi di viaggio che preservano anche la geografia di tali viaggi [ 335 , 336 ] sono stati esplorati nella scienza dell'informazione geografica. I recenti sviluppi nei protocolli di rete che preservano la privacy cercano di affrontare la questione a livello di comunicazione delle città intelligenti [ 337 ]. Jiang et al. [ 338 ] hanno dimostrato che questi possono essere integrati, ad esempio, nell’edge computing. Fitwi et al. [ 339 ] hanno anche proposto che la privacy possa essere integrata negli schemi di apprendimento automatico su video, come meccanismo per identificare i dati che violano la privacy, che potrebbero quindi essere soggetti a mascheramento. Le applicazioni dei protocolli e del mascheramento della privacy come strumenti per la privacy operano essenzialmente offuscando i dati prodotti dai sistemi intelligenti. Come discusso in [ 26 ], tuttavia, i rivenditori sarebbero probabilmente poco incentivati ​​a offuscare i dati che raccolgono quando possono ottenere un valore significativo dalla raccolta di dettagli individuali e quando la corrispondenza di tali dettagli con il percorso del cliente è una parte importante della fornitura esperienze dei clienti. Forse, quindi, l’approccio più fermo alle preoccupazioni sulla privacy è quello di aumentare la consapevolezza tra gli acquirenti delle strade principali dell’esistenza di sistemi di sorveglianza e delle loro capacità, e del potenziale che tali sistemi creano per il funzionamento che va oltre i termini di servizio più immediatamente ovvi. Si consideri, ad esempio, che è già stato dimostrato che i rivenditori sono molto sensibili alle opinioni dei clienti e alla percezione della privacy dei loro dati [ 325 , 340 , 341 , 342 ].

6. Conclusioni
In questo articolo, abbiamo esaminato gli sviluppi nelle tecnologie di vendita al dettaglio attraverso la lente del concetto in via di sviluppo della strada principale intelligente e senziente. La nostra conclusione principale è che la vendita al dettaglio e la sensibilità sono sempre più considerati come un rafforzamento reciproco su scala iperlocale della città, spesso fino alla decisione delle singole persone e al loro comportamento lungo il percorso del cliente. Diverse tecnologie che sono state affinate per le applicazioni delle città intelligenti hanno trovato la loro strada nell’uso al dettaglio (e viceversa), dove forse stanno rapidamente diventando anche senzienti. In particolare, le tecnologie che hanno costantemente convertito gli ambienti di vendita al dettaglio interni in spazi informativi intelligenti e senzienti stanno iniziando a diffondersi negli scenari stradali e negli ambienti sociali che circondano i negozi.

Abbiamo introdotto il concetto di una strada principale del commercio al dettaglio intelligente e senziente, che secondo noi si sta attualmente focalizzando all'intersezione di una serie di sviluppi correlati nella scienza dei dati, nell'informatica, nell'ingegneria elettrica e informatica, nella scienza comportamentale, nel design, nella scienza della vendita al dettaglio, e marketing. È fondamentale che i pedoni negli ambienti urbani attraversino sempre più strade commerciali intelligenti e senzienti mentre sono impegnati in attività di routine e quotidiane. È stata sviluppata una serie di sistemi di vendita al dettaglio piuttosto sofisticati per studiare i potenziali acquirenti in questo traffico pedonale, con la capacità di identificare e indirizzare i loro dati demografici, nonché di dedurre le loro intenzioni di acquisto e la suscettibilità alle operazioni di vendita al dettaglio. La portata di queste analisi può toccare le caratteristiche e i comportamenti individuali degli aspiranti acquirenti, offrendo potenzialmente nuove e straordinarie informazioni su come, dove, perché, quando e con chi le persone fanno acquisti. Tuttavia, questa intuizione comporta una potenziale erosione della privacy dei pedoni negli spazi pubblici piuttosto grave.
Abbiamo discusso delle tecnologie che stanno rendendo possibili le connessioni tra l’intelligenza del commercio al dettaglio e le funzioni della città intelligente. Questi includono Linked Data, comunicazioni wireless, NFC, tecnologie di rilevamento della posizione e l’ampia gamma di modalità di rilevamento disponibili per scrutare nelle strade principali. Abbiamo anche esaminato la serie di capacità senzienti che vengono sviluppate su questa dorsale, in particolare le fotocamere, la visione artificiale e gli schemi di intelligenza artificiale che potrebbero essere eseguiti su di esse, nonché nuove forme di edge computing e Wi-Edge.

In tutto l’articolo abbiamo presentato alcuni dei nostri sforzi di ricerca per indagare e rivelare il carattere emergente delle strade principali del commercio al dettaglio intelligenti e senzienti. Questi includono il rilevamento e la mappatura della geografia altrimenti invisibile delle comunicazioni wireless che pulsano nelle strade principali, con la capacità di rivelare dettagli di singoli utenti e gruppi di utenti che si affidano alle comunicazioni wireless per le attività quotidiane nonché per l'e-commerce e il m-commerce . Abbiamo anche discusso la nostra ricerca per esaminare quali dettagli dei singoli pedoni e acquirenti possono essere rilevati dai sensori delle strade principali. Ciò include i dettagli degli individui – i loro dati demografici, il loro linguaggio del corpo e le loro attività – dai sensori RGB+D, nonché la mappatura volumetrica ad altissima risoluzione di intere scene di strade principali che ora sono derivate in modo fattibile e automatico da LiDAR. Gli aspiranti acquirenti utilizzano sempre più spesso i propri dispositivi intelligenti e senzienti, compresa la tecnologia informatica indossabile come orologi e fotocamere intelligenti, che come abbiamo dimostrato possono rivelare un’enorme quantità di dettagli riguardanti la loro attività. La fusione tra diverse tecnologie di rilevamento e le capacità di comunicazione sottostanti delle strade principali intelligenti è sempre più possibile e abbiamo discusso le nostre idee per CJIS e Wi-Edge come infrastruttura dedicata che porta i progressi nell'informatica e nell'intelligenza artificiale direttamente nelle strade principali, dove possono essere formati sulle scene quotidiane dell'attività di vendita al dettaglio negli spazi pubblici. Il nostro lavoro, ad esempio, ha rivelato come Wi-Edge possa essere utilizzato per eseguire l’identificazione del cliente e il riconoscimento delle azioni in tempo reale, mediante segmentazione dei clienti, tracciamento della posizione, rilevamento delle pose, inferenza del contesto ed etichettatura. Il nostro lavoro preliminare ha dimostrato che l’applicazione di questa tecnologia è mutevole tra ambienti interni ed esterni. Ciò apre la possibilità di costruire CJIS adattivi. Abbiamo mostrato un sistema di questo tipo per geografie dello shopping ad altissima risoluzione, con la capacità di collegare la geografia degli scaffali dei negozi, i prodotti su quegli scaffali e il linguaggio del corpo degli aspiranti clienti che passano accanto all'infrastruttura degli scaffali, con i dettagli contestuali forniti dai loro le interazioni fisiche con la merce come punti di contatto, nonché i dettagli spazio-temporali del loro movimento e delle traiettorie attraverso i corridoi dei negozi e gli spazi del marchio. Stiamo continuando a esaminare queste idee negli ambienti dei negozi e nelle strade principali, utilizzando l'osservazione e la simulazione. Il nostro lavoro iniziale ha rivelato, ad esempio, che sono possibili anche connessioni tra osservazioni, modelli e simulazioni what-if, attraverso VR, AR e XR. Di conseguenza, i dettagli ad alta risoluzione delle configurazioni del panorama dei servizi per le strade principali dello shopping intelligente possono essere sperimentati in realtà sintetiche prima dell’implementazione in realtà tangibili, spesso come gemelli digitali delle strade principali e delle persone che le popolano.
Sempre più spesso, una suite di sistemi di apprendimento automatico, basati su Edge AI, può essere schierata per percepire e “dare un senso” alle strade principali dello shopping, automaticamente come sottoprodotto del loro funzionamento intelligente. Di conseguenza, le mappature dai paesaggi di servizio pianificati o dai potenziali percorsi dei clienti alle realtà dei clienti fisici e degli spazi delle strade principali diventano aperte all’indagine e alla gestione in modi nuovi e sofisticati. Abbiamo mostrato diversi esempi di come ciò sia possibile attraverso semplici immagini visive catturate da telecamere, sottoposte a deep learning per eseguire automaticamente il rilevamento e il tracciamento dei pedoni, il rilevamento delle pose, il rilevamento degli oggetti, la mappatura dinamica degli elementi del paesaggio stradale e delle strade principali e la classificazione di interi negozi al dettaglio. scene di strada in tempo reale. Sempre più spesso, le informazioni tridimensionali riguardanti queste scene sono interpretabili da viste multiple di immagini bidimensionali, con il risultato che i dati appresi dalla macchina potrebbero essere trasferiti direttamente in ambienti geografici virtuali [ 343 ] .

Una nuova serie di funzionalità per esaminare i pedoni come acquirenti e potenziali clienti nelle strade principali, prima e dopo il loro contatto con le esperienze di vendita al dettaglio, è ora ampiamente fattibile. La nostra tesi centrale, in questo articolo, è che molte di queste capacità possono essere comprese all’interno del quadro del percorso del cliente sviluppato nella scienza della vendita al dettaglio. Le idee sul percorso del cliente e sul omnicanale di vendita al dettaglio che supporta sono state inizialmente sviluppate per la vendita al dettaglio in negozio, ma ora sono relativamente facilmente estensibili all’esterno fino alle strade principali. In particolare, questa espansione del percorso del cliente, resa possibile con il supporto della tecnologia smart retail, presenta nuove opportunità per il targeting geografico senziente con risoluzioni di insight senza precedenti. La considerazione dei percorsi dei clienti nelle strade principali potrebbe anche favorire lo sviluppo di schemi di intelligenza artificiale automatizzata sull’evoluzione del Wi-Edge. Esistono piattaforme di valore commerciale adiacenti che forse sono realizzate direttamente su Wi-Edge, comprese nuove forme di sistemi di raccomandazione delle strade principali e nuovi input per gli scambi pubblicitari delle strade principali. Inoltre, lo sviluppo di CJIS sofisticati e di intelligence al dettaglio sensibile al contesto potrebbe influenzare notevolmente le basi comportamentali della vendita al dettaglio. Se consideriamo l’ampio potenziale per le comunicazioni e i calcoli a larghezza di banda elevata e bassa latenza supportato da Wi-Edge, è forse realistico immaginare le basi per futuri sistemi AR e XR che potrebbero supportare la vendita al dettaglio nelle strade principali ed estendere il supporto per lo shopping senza contatto e senza attriti. . Allo stesso modo, potremmo considerare che un’estensione naturale dell’emergere di paesaggi stradali profondi potrebbe essere la diffusione del concetto di vendita al dettaglio senza contatto e senza attriti oltre i negozi, nelle strade principali all’esterno.

Tutto ciò sembra promettente in quanto rivela nuove informazioni sulla vendita al dettaglio e crescenti esperienze dei clienti, ma è anche piuttosto allarmante in quanto svela la miriade di modi in cui le vie principali del commercio al dettaglio intelligenti e senzienti potrebbero automaticamente e instancabilmente esprimere giudizi sugli acquirenti e sugli aspiranti acquirenti che si muovono attraverso impostazioni delle strade principali. Intorno a tutte queste capacità, sta emergendo un nuovo panorama per la privacy pubblica, in cui qualsiasi pedone delle strade principali potrebbe essere identificato, scansionato, ordinato, classificato e misurato in una sconcertante nuova serie di modi che non hanno precedenti (e relativamente non regolamentati). . La potenziale diminuzione della privacy pubblica nelle strade principali del commercio intelligente e senziente potrebbe quindi costituire un obiettivo importante per la ricerca e le borse di studio man mano che si sviluppano tecnologie e applicazioni. In effetti, ci sono ampie opportunità per esaminare come la privacy del cliente potrebbe essere considerata un elemento centrale della progettazione per le strade principali del commercio al dettaglio intelligenti e senzienti.
Le questioni relative alla privacy nel settore della vendita al dettaglio fanno eco a quelle già prese in considerazione dai ricercatori delle città intelligenti [ 328 , 344 ], anche se forse vale la pena concludere ribadendo che, a differenza di molti sistemi municipali nelle città intelligenti, la vendita al dettaglio è in gran parte relegata agli interessi privati ​​e proprietari dei negozi e dei negozi. le loro holding. Includere il contributo degli acquirenti nella progettazione e nell'applicazione di sistemi di vendita al dettaglio intelligenti e senzienti nelle strade principali è forse un compito più arduo di quanto potrebbe altrimenti avvenire per i sistemi municipali. Tuttavia, sono in corso sviluppi significativi nei sistemi aperti e trasparenti, basati sul concetto di piattaforme comunitarie e in questo documento abbiamo discusso diversi approcci di questo tipo. Inoltre, potremmo ribadire che i rivenditori sono molto sensibili alle opinioni degli acquirenti, con la conseguenza che il disagio degli aspiranti acquirenti nei confronti delle tecnologie di intelligence della vendita al dettaglio costituisce anche una considerazione importante nella progettazione dell'esperienza del cliente e del percorso del cliente da parte dei negozi. Aumentare la consapevolezza su come e dove le strade principali del commercio al dettaglio stanno diventando intelligenti e sempre più senzienti e su quali funzionalità di intelligenza artificiale sono disponibili mentre gli acquirenti attraversano gli spazi pubblici, potrebbe essere significativo nel far sapere ai clienti quali potrebbero essere le opinioni dei rivenditori sulla loro attività e sulle loro intenzioni, in modo che rivenditori e clienti possono co-creare futuri sistemi informativi sul percorso del cliente che funzionino per entrambe le parti.

Finanziamento
Questa ricerca è stata finanziata dalla National Science Foundation con i numeri di sovvenzione n. 2027652 e 1729815. L'APC è stato finanziato da MDPI.
Dichiarazione sulla disponibilità dei dati
Non applicabile.
Conflitto di interessi
L'autore non dichiara alcun conflitto di interessi.

Riferimenti

1. Yorke, T.; Greenwood, J. Lo stesso. Nel sorriso. Una luce per attirare l'attenzione ; Nastri di auto-aiuto LLP; Registrazioni XL; Editoria musicale Kobalt; Warner Chappell Music Ltd.: Londra, Regno Unito, 2022. [ Google Scholar ]
2. Townsend, AM Smart Cities: Big Data, Civic Hacker e la ricerca di una nuova utopia ; WW Norton: New York, NY, Stati Uniti, 2013. [ Google Scholar ]
3. Torrens, Primo Ministro; Li, X.; Griffin, WA Creazione di modelli di cammino basati su agenti mediante apprendimento automatico su diversi database di campioni di traiettorie spazio-temporali. Trans. Geogr. Inf. Sci. 2011 , 15 , 67–94. [ Google Scholar ] [ CrossRef ]
4. Dourish, P. Dov'è l'azione: i fondamenti dell'interazione incarnata ; MIT Press: Cambridge, MA, USA, 2001. [ Google Scholar ]
5. Dawson, JA Futures per le strade principali. Geogr. J. 1988 , 154 , 1–12. [ Google Scholar ] [ CrossRef ]
6. Ministero britannico delle comunità abitative e del governo locale. Il rapporto di High Street. Disponibile online: https://www.gov.uk/government/publications/the-high-street-report (accesso il 14 febbraio 2022).
7. Talen, E.; Jeong, H. Esiste ancora la classica strada principale americana? Uno sguardo esplorativo. J. Urbano Des. 2019 , 24 , 78–98. [ Google Scholar ] [ CrossRef ]
8. Brown, S. Località di vendita al dettaglio su microscala: inventario e prospettive. Serv. Ind. J. 1994 , 14 , 542–576. [ Google Scholar ] [ CrossRef ]
9. Torrens, Primo Ministro In quale parte del mondo? Esplorare i fattori che determinano la conoscenza della posizione geografica tra gli studenti del livello secondario a Dublino, Irlanda. J.Geog. 2001 , 100 , 49–61. [ Google Scholar ] [ CrossRef ]
10. Dolega, L.; Lord, A. Esplorando la geografia del successo e del declino del commercio al dettaglio: un caso di studio della regione della città di Liverpool. Città 2020 , 96 , 102456. [ Google Scholar ] [ CrossRef ]
11. Peterson, H. L'apocalisse del commercio al dettaglio è scesa ufficialmente in America. Disponibile online: https://www.businessinsider.com/the-retail-apocalypse-has-officially-descended-on-america-2017-3 (accesso il 5 agosto 2021).
12. Stamina, TE; Millward, H. Una storia di due CBD I: Il declino e la rinascita (?) della vendita al dettaglio nel centro di Halifax e Kitchener. Potere. J.Ris.Urbano. 1998 , 7 , 139–166. [ Google Scholar ]
13. Duany, A.; Plater-Zyberk, E.; Speck, J. Suburban Nation: l'ascesa dello sprawl e il declino del sogno americano ; North Point Press: New York, NY, USA, 2000. [ Google Scholar ]
14. Filion, P.; Hammond, K. Quando la pianificazione fallisce: centri commerciali del centro città nelle città di medie dimensioni. Potere. J.Ris.Urbano. 2008 , 17 , 1–27. [ Google Scholar ]
15. Morris, RL; Zisman, SB Il pedonale, il centro cittadino e il pianificatore. Marmellata. Ist. Pianificare. 1962 , 28 , 152–158. [ Google Scholar ] [ CrossRef ]
16. Robertson, KA Attività di vendita al dettaglio nei centri urbani delle grandi città americane 1954-1977. Geogr. Rev. 1983 , 73 , 314–323. [ Google Scholar ] [ CrossRef ]
17. Robertson, KA Rivitalizzazione del commercio al dettaglio del centro città: una revisione delle strategie di sviluppo americane. Piano. Prospettiva. 1997 , 12 , 383–401. [ Google Scholar ] [ CrossRef ]
18. Robertson, KA I centri delle piccole città possono rimanere vitali? Marmellata. Pianificare. Ass. 1999 , 65 , 270–283. [ Google Scholar ] [ CrossRef ]
19. Sternlieb, G. Il futuro della vendita al dettaglio nel centro della città. Marmellata. Ist. Pianificare. 1963 , 29 , 102–112. [ Google Scholar ] [ CrossRef ]
20. Weisbrod, G.; Pollakowski, HO Effetti dei progetti di miglioramento del centro cittadino sull'attività commerciale. Marmellata. Pianificare. Ass. 1984 , 50 , 148–161. [ Google Scholar ] [ CrossRef ]
21. Zimmerman, A. I rivenditori possono fermare lo "showrooming"? I negozi testano nuovi servizi, selezione; è una questione di prezzo. The Wall Street Journal , 11 aprile 2012. Disponibile online: https://www.wsj.com/articles/SB10001424052702304587704577334370670243032 (accesso il 23 luglio 2021).
22. Heynen, N.; Kurtz, SE; Trauger, A. Giustizia alimentare, fame e città. Geogr. Bussola 2012 , 6 , 304–311. [ Google Scholar ] [ CrossRef ]
23. Barwitz, N.; Maas, P. Comprendere il percorso del cliente omnicanale: determinanti della scelta dell'interazione. J. Interagisci. Segno. 2018 , 43 , 116–133. [ Google Scholar ] [ CrossRef ]
24. Ieva, M.; Ziliani, C. Mappatura dell'esposizione dei touchpoint nella vendita al dettaglio: implicazioni per lo sviluppo di un'esperienza cliente omnicanale. interno J. Vendita al dettaglio. Distrib. Gest. 2018 , 46 , 304–322. [ Google Scholar ] [ CrossRef ]
25. Iftikhar, R.; Pourzolfaghar, Z.; Helfert, M. Catena del valore omnichannel: mappatura delle tecnologie digitali per le attività di integrazione dei canali. In Advances in Information Systems Development: Information Systems Beyond 2020. ISD 2019. Lecture Notes in Information Systems and Organization ; Siarheyeva, A., Barry, C., Lang, M., Linger, H., Schneider, C., a cura di; Pubblicazione internazionale Springer: Cham, Svizzera, 2020; Volume 39, pagine 74–92. [ Google Scholar ]
26. Torrens, PM La scienza dei dati per la vendita al dettaglio pedonale e nelle strade principali come struttura per far avanzare l'informatica urbana su scala individuale. Informare Urbano. 2022 , 1 , 9. [ Google Scholar ] [ CrossRef ]
27. Liu, X.; Chen, M.; Claramunt, C.; Batty, M.; Kwan, M.-P.; Senusi, AM; Cheng, T.; Strobl, J.; Arzu, C.; Wilson, J.; et al. La scienza dell’informazione geografica nell’era dei big data geospaziali: una prospettiva del cyberspazio. L'Innovazione 2022 , 3 , 100279. [ Google Scholar ] [ CrossRef ]
28. Truffatori, AT; Schechtner, K.; Ehi, AK; Hudson-Smith, A. Creazione di edifici e città intelligenti. IEEE Pervas. Calcola. 2017 , 16 , 23–25. [ Google Scholar ] [ CrossRef ]
29. Batty, M. Big data, città intelligenti e pianificazione urbana. Dialoghi Hum. Geogr. 2013 , 3 , 274–279. [ Google Scholar ] [ CrossRef ] [ PubMed ]
30. Curzon, J.; Almehmadi, A.; El-Khatib, K. Un'indagine sulle tecnologie di miglioramento della privacy per le città intelligenti. Mafia pervasiva. Calcola. 2019 , 55 , 76–95. [ Google Scholar ] [ CrossRef ]
31. Nara, A.; Torrens, PM Analisi spaziale e temporale del comportamento e dell'efficienza dell'uscita pedonale. In Association of Computing Machinery (ACM) Progressi nei sistemi di informazione geografica ; Samet, H., Shahabi, C., Schneider, M., a cura di; Associazione delle macchine informatiche: New York, NY, USA, 2007; pagine 284–287. [ Google Scholar ]
32. Torrens, modelli PM Agent dei percorsi dei clienti nelle strade principali del commercio al dettaglio. J.Econ. Interagire. Coord. 2022 . [ Google Scholar ] [ CrossRef ] [ PubMed ]
33. Torrens, PM Intelligenza artificiale e geografia comportamentale. Nel Manuale di geografia comportamentale e cognitiva ; Montello, DR, ed.; Pubblicazione di Edward Elgar: Cheltnam, Regno Unito, 2018; pp. 357–372. [ Google Scholar ]
34. Weiser, M. Il computer per il 21° secolo. Sci. Sono. 1991 , 265 , 94–104. [ Google Scholar ] [ CrossRef ]
35. Weiser, M. Alcuni problemi di informatica nell'informatica ubiqua. Comune. ACM 1993 , 36 , 74–83. [ Google Scholar ] [ CrossRef ]
36. Berendes, CI; Bartelheimer, C.; Betzing, JH; Beverungen, D. Mappatura del percorso del cliente basata sui dati nelle strade principali locali: un linguaggio di modellazione specifico del dominio. Negli atti della 39a conferenza internazionale sui sistemi informativi (ICIS 2018): Bridging the Internet of People, Data, and Things, San Francisco, CA, USA, 13–18 dicembre 2018 ; Baskerville, R., Nickerson, R., a cura di; Curran Associates, Inc.: Red Hook, New York, Stati Uniti, 2018; pagine 218–227. [ Google Scholar ]
37. Bartelheimer, C.; Betzing, JH; Berende, CI; Beverungen, D. Progettazione di piattaforme comunitarie multilaterali per la vendita al dettaglio locale nelle vie principali. Negli Atti della 26a Conferenza europea sui sistemi informativi (ECIS 2018), Portsmouth, Regno Unito, 23–28 giugno 2018 ; Bednar, PM, Frank, U., Kautz, K., a cura di; Associazione per i sistemi informativi: Atlanta, GA, USA, 2018; P. 140. [ Google Scholar ]
38. Berendes, CI Verso l'analisi delle traiettorie dei clienti delle strade principali: un caso di studio basato sui dati. In Appunti di lezione in Informazioni aziendali, Atti dei seminari sui sistemi informativi aziendali. Workshop internazionali BIS 2019, Siviglia, Spagna, 26–28 giugno 2019. Documenti rivisti ; Abramowicz, W., Corchuelo, R., a cura di; Springer Natura: Cham, Svizzera, 2019; pagine 313–324. [ Google Scholar ]
39. Croitoru, A.; Wayant, N.; Truffatori, A.; Radzikowski, J.; Stefanidis, A. Collegamento di spazi informatici e fisici attraverso il rilevamento della comunità e il clustering nei feed dei social media. Calcola. Ambiente. Sistema urbano. 2015 , 53 , 47–64. [ Google Scholar ] [ CrossRef ]
40. Janowicz, K.; Gao, S.; McKenzie, G.; Hu, Y.; Bhaduri, B. GeoAI: tecniche di intelligenza artificiale spazialmente esplicite per la scoperta della conoscenza geografica e oltre. interno J. Geogr. Inf. Sci. 2020 , 34 , 625–636. [ Google Scholar ] [ CrossRef ]
41. Terziyan, V.; Kaykova, O. Verso la “realtà eseguibile”: business intelligence oltre ai dati collegati. Negli Atti del BUSTECH 2011: La Prima Conferenza Internazionale su Business Intelligence e Tecnologia, Roma, Italia, 25–30 settembre 2011; Associazione Internazionale dell'Accademia, della Ricerca e dell'Industria (IARIA): Roma, Italia, 2011; pagine 26–33. [ Google Scholar ]
42. Bizer, C.; Heath, T.; Berners-Lee, T. Dati collegati: la storia finora. interno J. Semant. Informazioni Web 2011 , 5 , 205–227. [ Google Scholar ]
43. Townsend, AM Vita nella città in tempo reale: telefoni cellulari e metabolismo urbano. J. Tecnologia urbana. 2000 , 7 , 85–104. [ Google Scholar ] [ CrossRef ]
44. Fessenden, RA Apparato per la telegrafia senza fili. Brevetto statunitense US706736A, 12 agosto 1902. [ Google Scholar ]
45. Grant, J. Esperimenti e risultati nella telefonia senza fili. Sono. Telef. J. 1907 , 26 , 49–51. [ Google Scholar ]
46. Torrens, primo ministro Geografie Wi-Fi. Anna. Ass. Sono. Geogr. 2008 , 98 , 59–84. [ Google Scholar ] [ CrossRef ][ Versione verde ]
47. Hong, L.; Fu, C.; Torrens, Primo Ministro; Frias-Martinez, V. Comprendere le comunicazioni digitali dei cittadini e dei governi locali durante i disastri naturali: il caso delle tempeste di neve. Negli atti della conferenza 2017 dell'Association for Computing Machinery Web Science, Troy, NY, USA, 26–28 giugno 2017; pagine 141–150. [ Google Scholar ]
48. Lui, J.; Hong, L.; Frias-Martinez, V.; Torrens, PM Scoprire il modello di reazione dei social media agli eventi di protesta: una prospettiva dinamica spaziotemporale dei disordini di Ferguson. In Dispense di Informatica 9471. Informatica Sociale. Atti della settima conferenza internazionale, SocInfo 2015, Pechino, Cina, 9–12 dicembre 2015 ; Liu, T.-Y., Scollon, NC, Zhu, W., Eds.; Springer: Berlino/Heidelberg, Germania, 2015; pagine 67–81. [ Google Scholar ]
49. Vieira, signor; Frías-Martínez, V.; Oliver, N.; Frías-Martínez, E. Caratterizzazione delle aree urbane dense dai dati delle chiamate di telefonia mobile: scoperta e dinamiche sociali. Negli atti della seconda conferenza internazionale sul social computing (SocialCom) dell'IEEE 2010, Minneapolis, MN, USA, 20–22 agosto 2010 ; Pentland, AS, Ed.; IEEE: Los Alamitos, California, Stati Uniti, 2010; pagine 241–248. [ Google Scholar ]
50. Li, R.; Zhao, Z.; Zhou, X.; Ding, G.; Chen, Y.; Wang, Z.; Zhang, H. Intelligent 5G: quando le reti cellulari incontrano l'intelligenza artificiale. IEEE Wirel. Comune. 2017 , 24 , 175–183. [ Google Scholar ] [ CrossRef ]
51. Frías-Martínez, V.; Soguero, C.; Frías-Martínez, E. Stima dei modelli di pendolarismo urbano utilizzando i dati della rete cellulare. Negli atti del workshop internazionale ACM SIGKDD 2012 sull'informatica urbana, Pechino, Cina, 12–16 agosto 2012; Yang, Q., ed.; ACM: New York, New York, Stati Uniti, 2012; pagine 9–16. [ Google Scholar ]
52. Frías-Martínez, V.; Virseda, J. Analisi dei telefoni cellulari: scalare gli studi sul comportamento umano a milioni. Inf. Tecnologia. Dev. 2013 , 9 , 35–50. [ Google Scholar ]
53. Torrens, PM Esplorazione delle regioni comportamentali nelle mappe mentali degli agenti. Anna. Reg. Sci. 2016 , 57 , 309–334. [ Google Scholar ] [ CrossRef ]
54. Torrens, PM Slipstreaming geosimulazione umana in ambienti geografici virtuali. Anna. GIS 2015 , 21 , 325–344. [ Google Scholar ] [ CrossRef ]
55. Torrens, PM Comportamenti ad alta fedeltà per persone modello su paesaggi stradali modello. Anna. GIS 2014 , 20 , 139–157. [ Google Scholar ] [ CrossRef ]
56. Lui, Z.; Wilson, J. Path intelligence Sensore GSM: una nuova tecnologia abilitante per l'analisi della posizione mobile al dettaglio. Negli atti dell'83a conferenza sulla tecnologia veicolare IEEE 2016 (VTC Spring), Nanchino, Cina, 15-18 maggio 2016; Tu, X., Fan, P., Li, S., a cura di; IEEE: Los Alamitos, California, Stati Uniti, 2016; pagine 1–5. [ Google Scholar ]
57. Jeffus, B.; Zeltmann, S.; Griffin, K.; Chen, A. Il futuro dei pagamenti elettronici mobili. J. Competizione. Perno. 2017 , 25 , 216–222. [ Google Scholar ]
58. Anderson, R.; Murdoch, SJ EMV: Perché i sistemi di pagamento falliscono. Comune. ACM 2014 , 57 , 24–28. [ Google Scholar ] [ CrossRef ]
59. Ondrus, J.; Pigneur, Y. Near Field Communication: una valutazione per i futuri sistemi di pagamento. Inf. Sist. Autobus elettrico. Gest. 2009 , 7 , 347–361. [ Google Scholar ] [ CrossRef ]
60. Basili, A.; Liguori, W.; Palumbo, F. Carta turistica intelligente NFC: combinare tecnologie mobili e contactless verso un'esperienza turistica intelligente. Negli atti della 23a conferenza internazionale IEEE 2014 sulle tecnologie abilitanti, Infrastruttura per le imprese collaborative (WETICE), Emilia Romagna, Italia, 23–25 giugno 2014; Bergenti, F., Cabri, G., a cura di; IEEE: Los Alamitos, California, Stati Uniti, 2014; pagine 249–254. [ Google Scholar ]
61. Jadhav, S.; Kamath, S.; Yadav, S.; Rajput, A.; Sakure, P. Applicazione per lo shopping intelligente tramite NFC. interno J.Ing. Ris. Tecnologia. 2018 , 5 , 1521–1524. [ Google Scholar ]
62. Resatsch, F.; Karpischek, S.; Sandner, Stati Uniti; Hamacher, S. Assistente alle vendite mobile: NFC per i rivenditori. Negli atti del MobileHCI07: 9a conferenza internazionale sull'interazione uomo-computer con dispositivi e servizi mobili, Singapore, 9–12 settembre 2007; Cheok, AD, Chittaro, L., a cura di; Associazione per le macchine informatiche: New York, NY, USA, 2007; pagine 313–316. [ Google Scholar ]
63. Karjol, S.; Holla, AK; Abhilash, CB; Amrutha, PV; Manohar, YV Un carrello della spesa intelligente basato su IOT per acquisti intelligenti. In informatica cognitiva ed elaborazione delle informazioni. CCIP 2017. Le comunicazioni in informatica e scienza dell'informazione ; Nagabhushan, TN, Aradhya, VNM, Jagadeesh, P., Shukla, S., Chayadevi, ML, a cura di; Springer: Singapore, 2018; Volume 801, pp. 373–385. [ Google Scholar ]
64. Legge, J.; Zhong, C.; Manley, E.; Milton, R.; Batty, M. Trovare perle nelle ostriche di Londra. Ambiente costruito. 2016 , 42 , 365–381. [ Google Scholar ] [ CrossRef ][ Versione verde ]
65. Roth, C.; Kang, SM; Batty, M.; Barthélemy, M. Struttura dei movimenti urbani: attività policentrica e flussi gerarchici intrecciati. PLoS UNO 2011 , 6 , e15923. [ Google Scholar ] [ CrossRef ] [ PubMed ][ Versione verde ]
66. Mishra, S.; Welch, TF; Torrens, Primo Ministro; Fu, C.; Zhu, H.; Knaap, E. Uno strumento per misurare e visualizzare la connettività della fermata di transito, del percorso e del centro di trasferimento in una rete di trasporto multimodale. Trasporto pubblico 2015 , 7 , 77–99. [ Google Scholar ] [ CrossRef ]
67. Alavi, AH; Jiao, P.; Buttlar, WG; Lajnef, N. Città intelligenti abilitate all'Internet delle cose: stato dell'arte e tendenze future. Misura 2018 , 129 , 589–606. [ Google Scholar ] [ CrossRef ]
68. Di Martino, S.; Rossi, S. Un'architettura per un sistema di raccomandazione della mobilità nelle città intelligenti. Procedia Comput. Sci. 2016 , 98 , 425–430. [ Google Scholar ] [ CrossRef ][ Versione verde ]
69. Hudson-Smith, A.; Grigio, S.; Ross, C.; Barthel, R.; Jode Md Warwick, C.; Terras, M. Esperimenti con l'Internet delle cose nello spazio museale: QRator. In Atti dell'UBICOMP'12: The 2012 ACM Conference on Ubiquitous Computing, Pittsburgh, PA, USA, 5–8 settembre 2012; Chu, H.-H., Hayes, G., a cura di; Associazione per le macchine informatiche: New York, NY, USA, 2012; pp. 1183–1184. [ Google Scholar ]
70. Dourish, P. L'Internet delle cose urbane. Nel Codice e nella Città ; Routledge: Londra, Regno Unito, 2016; pagine 27–46. [ Google Scholar ]
71. Hudson-Smith, A.; Wilson, D.; Grigio, S.; Dawkins, O. Urban IoT: progressi, sfide e opportunità per la raccolta, l'analisi e la visualizzazione di dati di massa. In Informatica urbana ; Shi, W., Goodchild, MF, Batty, M., Kwan, M.-P., Zhang, A., Eds.; Springer: Singapore, 2021; pagine 701–719. [ Google Scholar ]
72. Spandonidis, CC; Giannopoulos, F.; Sedikos, E.; Reppas, D.; Theodoropoulos, P. Sviluppo di un sistema IoV basato su MEMS per migliorare il rilevamento del traffico stradale. IEEE Trans. Strumento. Mis. 2022 , 71 , 1–8. [ Google Scholar ] [ CrossRef ]
73. Hunkeler, Stati Uniti; Truong, HL; Stanford-Clark, A. MQTT-S: un protocollo di pubblicazione/sottoscrizione per reti di sensori wireless. Negli atti della terza conferenza internazionale su software e middleware per sistemi di comunicazione e workshop (COMSWARE'08), Bangalore, India, 6–10 gennaio 2008; Choi, S., Kurose, J., Ramamritham, K., a cura di; IEEE: New York, New York, Stati Uniti, 2008; pagine 791–798. [ Google Scholar ]
74. Shahrour, I.; Xie, X. Ruolo dell'Internet delle cose (IoT) e del crowdsourcing nei progetti di città intelligenti. Città intelligenti 2021 , 4 , 1276–1292. [ Google Scholar ] [ CrossRef ]
75. Syed, AS; Sierra-Sosa, D.; Kumar, A.; Elmaghraby, A. IoT nelle città intelligenti: un'indagine su tecnologie, pratiche e sfide. Città intelligenti 2021 , 4 , 429–475. [ Google Scholar ] [ CrossRef ]
76. Zanella, A.; Bui, N.; Castellani, A.; Vangelista, L.; Zorzi, M. Internet of Things per le città intelligenti. IEEE Internet Things J. 2014 , 1 , 22–32. [ Google Scholar ] [ CrossRef ]
77. Mehmood, Y.; Ahmad, F.; Yaqoob, I.; Adnane, A.; Imran, M.; Guizani, S. Città intelligenti basate sull'Internet delle cose: progressi e sfide recenti. Comunione IEEE Magg. 2017 , 55 , 16–24. [ Google Scholar ] [ CrossRef ]
78. Rosa, L.; Silva, F.; Analide, C. Reti mobili e infrastrutture Internet of Things per caratterizzare la mobilità umana intelligente. Città intelligenti 2021 , 4 , 894–918. [ Google Scholar ] [ CrossRef ]
79. Iqbal, A.; Olariu, S. Un'indagine sulle tecnologie abilitanti per le comunità intelligenti. Città intelligenti 2021 , 4 , 54–77. [ Google Scholar ] [ CrossRef ]
80. Zualkernan, IA; Pasquier, M.; Shahriar, S.; Towheed, M.; Sujith, S. Utilizzo dei beacon BLE e dell'apprendimento automatico per un'esperienza cliente personalizzata negli smart café. Negli atti della conferenza internazionale del 2020 sull'elettronica, l'informazione e la comunicazione (ICEIC), Barcellona, ​​Spagna, 19–22 gennaio 2020; IEEE: Los Alamitos, California, Stati Uniti, 2020; pagine 1–6. [ Google Scholar ]
81. Potdar, K.; Torrens, PM Modellazione di modelli spazio-temporali nel comportamento dei pedoni ai margini con SOM Jetson. Negli atti della NVIDIA GPU Technology Conference (GTC), Washington, DC, USA, 4–6 novembre 2019; P. DCP91291. [ Google Scholar ]
82. Borriello, G.; Chalmers, M.; LaMarca, A.; Nixon, P. Fornire sistemi di localizzazione ubiquitari nel mondo reale. Comune. ACM 2005 , 48 , 36–41. [ Google Scholar ] [ CrossRef ][ Versione verde ]
83. Soundararaj, B.; Cheshire, J.; Longley, P. Stima del traffico nelle strade principali in tempo reale dalle richieste di sonda Wi-Fi. interno J. Geogr. Inf. Sci. 2020 , 34 , 325–343. [ Google Scholar ] [ CrossRef ]
84. Trasberg, T.; Soundararaj, B.; Cheshire, J. Utilizzo delle richieste sonda Wi-Fi provenienti dai telefoni cellulari per quantificare l'impatto dei flussi pedonali sul fatturato del commercio al dettaglio. Calcola. Ambiente. Sistema urbano. 2021 , 87 , 101601. [ Google Scholar ] [ CrossRef ]
85. Souiden, N.; Chaouali, W.; Baccouche, M. Atteggiamento dei consumatori e adozione di coupon basati sulla posizione: il caso del settore del fast food al dettaglio. J. Vendita al dettaglio. Consum. Serv. 2019 , 47 , 116–132. [ Google Scholar ] [ CrossRef ]
86. Melià-Seguí, J.; Pous, R.; Carreras, A.; Morenza-Cinos, M.; Parada, R.; Liaghat, Z.; Porrata-Doria, RD Migliorare l'esperienza d'acquisto attraverso l'RFID in un vero e proprio negozio al dettaglio. Negli atti della conferenza ACM 2013 sul Pervasive and Ubiquitous Computing, Zurigo, Svizzera, 8–12 settembre 2013; Canny, JF, Langheinrich, M., Rekimoto, J., a cura di; Associazione per le macchine informatiche: New York, NY, USA, 2013; pagine 1029–1036. [ Google Scholar ]
87. Li, S.; Arslan, M.; Khojastepour, A.; Krishnamurthy, SV; Rangarajan, S. Deeptrack: Raggruppamento di tag RFID in base alla prossimità spazio-temporale negli spazi commerciali. Negli atti della conferenza IEEE INFOCOM 2020-IEEE sulle comunicazioni informatiche, Toronto, ON, Canada, 6–9 luglio 2020; Li, B., Liang, B., a cura di; IEEE: Los Alamitos, California, Stati Uniti, 2020; pagine 1271–1280. [ Google Scholar ]
88. Ali, K.; Liu, AX; Chai, E.; Sundaresan, K. Monitoraggio del comportamento di navigazione dei clienti nei negozi al dettaglio tramite imaging RFID. IEEE Trans. Assalire. Calcola. 2020 , 21 , 1034–1048. [ Google Scholar ] [ CrossRef ]
89. Cha, MK; Kim, JO; Lee, WH; Yu, KY Uno schema di tracciamento di oggetti mobili tramite lampioni integrati cablati/wireless con RFID. J. Soc. Coreana Geospat. Inf. Sci. 2016 , 24 , 25–35. [ Google Scholar ] [ CrossRef ]
90. Djuknic, direttore generale; Richton, RE Geolocalizzazione e GPS assistito. Computer 2001 , 34 , 123–125. [ Google Scholar ] [ CrossRef ][ Versione verde ]
91. Ponis, S.; Aretoulaki, E.; Plakas, G.; Agalianos, K.; Maroutas, TN Evasione zero-touch degli ordini dei clienti per supportare la nuova normalità della vendita al dettaglio nel 21° secolo. In Sistemi e applicazioni intelligenti. Atti della conferenza sui sistemi intelligenti del 2021 (IntelliSys) volume 2. (Lecture Notes in Networks and Systems, volume 295.), Amsterdam, 1–2 settembre 2022 ; Arai, K., ed.; Springer International Publishing: Cham, Svizzera, 2022; pagine 1–10. [ Google Scholar ]
92. Ghose, A.; Li, B.; Liu, S. Targeting mobile utilizzando modelli di traiettoria del cliente. Gest. Sci. 2019 , 65 , 5027–5049. [ Google Scholar ] [ CrossRef ]
93. Sarwat, M.; Eldawy, A.; Mokbel, MF; Riedl, J. PLUTUS: Sfruttare i social network basati sulla posizione per consigliare potenziali clienti ai locali. Negli atti della 14a conferenza internazionale IEEE 2013 sulla gestione dei dati mobili, Milano, Italia, 3–6 giugno 2013; IEEE: Los Alamitos, California, Stati Uniti, 2013; pagine 26–35. [ Google Scholar ]
94. Spandonidis, CC; Spyropoulos, D.; Galiatsatos, N.; Giannopoulos, F.; Karageorgiou, D. Progettazione di occhiali intelligenti che consentono la visione artificiale per il miglioramento dell'autonomia dei non vedenti. J.Ing. Sci. Tecnologia. Rev. 2021 , 14 , 113–118. [ Google Scholar ] [ CrossRef ]
95. McNabola, A.; Broderick, BM; Gill, LW Esposizione relativa al particolato fine e ai COV tra i microambienti di trasporto a Dublino: esposizione personale e assorbimento. Atmosfera. Ambiente. 2008 , 42 , 6496–6512. [ Google Scholar ] [ CrossRef ]
96. Li, K.; Peng, Z.; Crittenden, J.; Guhathakurta, S.; Sawney, A.; Fernando, H.; McCartney, P.; Grimm, N.; Joshi, H.; Konjevod, G.; et al. Sviluppo di un quadro per quantificare gli impatti ambientali dello sviluppo urbano e delle pratiche di costruzione. Ambiente. Sci. Tecnologia. 2007 , 41 , 5130–5136. [ Google Scholar ] [ CrossRef ]
97. Zhao, L.; Wang, X.; Lui, D.; Wang, H.; Sheng, G.; Chan, L.; Fu, J.; Blake, D. Esposizione a composti organici volatili pericolosi, PM10 e CO mentre si cammina lungo le strade della città di Guangzhou, in Cina. Atmosfera. Ambiente. 2004 , 38 , 6177–6184. [ Google Scholar ] [ CrossRef ][ Versione verde ]
98. Ciccioli, S.; Issarayangyun, T.; Liu, Q. Esplorazione della variabilità nell'esposizione dei pedoni al particolato fine (PM2,5) lungo una strada trafficata. Atmosfera. Ambiente. 2008 , 42 , 1665–1676. [ Google Scholar ] [ CrossRef ]
99. Kaur, S.; Nieuwenhuijsen, M.; Colvile, R. Esposizione personale degli utenti degli incroci di canyon stradali a PM2.5, particelle ultrafini e monossido di carbonio nel centro di Londra, Regno Unito. Atmosfera. Ambiente. 2005 , 39 , 3629–3641. [ Google Scholar ] [ CrossRef ]
100. O'Brien, DT; Gridley Msui, B.; Trlica, A.; Wang, JA; Shrivastava, A. Isole di calore urbane: segmenti stradali, temperature della superficie terrestre ed emergenze mediche durante gli avvisi di calore. Sono. J. Salute pubblica 2020 , 110 , 994–1001. [ Google Scholar ] [ CrossRef ]
101. McNabola, A.; Broderick, BM; Gill, LW Un'indagine numerica sull'impatto dei muri di cinta bassi sull'esposizione dei pedoni agli inquinanti atmosferici nei canyon stradali urbani. Sci. Ambiente totale. 2009 , 407 , 760–769. [ Google Scholar ] [ CrossRef ] [ PubMed ]
102. Anguelov, D.; Dulong, C.; Filippo, D.; Frueh, C.; Lafon, S.; Lione, R.; Ogale, A.; Vincenzo, L.; Weaver, J. Google Street View: catturare il mondo a livello stradale. Computer 2010 , 43 , 32–38. [ Google Scholar ] [ CrossRef ]
103. Zahiri, Z.; Laefer, DF; Kurz, T.; Buckley, S.; Gowen, A. Un confronto tra l'imaging iperspettrale terrestre e l'imaging multispettrale con bordo rosso per la classificazione dei materiali delle facciate. Automat. costr. 2022 , 136 , 104164. [ Google Scholar ] [ CrossRef ]
104. Qamar, F.; Dobler, G. Classificazione pixel-wise di immagini iperspettrali urbane terrestri ad alta risoluzione con reti neurali convoluzionali. Sensibilità remota 2020 , 12 , 2540. [ Google Scholar ] [ CrossRef ]
105. Del Pozo, S.; Herrero-Pascual, J.; Felipe-García, B.; Hernández-López, D.; Rodríguez-Gonzálvez, P.; González-Aguilera, D. Analisi radiometrica multispettrale delle facciate per rilevare patologie da telerilevamento attivo e passivo. Remote Sens. 2016 , 8 , 80. [ Google Scholar ] [ CrossRef ][ Versione verde ]
106. Zahiri, Z.; Laefer, DF; Gowen, A. Caratterizzazione dei materiali da costruzione utilizzando immagini multispettrali e dati di intensità LiDAR. J. Costruisci. L'Ing. 2021 , 44 , 102603. [ Google Scholar ] [ CrossRef ]
107. Negato, NK; Hemayed, EE; Fayek, MB Rilevamento dei pedoni nelle bande termiche: indagine critica. J. Elettr. Sist. Inf. Tecnologia. 2015 , 2 , 141–148. [ Google Scholar ] [ CrossRef ][ Versione verde ]
108. Li, C.; Canzone, D.; Tong, R.; Tang, M. R-CNN più veloce sensibile all'illuminazione per un robusto rilevamento dei pedoni multispettrali. Riconoscimento del modello. 2019 , 85 , 161–171. [ Google Scholar ] [ CrossRef ][ Versione verde ]
109. Watson, B.; Pomerantz, D. La termocamera è accesa: i rivenditori si rivolgono ai sensori per avere informazioni dettagliate. Disponibile online: https://www.ge.com/news/reports/heat-camera-retailers-turn-sensors-insight (accesso il 14 febbraio 2022).
110. Zhao, X.; Luo, Y.; Lui, J. Analisi dell'ambiente termico nello spazio pedonale mediante imaging termico 3D. Energie 2020 , 13 , 3674. [ Google Scholar ] [ CrossRef ]
111. Li, W.; Zheng, D.; Zhao, T.; Yang, M. Un approccio efficace al rilevamento dei pedoni nelle immagini termiche. Negli atti dell'8a conferenza internazionale sul calcolo naturale dell'IEEE 2012, Chongqing, Cina, 29–31 maggio 2012; IEEE: Los Alamitos, California, Stati Uniti, 2012; pagine 325–329. [ Google Scholar ]
112. Kieu, M.; Bagdanov, AD; Bertini, M.; del Bimbo, A. Adattamento del dominio condizionato dal compito per il rilevamento dei pedoni nelle immagini termiche. In Visione artificiale: ECCV 2020 ; Vedaldi, A., Bischof, H., Brox, T., Frahm, J.-M., eds.; Pubblicazione internazionale Springer: Cham, Svizzera, 2020; pagine 546–562. [ Google Scholar ]
113. Hwang, S.; Parco, J.; Kim, N.; Choi, Y.; Quindi Kweon, I. Rilevamento pedonale multispettrale: set di dati di riferimento e linea di base. Negli atti della conferenza IEEE sulla visione artificiale e il riconoscimento dei modelli (CVPR), Boston, MA, USA, 7–12 giugno 2015; Mortensen, E., Fidler, S., a cura di; IEEE: Los Alamitos, California, Stati Uniti, 2015; pagine 1037–1045. [ Google Scholar ]
114. Maggio.; Wu, X.; Yu, G.; Xu, Y.; Wang, Y. Rilevamento e tracciamento dei pedoni da immagini termiche a bassa risoluzione di veicoli aerei senza pilota. Sensori 2016 , 16 , 446. [ Google Scholar ] [ CrossRef ]
115. Lin, C.-F.; Chen, C.-S.; Hwang, W.-J.; Chen, C.-Y.; Hwang, C.-H.; Chang, C.-L. Nuove caratteristiche generali per il sistema di rilevamento dei pedoni con immagini termiche. Riconoscimento del modello. 2015 , 48 , 3440–3450. [ Google Scholar ] [ CrossRef ]
116. Re, EA; Murphy, E.; McNabola, A. Riduzione dell'esposizione dei pedoni agli inquinanti ambientali: un approccio combinato di esposizione al rumore e analisi della qualità dell'aria. Trasp. Ris. D Trasp. Ambiente. 2009 , 14 , 309–316. [ Google Scholar ] [ CrossRef ]
117. Boles, NOI; Hayward, SC Effetti del rumore urbano e della densità dei marciapiedi sulla cooperazione e sul ritmo dei pedoni. J. Soc. Psicologo. 1978 , 104 , 29–35. [ Google Scholar ] [ CrossRef ]
118. Echevarria Sanchez, direttore generale; Van Renterghem, T.; Tommaso, P.; Botteldooren, D. L'effetto del design del canyon stradale sull'esposizione al rumore del traffico lungo le strade. Costruire. Ambiente. 2016 , 97 , 96–110. [ Google Scholar ] [ CrossRef ][ Versione verde ]
119. Camacho, A.; Ruiz Blais, S.; Fonseca Solís, JM Riconoscimento automatico dei segnali pedonali accessibili. J. Acoust. Soc. Sono. 2017 , 141 , 3913–3914. [ Google Scholar ] [ CrossRef ]
120. Schmidt, A.; Beigl, M.; Gellersen, H.-W. C'è di più nel contesto che nella posizione. Calcola. Grafico. 1999 , 23 , 893–901. [ Google Scholar ] [ CrossRef ][ Versione verde ]
121. de Godoy, D.; Islam, B.; Xia, S.; Islam, MT; Chandrasekaran, R.; Chen, Y.-C.; Nirjon, S.; Kinget, PR; Jiang, X. PAWS: un sistema acustico indossabile per la sicurezza dei pedoni. Negli atti della terza conferenza internazionale IEEE/ACM del 2018 sulla progettazione e implementazione dell'Internet delle cose (IoTDI), Orlando, FL, USA, 17–20 aprile 2018; Lu, C., ed.; IEEE: Los Alamitos, California, Stati Uniti, 2018; pagine 237–248. [ Google Scholar ]
122. Liu, Q.; Li, Z.; Yuan, S.; Zhu, Y.; Li, X. Revisione sulla tecnologia di rilevamento dei veicoli per veicoli terrestri senza pilota. Sensori 2021 , 21 , 1354. [ Google Scholar ] [ CrossRef ] [ PubMed ]
123. Pech, AH; Nauth, PM; Michalik, R. Un nuovo approccio per il rilevamento dei pedoni nei veicoli mediante analisi del segnale ad ultrasuoni. Negli atti dell'IEEE EUROCON 2019—18a conferenza internazionale sulle tecnologie intelligenti, Novi Sad, Serbia, 8–11 luglio 2019; Dumnić, B., Katić, V., eds.; IEEE: Los Alamitos, California, Stati Uniti, 2019; pagine 1–5. [ Google Scholar ]
124. Canzone, K.-T.; Chen, C.H.; Huang, C.-HC Progettazione e studio sperimentale di un sistema di sensori ad ultrasuoni per evitare collisioni laterali a basse velocità. Negli Atti dell'IEEE Intelligent Vehicles Symposium (IV2004), Parma, Italia, 14–17 giugno 2004; Broggi, A., ed.; IEEE: Los Alamitos, California, Stati Uniti, 2004; pp. 647–652. [ Google Scholar ]
125. Dimitrievski, M.; Veelaert, P.; Philips, W. Tracciamento comportamentale dei pedoni utilizzando una telecamera e sensori Lidar su un veicolo in movimento. Sensori 2019 , 19 , 391. [ Google Scholar ] [ CrossRef ][ Versione verde ]
126. Hnat, TW; Griffiths, E.; Dawson, R.; Whitehouse, K. Doorjamb: tracciamento discreto delle persone nelle case a livello di stanza utilizzando sensori sulla porta. Negli atti della decima conferenza ACM sui sistemi di sensori di rete incorporati (SenSys '12), Toronto, ON, Canada, 6–9 novembre 2012; Eskicioglu, R., ed.; Associazione per le macchine informatiche: New York, NY, USA, 2012; pagine 309–322. [ Google Scholar ]
127. Charreyron, S.; Jackson, S.; Miranda-Moreno, LF Verso un sistema flessibile per la raccolta dei dati dei pedoni con un dispositivo di rilevamento del movimento Microsoft Kinect. Trasp. Ris. Documento 2013 , 2339 , 80–89. [ Google Scholar ] [ CrossRef ]
128. Potter, MV; Ojeda, LV; Perkins, Carolina del Nord; Cain, SM Effetto del design dell'IMU sulle metriche del passo derivate dall'IMU per la corsa. Sensori 2019 , 19 , 2601. [ Google Scholar ] [ CrossRef ]
129. Huang, C.; Zhang, F.; Xu, Z.; Wei, J. The Diverse Gait Dataset: segmentazione dell'andatura utilizzando sensori inerziali per la localizzazione dei pedoni con diversi generi, altezze e velocità di camminata. Sensori 2022 , 22 , 1678. [ Google Scholar ] [ CrossRef ]
130. Sarshar, M.; Polturi, S.; Schega, L. Stima della fase dell'andatura utilizzando LSTM nell'analisi dell'andatura basata su IMU: prova di concetto. Sensori 2021 , 21 , 5749. [ Google Scholar ] [ CrossRef ]
131. Skog, I.; Nilsson, J.-O.; Händel, P. Tracciamento pedonale utilizzando un array IMU. Negli atti della conferenza internazionale IEEE 2014 sulle tecnologie elettroniche, informatiche e di comunicazione (CONECCT), Bangalore, India, 6–7 gennaio 2014; Curran Associates: Red Hook, New York, Stati Uniti, 2014; pagine 1–4. [ Google Scholar ]
132. Yu, Y.; Qin, X.; Hussein, S.; Hou, W.; Weis, T. Conteggio pedonale basato su sensore di vibrazione piezoelettrico. Appl. Sci. 2022 , 12 , 1920. [ Google Scholar ] [ CrossRef ]
133. Li, F.; Clemente, J.; Valero, M.; Tse, Z.; Li, S.; Song, W. Sistema di monitoraggio della casa intelligente tramite vibrazioni indotte dal passo. Sistema IEEE J. 2020 , 14 , 3383–3389. [ Google Scholar ] [ CrossRef ]
134. Clemente, J.; Li, F.; Valero, M.; Song, W. Rilevamento sismico intelligente per il rilevamento, la posizione e la notifica delle cadute in interni. IEEE J. Biomed. Informare sulla salute. 2019 , 24 , 524–532. [ Google Scholar ] [ CrossRef ] [ PubMed ]
135. Akiyama, S.; Yoshida, M.; Moriyama, Y.; Suwa, H.; Yasumoto, K. Stima della direzione del cammino con sensore di vibrazione basato su un dispositivo piezoelettrico. Negli atti della conferenza internazionale IEEE 2020 sui workshop sul Pervasive Computing and Communications (PerCom Workshops), Austin, TX, USA, 23–27 marzo 2020; Murphy, AL, Thomaz, E., a cura di; IEEE: Los Alamitos, California, Stati Uniti, 2020; pagine 1–6. [ Google Scholar ]
136. Hans, D.; Gandhar, S.; Aggarwal, A.; Batra, I.; Singh, KH Una recensione sull'energia piezoelettrica per strade e semafori intelligenti. J.Inf. Ottimale Sci. 2022 , 43 , 17–24. [ Google Scholar ] [ CrossRef ]
137. Premebida, C.; Ludwig, O.; Nunes, U. LIDAR e sistema di rilevamento dei pedoni basato sulla visione. J. Robot da campo. 2009 , 26 , 696–711. [ Google Scholar ] [ CrossRef ]
138. Wang, H.; Wang, B.; Liu, B.; Meng, X.; Yang, G. Riconoscimento e tracciamento dei pedoni utilizzando LiDAR 3D per veicoli autonomi. Robot. Autonomo. Sist. 2017 , 88 , 71–78. [ Google Scholar ] [ CrossRef ]
139. Zhao, J.; Xu, H.; Liu, H.; Wu, J.; Zheng, Y.; Wu, D. Rilevamento e tracciamento di pedoni e veicoli utilizzando sensori LiDAR lungo la strada. Trasp. Ris. Parte C Emerg. Tecnologia. 2019 , 100 , 68–87. [ Google Scholar ] [ CrossRef ]
140. Cigno, M. Sensore mania! L'Internet delle cose, l'informatica indossabile, le metriche oggettive e il Sé quantificato 2.0. J. Rete attuatore sens. 2012 , 1 , 217–253. [ Google Scholar ] [ CrossRef ]
141. Shull, PB; Jirattigalachote, W.; Caccia, MA; Cutkosky, signor; Delp, SL Sé quantificato e movimento umano: una revisione sull'impatto clinico del rilevamento e del feedback indossabili per l'analisi e l'intervento dell'andatura. Postura dell'andatura 2014 , 40 , 11–19. [ Google Scholar ] [ CrossRef ]
142. Vaidogaite, S.; Sun, D. Abbigliamento tecnologico indossabile: il potenziale per adattarsi e avere successo nella vendita al dettaglio di moda. J. Testo. L'Ing. Veloce. Tecnologia. 2019 , 5 , 193–195. [ Google Scholar ]
143. Öksüz, N.; Maass, W. Un servizio di vendita al dettaglio intelligente specifico per la situazione basato su segni vitali. Negli atti della conferenza internazionale sui sistemi informativi del 2020, Hyderabad, India, 13-16 dicembre 2020; Karahanna, E., Sarker, S., Oestreicher-Singer, G., a cura di; Biblioteca elettronica AIS: Chicago, IL, USA, 2020; pagine 1–17. [ Google Scholar ]
144. El Mawass, N.; Kanjo, E. Una mappa dello stress del supermercato. In Atti della conferenza ACM 2013 sul Pervasive and Ubiquitous Computing: pubblicazione aggiuntiva, Zurigo, Svizzera, 8–12 settembre 2013; Canny, JF, Langheinrich, M., Rekimoto, J., a cura di; Associazione per le macchine informatiche: New York, NY, USA, 2013; pagine 1043–1046. [ Google Scholar ]
145. Hays, J.; Efros, AA Completamento della scena utilizzando milioni di fotografie. ACM Trans. Grafico. 2007 , 26 , 4-es. [ Google Scholar ] [ CrossRef ]
146. Ullman, S. L'interpretazione della struttura dal movimento. Proc. Reale Soc. B 1979 , 203 , 405–426. [ Google Scholar ]
147. Truffatori, A.; Vedi, L. Sfruttare le immagini a livello stradale per la pianificazione urbana. Ambiente. Piano. B anale urbano. Città Sci. 2022 , 49 , 773–776. [ Google Scholar ] [ CrossRef ]
148. Yin, L.; Cheng, Q.; Wang, Z.; Shao, Z. "Big data" per il volume dei pedoni: esplorazione dell'uso delle immagini di Google Street View per il conteggio dei pedoni. Appl. Geogr. 2015 , 63 , 337–345. [ Google Scholar ] [ CrossRef ]
149. Chen, L.; Lu, Y.; Sheng, Q.; Sì, Y.; Wang, R.; Liu, Y. Stima del volume pedonale utilizzando le immagini di Street View: un test di convalida su larga scala. Calcola. Ambiente. Sistema urbano. 2020 , 81 , 101481. [ Google Scholar ] [ CrossRef ]
150. Hara, K.; Azenkot, S.; Campbell, M.; Bennett, CL; Le, V.; Pannella, S.; Moore, R.; Minckler, K.; Ng, RH; Froehlich, JE Miglioramento dell'accessibilità del trasporto pubblico per i passeggeri non vedenti tramite il crowdsourcing dei punti di riferimento delle fermate dell'autobus con Google Street View. Negli atti della 15a conferenza internazionale ACM SIGACCESS su computer e accessibilità, Bellevue, WA, USA, 21–23 ottobre 2013; Lewis, C., Ladner, R., a cura di; ACM: New York, New York, Stati Uniti, 2013; pagine 1–8. [ Google Scholar ]
151. Hara, K.; Sole, J.; Chazan, J.; Jacobs, D.; Froehlich, JE Uno studio iniziale sul rilevamento automatico delle rampe dei marciapiedi con verifica in crowdsourcing utilizzando le immagini di Google Street View. Negli atti della prima conferenza AAAI sul calcolo umano e sul crowdsourcing, Palm Springs, CA, USA, 7–9 novembre 2013; Hartman, B., Horvitz, E., a cura di; Associazione per il progresso dell'intelligenza artificiale: Menlo Park, CA, USA, 2013; pagine 32–33. [ Google Scholar ]
152. Rundle, AG; Bader, MD; Richards, California; Neckermann, KM; Teitler, JO Utilizzo di Google Street View per controllare gli ambienti di quartiere. Sono. J.Prec. Med. 2011 , 40 , 94–100. [ Google Scholar ] [ CrossRef ] [ PubMed ][ Versione verde ]
153. Kelly, CM; Wilson, JS; Panettiere, EA; Miller, Danimarca; Schootman, M. Utilizzo di Google Street View per verificare l'ambiente costruito: risultati di affidabilità tra valutatori. Anna. Comportamento Med. 2013 , 45 (Suppl. 1), S108–S112. [ Google Scholar ] [ CrossRef ] [ PubMed ][ Versione verde ]
154. Wang, R.; Liu, Y.; Lu, Y.; Zhang, J.; Liu, P.; Yao, Y.; Grekousis, G. Percezioni dell'ambiente costruito e dei risultati sulla salute per i cinesi più anziani a Pechino: un approccio basato sui big data con immagini di Street View e tecnica di deep learning. Calcola. Ambiente. Sistema urbano. 2019 , 78 , 101386. [ Google Scholar ] [ CrossRef ]
155. Li, Y.; Chen, Y.; Rajabifard, A.; Khoshelham, K.; Aleksandrov, M. Stima dell'età dell'edificio dalle immagini di Google Street View utilizzando il deep learning (breve articolo). Negli atti della 10a conferenza internazionale sulla scienza dell'informazione geografica (GIScience 2018), Melbourne, Australia, 28–31 agosto 2018; Inverno, S., Griffin, A., Sester, M., a cura di; Schloss Dagstuhl-Leibniz-Zentrum fuer Informatik: Dagstuhl, Germania, 2018; pp. 40:1–40:7. [ Google Scholar ]
156. Mooney, SJ; DiMaggio, CJ; Lovasi, G.S.; Neckermann, KM; Bader, MD; Teitler, JO; Sheehan, DM; Jack, DW; Rundle, AG Utilizzo di Google Street View per valutare i contributi ambientali alle lesioni dei pedoni. Sono. J. Salute pubblica 2016 , 106 , 462–469. [ Google Scholar ] [ CrossRef ]
157. Pollefeys, M.; Gool, LV Dalle immagini ai modelli 3D. Comune. ACM 2002 , 45 , 50–55. [ Google Scholar ] [ CrossRef ]
158. Agarwal, S.; Furukawa, Y.; Snavelly, N.; Curless, B.; Seitz, SM; Szeliski, R. Ricostruire Roma. Computer 2010 , 43 , 40–47. [ Google Scholar ] [ CrossRef ]
159. Agarwal, S.; Furukawa, Y.; Snavelly, N.; Simone, I.; Curless, B.; Seitz, SM; Szeliski, R. Costruire Roma in un giorno. Comune. ACM 2011 , 54 , 105–112. [ Google Scholar ] [ CrossRef ]
160. Snavelly, N.; Seitz, SM; Szeliski, R. Turismo fotografico: esplorazione di raccolte di foto in 3D. ACM Trans. Grafico. 2006 , 25 , 835–846. [ Google Scholar ] [ CrossRef ][ Versione verde ]
161. Rematas, K.; Liu, A.; Srinivasan, PP; Barron, JT; Tagliasacchi, A.; Funkhouser, T.; Ferrari, V. Campi di radianza urbana. Negli atti della conferenza IEEE/CVF sulla visione artificiale e il riconoscimento dei modelli (CVPR 2022), New Orleans, LA, USA, 21–24 giugno 2022; Chellappa, R., Matas, J., Quan, L., Shah, M., Eds.; IEEE: Los Alamitos, California, Stati Uniti, 2022; pp. 12932–12942. [ Google Scholar ]
162. Cao, Z.; Simone, T.; Wei, S.-E.; Sheikh, Y. Stima della posa 2D multi-persona in tempo reale utilizzando i campi di affinità delle parti. Negli atti della conferenza IEEE sulla visione artificiale e il riconoscimento dei modelli (CVPR 17), Honolulu, HI, USA, 21–26 luglio 2017 ; Chellappa, R., Zhang, Z., Hoogs, A., a cura di; IEEE: Los Alamitos, California, Stati Uniti, 2017; pagine 7291–7299. [ Google Scholar ]
163. Neuhold, G.; Ollmann, T.; Rota Bulo, S.; Kontschieder, P. Il set di dati delle viste mappali per la comprensione semantica delle scene stradali. Negli atti della conferenza internazionale IEEE sulla visione artificiale (ICCV), Venezia, Italia, 22–29 ottobre 2017; Ikeuchi, K., Medioni, G., Pelillo, M., a cura di; IEEE: Los Alamitos, California, Stati Uniti, 2017; pagine 4990–4999. [ Google Scholar ]
164. Lui, K.; Zhang, X.; Ren, S.; Sun, J. Apprendimento residuo profondo per il riconoscimento delle immagini. Negli atti della IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2016), Las Vegas, NV, USA, 26 giugno–1 luglio 2016; Agapito, L., Berg, T., Kosecka, J., Zelnik-Manor, L., eds.; IEEE: Los Alamitos, California, Stati Uniti, 2016; pagine 770–778. [ Google Scholar ]
165. Guo, J.; Lui, H.; Lui, T.; Lausen, L.; Li, M.; Lin, H.; Shi, X.; Wang, C.; Xie, J.; Zha, S. GluonCV e GluonNLP: Apprendimento profondo nella visione artificiale e nell'elaborazione del linguaggio naturale. J.Mach. Imparare. Ris. 2020 , 21 , 1–7. [ Google Scholar ]
166. Redmon, J.; Divvala, S.; Girsick, R.; Farhadi, A. Si guarda solo una volta: rilevamento di oggetti unificato e in tempo reale. Negli atti della IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, 26 giugno–1 luglio 2016; Li, F.-F., Bajcsy, R., Tuytelaars, T., a cura di; IEEE: Los Alamitos, California, Stati Uniti, 2016; pagine 779–788. [ Google Scholar ]
167. Wang, P.; Li, W.; Ogunbona, P.; Wan, J.; Escalera, riconoscimento del movimento umano basato su S. RGB-D con deep learning: un sondaggio. Calcola. Vis. Immagine e. 2018 , 171 , 118–139. [ Google Scholar ] [ CrossRef ][ Versione verde ]
168. Cusumano, M. Cloud computing e SaaS come nuove piattaforme informatiche. Comune. ACM 2010 , 53 , 27–29. [ Google Scholar ] [ CrossRef ]
169. Merkel, D. Docker: Contenitori Linux leggeri per sviluppo e distribuzione coerenti. Linux J. 2014 , 2014 , 2–5. [ Google Scholar ]
170. Bernstein, D. Contenitori e cloud: da LXC a docker a Kubernetes. IEEE Cloud Computing. 2014 , 1 , 81–84. [ Google Scholar ] [ CrossRef ]
171. Kurtzer, direttore generale; Sochat, V.; Bauer, MW Singolarità: contenitori scientifici per la mobilità del calcolo. PLoS ONE 2017 , 12 , e0177459. [ Google Scholar ] [ CrossRef ]
172. Greengard, S. AI al limite. Comune. ACM 2020 , 63 , 18–20. [ Google Scholar ] [ CrossRef ]
173. Sugianto, N.; Tjondronegoro, D.; Stockdale, R.; Yuwono, EI Videosorveglianza basata sull'intelligenza artificiale per la tutela della privacy per il distanziamento sociale: progettazione e implementazione responsabili per gli spazi pubblici. Disponibile online: https://www.emerald.com/insight/content/doi/10.1108/ITP-07-2020-0534/full/html (accesso il 1° ottobre 2022).
174. Brown, PJB Esplorazione della geodemografia. Nella gestione delle informazioni geografiche: metodologia e potenziali applicazioni ; Masser, I., Blakemore, MJ, a cura di; Longman: Londra, Regno Unito, 1991; pagine 221–258. [ Google Scholar ]
175. Rugiada di fiori, R.; Goldstein, W. Geodemografia in pratica: sviluppi in Nord America. Ambiente. Pianificare. A 1989 , 21 , 605–616. [ Google Scholar ] [ CrossRef ]
176. Beaumont, JR; Inglis, K. Geodemografia in pratica: sviluppi in Gran Bretagna e in Europa. Ambiente. Pianificare. A 1989 , 21 , 587–604. [ Google Scholar ] [ CrossRef ]
177. Batey, PWJ; Brown, PJB Dall'ecologia umana al targeting del cliente: l'evoluzione della geodemografica. In GIS per la pianificazione aziendale e dei servizi ; Longley, PA, Clarke, G., a cura di; Geolnformation International: Cambridge, Regno Unito, 1995; pagine 77–103. [ Google Scholar ]
178. Johnson, M. L'applicazione della geodemografia alla vendita al dettaglio: soddisfare le esigenze del bacino. interno J. Ris. mercato 1997 , 39 , 201. [ Google Scholar ]
179. Beaumont, JR Una panoramica dell'analisi di mercato: chi? Che cosa? Dove? e perché? interno J. Informare. Gest. 1989 , 9 , 51–62. [ Google Scholar ] [ CrossRef ]
180. Longley, Pennsylvania; Harris, RJ Verso una nuova infrastruttura di dati digitali per l'analisi e la modellazione urbana. Ambiente. Pianificare. B. 1999 , 26 , 855–878. [ Google Scholar ] [ CrossRef ]
181. Orcutt, G.; Greenberger, M.; Korbel, J.; Rivlin, A. Microanalisi dei sistemi socioeconomici: uno studio di simulazione ; Harper & Row: New York, New York, Stati Uniti, 1961. [ Google Scholar ]
182. Moser, California; Scott, W. Città britanniche. Uno studio statistico delle loro differenze sociali ed economiche ; Oliver e Boyd: Edimburgo, Regno Unito, 1961. [ Google Scholar ]
183. Clarke, GP Microsimulazione per l'analisi delle politiche urbane e regionali ; Pion: Londra, Regno Unito, 1996. [ Google Scholar ]
184. Openshaw, S. Rendere la geodemografia più sofisticata. J. Ris. mercato Soc. 1989 , 31 , 111–131. [ Google Scholar ]
185. Bracken, I.; Martin, D. La generazione di distribuzioni spaziali della popolazione dai dati del centroide del censimento. Ambiente. Pianificare. A 1989 , 21 , 537–543. [ Google Scholar ] [ CrossRef ] [ PubMed ]
186. Birkin, M.; Clarke, G. GIS, geodemografica e modellazione spaziale nel settore dei servizi finanziari del Regno Unito. J. Hous. Ris. 1998 , 9 , 87–111. [ Google Scholar ] [ CrossRef ]
187. Harris, R.; Gioco di prestigio, P.; Webber, R. Geodemografia, GIS e targeting del quartiere ; John Wiley & Sons: Chichester, Regno Unito, 2005. [ Google Scholar ]
188. Collins, A. Pianificazione dell'ubicazione del negozio: il suo ruolo nella strategia di marketing. Ambiente. Pianificare. A 1989 , 21 , 625–628. [ Google Scholar ] [ CrossRef ]
189. Brown, PJB Una classifica dell'affluenza basata sul Super Profile delle aree urbane OPCS. Ambiente costruito. 1988 , 14 , 118–134. [ Google Scholar ]
190. Pinza.; Luo, X.; Xu, B. Strategie di mobile marketing personalizzate. J.Acad. Mercato. Sci. 2020 , 48 , 64–78. [ Google Scholar ] [ CrossRef ]
191. Dube, J.-P.; Zanna, Z.; Fong, N.; Luo, X. Targeting dei prezzi competitivi con coupon per smartphone. Mercato. Sci. 2017 , 36 , 944–975. [ Google Scholar ] [ CrossRef ]
192. Choi, H.; Mela, CF Monetizzazione dei mercati online. Mercato. Sci. 2019 , 38 , 948–972. [ Google Scholar ] [ CrossRef ]
193. Wang, W.; Li, G.; Fung, RYK; Cheng, TCE Pubblicità mobile e conversione del traffico: gli effetti del traffico frontale e della competizione spaziale. J. Interagisci. Segno. 2019 , 47 , 84–101. [ Google Scholar ] [ CrossRef ]
194. Fong, Nuovo Messico; Zanna, Z.; Luo, X. Geo-Conquesting: targeting geografico competitivo delle promozioni mobili. J. Marco. Ris. 2015 , 52 , 726–735. [ Google Scholar ] [ CrossRef ]
195. Chen, B.-W.; Ji, W. Marketing intelligente nelle città intelligenti: dati in crowdsourcing per la conquista geografica. Prof. IT 2016 , 18 , 18–24. [ Google Scholar ] [ CrossRef ]
196. Ladhari, R.; Hudon, T.; Massa, E.; Souiden, N. I determinanti del riscatto da parte delle donne di m-coupon geo-mirati. J. Vendita al dettaglio. Consum. Serv. 2022 , 66 , 102891. [ Google Scholar ] [ CrossRef ]
197. Unni, R.; Harmon, R. Efficacia percepita della pubblicità push vs. pull basata sulla posizione mobile. J. Interagisci. Avv. 2007 , 7 , 28–40. [ Google Scholar ] [ CrossRef ]
198. Lian, S.; Chiacchierata.; Xu, Y. Miglioramento del targeting geografico con targeting temporale, targeting comportamentale e promozione per un targeting contestuale completo. Decis. Sistema di supporto. 2019 , 117 , 28–37. [ Google Scholar ] [ CrossRef ]
199. Perlich, C.; Dalessandro, B.; Raeder, T.; Stitelman, O.; Provost, F. Apprendimento automatico per pubblicità display mirata: trasferisci l'apprendimento in azione. Mach. Imparare. 2014 , 95 , 103–127. [ Google Scholar ] [ CrossRef ]
200. Prevosto, F.; Martens, D.; Murray, A. Trovare consumatori mobili simili con un design geosociale rispettoso della privacy. Far sapere. Sist. Ris. 2015 , 26 , 243–265. [ Google Scholar ] [ CrossRef ][ Versione verde ]
201. Colline.; Prevosto, F.; Volinsky, C. Marketing basato sulla rete: identificazione dei probabili adottanti tramite reti di consumatori. Statistica. Sci. 2006 , 21 , 256–276. [ Google Scholar ] [ CrossRef ][ Versione verde ]
202. Crandall, DJ; Backstrom, L.; Cosley, D.; Suri, S.; Huttenlocher, D.; Kleinberg, J. Dedurre legami sociali da coincidenze geografiche. Proc. Natl. Accade. Sci. Stati Uniti 2010 , 107 , 22436–22441. [ Google Scholar ] [ CrossRef ][ Versione verde ]
203. Mc Pherson, M.; Smith-Lovin, L.; Cook, JM Uccelli di una piuma: l'omofilia nei social network. Anna. Rev. Soc. 2001 , 27 , 415–444. [ Google Scholar ] [ CrossRef ][ Versione verde ]
204. Brockman, D.; Hufnagel, L.; Geisel, T. Le leggi di scala del viaggio umano. Natura 2006 , 439 , 462–465. [ Google Scholar ] [ CrossRef ]
205. Cezar, A.; Raghunathan, S. Targeting mobile competitivo basato sulla posizione e sulla traiettoria. Decis. Sci. 2021; in corso di stampa . [ Google Scholar ] [ CrossRef ]
206. Truffatori, A.; Croitoru, A.; Lu, X.; Saggio, S.; Irvine, JM; Stefanidis, A. Cammina in questo modo: miglioramento dei modelli basati sugli agenti pedonali attraverso l'analisi dell'attività della scena. ISPRS Internazionale J. Geo-Inf. 2015 , 4 , 1627–1656. [ Google Scholar ] [ CrossRef ][ Versione verde ]
207. Bernritter, San Francisco; Ketelaar, PE; Sotgiu, F. Marketing mobile basato sulla posizione mirato in modo comportamentale. J.Acad. Mercato. Sci. 2021 , 49 , 677–702. [ Google Scholar ] [ CrossRef ]
208. Schweidel, DA; Bart, Y.; Inman, JJ; Stefano, AT; Libai, B.; Andrews, M.; Rosario, AB; Chae, I.; Chen, Z.; Kupor, D.; et al. In che modo i segnali digitali dei consumatori stanno rimodellando il percorso del cliente. J.Acad. Mercato. Sci. 2022 , 50 , 1257–1276. [ Google Scholar ] [ CrossRef ]
209. Hudson-Smith, A.; Hügel, S.; Roumpani, F. Tecnologie di automonitoraggio, analisi e reporting: città intelligenti e dati in tempo reale. In The Routledge Companion to Smart Cities ; Willis, KS, Aurigi, A., a cura di; Routledge: Londra, Regno Unito, 2020; pagine 383–394. [ Google Scholar ]
210. Matveev, I.; Karpov, K.; Chmielewski, I.; Siemens, E.; Yurchenko, A. Rilevamento rapido di oggetti utilizzando funzionalità basate sulle dimensioni per ambienti stradali pubblici. Città intelligenti 2020 , 3 , 93–111. [ Google Scholar ] [ CrossRef ][ Versione verde ]
211. Anagnostopoulos, C.; Aladwani, T.; Alghamdi, I.; Kolomvatsos, K. Meccanismo di ragionamento per la gestione delle attività di analisi basata sui dati nell'edge computing. Città intelligenti 2022 , 5 , 562–582. [ Google Scholar ] [ CrossRef ]
212. Townsend, AM Ghost Road: oltre l'auto senza conducente ; WW Norton & Company: New York, NY, Stati Uniti, 2020. [ Google Scholar ]
213. Goodchild, MF GIScience per un'era senza conducente. interno J. Geogr. Inf. Sci. 2018 , 32 , 849–855. [ Google Scholar ] [ CrossRef ]
214. Khayyam, H.; Javadi, B.; Jalili, M.; Jazar, RN Intelligenza artificiale e Internet delle cose per veicoli autonomi. Negli approcci non lineari nelle applicazioni di ingegneria ; Jazar, RN, Dai, L., a cura di; Springer: Cham, Svizzera, 2020; pagine 39–68. [ Google Scholar ]
215. Intestino.; Zanna, Z.; Yang, Z.; Hu, P.; Mohapatra, P. MmSense: rilevamento e identificazione di più persone tramite rilevamento mmWave. Negli atti del 3° workshop ACM sulle reti a onde millimetriche e sui sistemi di rilevamento: MobiCom '19: The 25th Annual International Conference on Mobile Computing and Networking, Los Cabos, Messico, 25 ottobre 2019; Simić, L., Pathak, P., a cura di; ACM: New York, New York, Stati Uniti, 2019; pagine 45–50. [ Google Scholar ]
216. Okazaki, S.; Peng, Y. Annunci di targeting mobile 5G. Nella gestione dei media e del cambiamento: creare un percorso per nuovi formati di contenuto, modelli di business, ruoli dei consumatori e responsabilità aziendale ; Karmasin, M., Diehl, S., Koinig, I., a cura di; Springer International Publishing: Cham, Svizzera, 2022; pagine 479–489. [ Google Scholar ]
217. Mitola, J.; Maguire, GQ Cognitive radio: rendere le radio software più personali. IEEE pers. Comune. 1999 , 6 , 13–18. [ Google Scholar ] [ CrossRef ][ Versione verde ]
218. Abreha, HG; Hayajneh, M.; Serhani, MA Apprendimento federato nell'edge computing: un'indagine sistematica. Sensori 2022 , 22 , 450. [ Google Scholar ] [ CrossRef ]
219. Wang, X.; Han, Y.; Wang, C.; Zhao, Q.; Chen, X.; Chen, M. In-edge AI: intelligenza dell'edge computing mobile, memorizzazione nella cache e comunicazione mediante l'apprendimento federato. Rete IEEE 2019 , 33 , 156–165. [ Google Scholar ] [ CrossRef ]
220. Drechsler, P. Morfologia spaziale di una strada principale australiana: un secolo di cambiamenti nel commercio al dettaglio nel centro di Subiaco. Aust. Geogr. 2020 , 51 , 105–124. [ Google Scholar ] [ CrossRef ]
221. Lu, J.; Wu, D.; Mao, M.; Wang, W.; Zhang, G. Sviluppi di applicazioni del sistema Recommender: un sondaggio. Decis. Sistema di supporto. 2015 , 74 , 12–32. [ Google Scholar ] [ CrossRef ]
222. Yuan, New Jersey; Zheng, Y.; Zhang, L.; Xie, X. T-Finder: un sistema di raccomandazione per trovare passeggeri e taxi liberi. IEEE Trans. Sapere. Ing. dati 2013 , 25 , 2390–2403. [ Google Scholar ] [ CrossRef ]
223. Sarker, AA; Mishra, S.; Welch, TF; Golia, MM; Torrens, PM Un quadro modello per analizzare la connettività del trasporto pubblico e la sua applicazione in una rete di transito multimodale su larga scala (15–3279). Negli atti del 94° incontro annuale del Transportation Research Board, Washington DC, USA, 11–15 gennaio 2015; Consiglio di ricerca sui trasporti delle Accademie nazionali: Washington, DC, USA, 2015; pagine 13-20. [ Google Scholar ]
224. Gavalas, D.; Konstantopoulos, C.; Mastakas, K.; Pantziou, G. Sistemi di raccomandazione mobili nel turismo. J. Rete. Calcola. Appl. 2014 , 39 , 319–333. [ Google Scholar ] [ CrossRef ]
225. Sasaki, W.; Takama, Y. Sistema di raccomandazione del percorso a piedi considerando i criteri SAW. Negli atti della conferenza internazionale del 2013 sulle tecnologie e le applicazioni dell'intelligenza artificiale (TAAI), Bangkok, Tailandia, 2–5 dicembre 2013; Hsu, JY-J., Liu, C.-L., a cura di; IEEE: Los Alamitos, California, Stati Uniti, 2013; pagine 246–251. [ Google Scholar ]
226. Betzing, JH; Bartelheimer, C.; Niemann, M.; Berendes, CI; Beverungen, D. Quantificare l'impatto delle raccomandazioni geospaziali: un esperimento sul campo nella vendita al dettaglio nelle strade principali. Negli Atti della ventisettesima conferenza europea sui sistemi informativi (ECIS 2019), Stoccolma e Uppsala, Svezia, 8–14 giugno 2019; Johannesson, P., Ågerfalk, P., Helms, R., eds.; Associazione per i sistemi informativi: Chicago, IL, USA, 2019; pagine 1–11. [ Google Scholar ]
227. Estere, M.; Kriegel, H.-P.; Sander, J.; Xu, X. Un algoritmo basato sulla densità per la scoperta di cluster in grandi database spaziali con rumore. Negli atti della seconda conferenza internazionale sulla scoperta della conoscenza e sul data mining (KDD-96), Portland, OR, USA, 2–4 agosto 1996; Simoudis, E., Han, J., Fayyad, UM, Eds.; AAAI Press: Palo Alto, California, Stati Uniti, 1996; pagine 226–231. [ Google Scholar ]
228. O'Brien, DT I beni comuni urbani: come i dati e la tecnologia possono ricostruire le nostre comunità ; Harvard University Press: Cambridge, MA, USA, 2018. [ Google Scholar ]
229. O'Brien, DT Accendini e levigatori per marciapiedi: come i singoli residenti contribuiscono al mantenimento dei beni comuni urbani. Sono. J.Comun. Psicologo. 2016 , 58 , 391–409. [ Google Scholar ]
230. Choe, ST; Pitman, Georgia; Collins, FD Strategie di vendita al dettaglio proattive basate sull'atteggiamento dei consumatori nei confronti della comunità. interno J. Vendita al dettaglio. Distrib. Gest. 1997 , 25 , 365–371. [ Google Scholar ] [ CrossRef ]
231. Lund, DJ; Hansen, JD; Robicheaux, RA; Cid Oreja, C. Gli effetti diretti e interattivi del coinvolgimento della comunità di vendita al dettaglio. Euro. J. Marco. 2021 , 55 , 3250–3276. [ Google Scholar ] [ CrossRef ]
232. Peters, C.; Bodkin, comunità di negozi CD Retail e il suo impatto sul successo del negozio. interno J. Vendita al dettaglio. Distrib. Gest. 2021 , 49 , 735–751. [ Google Scholar ] [ CrossRef ]
233. Lyu, J.; Kim, J. Antecedenti delle attività commerciali al dettaglio indotte dai social media: impatto delle relazioni marchio-consumatore e senso psicologico di comunità. J. Interagisci. Avv. 2020 , 20 , 119–132. [ Google Scholar ] [ CrossRef ]
234. Hagiu, A.; Wright, J. Piattaforme multifaccia. interno J. Ind. Organo. 2015 , 43 , 162–174. [ Google Scholar ] [ CrossRef ]
235. Evans, DS; Hagiu, A.; Schmalensee, R. Motori invisibili: come le piattaforme software guidano l'innovazione e trasformano le industrie ; The MIT Press: Cambridge, MA, USA, 2006. [ Google Scholar ]
236. Keegan, S.; O'Hare, direttore generale; O'Grady, MJ Easishop: L'intelligenza ambientale aiuta lo shopping quotidiano. Far sapere. Sci. 2008 , 178 , 588–611. [ Google Scholar ] [ CrossRef ]
237. Fano, AE L'occhio dello shopper: utilizzo del filtraggio basato sulla posizione per un agente di shopping nel mondo fisico. In Atti di AGENTS '98: The Second International Conference on Autonomous Agents, Minneapolis, MN, USA, 10–13 maggio 1998; Associazione per le macchine informatiche: New York, NY, USA, 1998; pagine 416–421. [ Google Scholar ]
238. Tewari, G.; Lo sai, J.; Maes, P. Brokering personalizzato basato sulla posizione utilizzando un'architettura intermediaria basata su agenti. Decis. Sistema di supporto. 2003 , 34 , 127–137. [ Google Scholar ] [ CrossRef ]
239. Muthukrishnan, S. AdX: un modello per gli scambi di annunci. ACM SIGECOM Scacc. 2009 , 8 , 1–2. [ Google Scholar ] [ CrossRef ]
240. Sayedi, A. Offerte in tempo reale nella pubblicità display online. Mercato. Sci. 2018 , 37 , 553–568. [ Google Scholar ] [ CrossRef ]
241. Mansour, Y.; Muthukrishnan, S.; Nisan, N. Asta di scambio di annunci DoubleClick. arXiv2012 , arXiv:1204.0535. [ Google Scholar ]
242. Clarke, R. La persona digitale e la sua applicazione alla sorveglianza dei dati. Far sapere. Soc. 1994 , 10 , 77–92. [ Google Scholar ] [ CrossRef ]
243. Edelman, DC; Cantante, M. Competere nei percorsi dei clienti. Harv. Autobus. Rev. 2015 , 93 , 88–100. [ Google Scholar ]
244. Voorhees, CM; Fombelle, PW; Gregoire, Y.; Ossa.; Gustafsson, A.; Sousa, R.; Walkowiak, T. Incontri, esperienze e percorso del cliente con il servizio: definizione del campo e invito ad espandere il nostro obiettivo. J. Autobus. Ris. 2017 , 79 , 269–280. [ Google Scholar ] [ CrossRef ]
245. Grewal, D.; Roggeveen, AL Comprensione delle esperienze di vendita al dettaglio e gestione del percorso del cliente. J. Vendita al dettaglio. 2020 , 96 , 3–8. [ Google Scholar ] [ CrossRef ]
246. Torrens, PM Paesaggi stradali computazionali. Calcolo 2016 , 4 , 37. [ Google Scholar ] [ CrossRef ][ Versione verde ]
247. Feng, Y.; Duives, D.; Daamen, W.; Hoogendoorn, S. Metodi di raccolta dati per studiare il comportamento dei pedoni: una revisione sistematica. Costruire. Ambiente. 2020 , 187 , 107329. [ Google Scholar ] [ CrossRef ]
248. Babin, BJ; Darden, WR; Griffin, M. Lavoro e/o divertimento: misurare il valore dello shopping edonico e utilitaristico. J. Consum. Ris. 1994 , 20 , 644–656. [ Google Scholar ] [ CrossRef ]
249. Tito, Pennsylvania; Everett, PB Il processo di ricerca al dettaglio dei consumatori: un modello concettuale e un programma di ricerca. J.Acad. Mercato. Sci. 1995 , 23 , 106–119. [ Google Scholar ] [ CrossRef ]
250. Millonig, A.; Gartner, G. Identificazione dei modelli di movimento e di interesse degli acquirenti per lo sviluppo di strumenti di orientamento personalizzati. J. Localizzare. Servizio basato 2011 , 5 , 3–21. [ Google Scholar ] [ CrossRef ]
251. Lee, S.; Min, C.; Ehi, C.; Song, J. Comprendere il comportamento dei clienti in un centro commerciale urbano utilizzando gli smartphone. Negli atti della conferenza ACM 2013 sul Pervasive and Ubiquitous Computing (pubblicazione aggiuntiva UbiComp '13), Zurigo, Svizzera, 8–12 settembre 2013; Friedemann, M., Santini, S., a cura di; Associazione per le macchine informatiche: New York, NY, USA, 2013; pagine 901–910. [ Google Scholar ]
252. Shostack, GL Posizionamento del servizio attraverso il cambiamento strutturale. J. Marco. 1987 , 51 , 34–43. [ Google Scholar ] [ CrossRef ]
253. Underhill, P. Call of the Mall: La geografia dello shopping ; Simon e Schuster: New York, NY, USA, 2005. [ Google Scholar ]
254. Underhill, P. Perché acquistiamo: la scienza dello shopping ; Simon e Schuster: New York, NY, USA, 2009. [ Google Scholar ]
255. Torrens, PM Intreccio di agenti e ambienti. Ambiente. Scienza della Terra. 2015 , 74 , 7117–7131. [ Google Scholar ] [ CrossRef ]
256. Torrens, Primo Ministro; Nara, A.; Li, X.; Zhu, H.; Griffin, WA; Brown, SB Un ambiente di simulazione estensibile e metriche di movimento per testare il comportamento di camminata in modelli basati su agenti. Calcola. Ambiente. Sistema urbano. 2012 , 36 , 1–17. [ Google Scholar ] [ CrossRef ]
257. Nara, A.; Torrens, PM Data mining sulla traiettoria: classificazione e visualizzazione spazio-temporale di oggetti mobili. In Proceedings of the Geocomputation, Londra, Regno Unito, 20–22 luglio 2011; Cheng, T., Longley, PA, Ellul, C., Chow, A., a cura di; Geocomputazione: Londra, Regno Unito, 2011; pagine 338–345. [ Google Scholar ]
258. Solanas, A.; Patsakis, C.; Conti, M.; Vlachos, IS; Ramos, V.; Falcone, F.; Postolache, O.; Perez-martinez, PA; Pietro, R.; Perrea, DN; et al. Salute intelligente: un paradigma sanitario sensibile al contesto all’interno delle città intelligenti. Comunione IEEE Magg. 2014 , 52 , 74–81. [ Google Scholar ] [ CrossRef ]
259. McCullough, M. Digital Ground: architettura, informatica pervasiva e conoscenza ambientale ; The MIT Press: Cambridge, MA, USA, 2004. [ Google Scholar ]
260. Mitchell, WJ City of Bits: spazio, luogo e Infobahn ; The MIT Press: Cambridge, MA, USA, 1995. [ Google Scholar ]
261. Augusto, JC; Callaghan, V.; Cuoco, D.; Kameas, A.; Satoh, I. Ambienti intelligenti: un manifesto. Hum.-Cent. Calcola. Inf. Sci. 2013 , 3 , 12. [ Google Scholar ] [ CrossRef ][ Versione verde ]
262. Barr, J.; Ge, J. Introduzione al numero speciale sui modelli basati su agenti nell'economia urbana. J.Econ. Interagire. Coord. 2022 , 1–4. [ Google Scholar ] [ CrossRef ]
263. Torrens, PM Modellazione basata su agenti e scienze spaziali. Geogr. Bussola 2010 , 4 , 428–448. [ Google Scholar ] [ CrossRef ]
264. Satoh, I. Informazioni sensibili al contesto per i rivenditori intelligenti. In Atti del DCAI 2020: Distributed Computing and Artificial Intelligence, 17a conferenza internazionale, L'Aquila, Italia, 17–19 giugno 2020; Dong, Y., Herrera-Viedma, E., Matsui, K., Omatsu, S., González Briones, A., Rodríguez González, S., Eds.; Springer International Publishing: Cham, Svizzera, 2021; pagine 71–80. [ Google Scholar ]
265. Azuma, R.; Baillot, Y.; Behringer, R.; Feiner, S.; Julier, S.; MacIntyre, B. Recenti progressi nella realtà aumentata. Calcolo IEEE. Grafico. 2001 , 21 , 34–47. [ Google Scholar ] [ CrossRef ][ Versione verde ]
266. Zhang, Y.; Liang, B.; Chen, B.; Torrens, P.; Atashzar, San Francisco; Lin, D.; Sun, Q. Interfaccia sensibile alla forza tramite elettromiografia per un'interazione VR/AR naturale. ACM Trans. Grafico. 2022 , 41 , 1–18. [ Google Scholar ]
267. Hudson-Smith, A. Metaversi in arrivo: specchi digitali per la pianificazione urbana. Piano Urbanistico. 2022 , 7 , 343–354. [ Google Scholar ] [ CrossRef ]
268. Ameen, N.; Hosany, S.; Tarhini, A. Interazione del consumatore con tecnologie all'avanguardia: implicazioni per la ricerca futura. Calcola. Ronzio. Comportamento 2021 , 120 , 106761. [ Google Scholar ] [ CrossRef ]
269. Martínez-Navarro, J.; Bigné, E.; Guixeres, J.; Alcaniz, M.; Torrecilla, C. L'influenza della realtà virtuale nell'e-commerce. J. Autobus. Ris. 2019 , 100 , 475–482. [ Google Scholar ] [ CrossRef ]
270. Pizzi, G.; Vannucci, V.; Aiello, G. Il branding ai tempi della realtà virtuale: le percezioni del marchio del negozio virtuale sono reali? J. Autobus. Ris. 2020 , 119 , 502–510. [ Google Scholar ] [ CrossRef ]
271. McLean, G.; Wilson, A. Shopping nel mondo digitale: esame del coinvolgimento dei clienti attraverso applicazioni mobili di realtà aumentata. Calcola. Ronzio. Comportamento 2019 , 101 , 210–224. [ Google Scholar ] [ CrossRef ]
272. Yim, MY-C.; Chu, S.-C.; Sauer, PL La tecnologia della realtà aumentata è uno strumento efficace per l'e-commerce? Una prospettiva di interattività e vividezza. J. Interagisci. Segno. 2017 , 39 , 89–103. [ Google Scholar ] [ CrossRef ]
273. Javornik, A. Realtà aumentata: agenda di ricerca per studiare l'impatto delle sue caratteristiche mediatiche sul comportamento dei consumatori. J. Vendita al dettaglio. Consum. Serv. 2016 , 30 , 252–261. [ Google Scholar ] [ CrossRef ][ Versione verde ]
274. Barhorst, JB; McLean, G.; Shah, E.; Mack, R. Fondere il mondo reale e il mondo virtuale: esplorare il ruolo del flusso nelle esperienze di realtà aumentata. J. Autobus. Ris. 2021 , 122 , 423–436. [ Google Scholar ] [ CrossRef ]
275. Arghashi, V.; Yuksel, CA Interattività, ispirazione e utilità percepita! In che modo le app AR dei rivenditori migliorano il coinvolgimento dei consumatori attraverso il flusso. J. Vendita al dettaglio. Consum. Serv. 2022 , 64 , 102756. [ Google Scholar ] [ CrossRef ]
276. Hoffmann, DL; Novak, TP Flow online: lezioni apprese e prospettive future. J. Interagisci. Segno. 2009 , 23 , 23–34. [ Google Scholar ] [ CrossRef ]
277. van Noort, G.; Voorveld, PROSCIUTTO; van Reijmersdal, EA Interattività nei siti Web dei marchi: risposte cognitive, affettive e comportamentali spiegate dall'esperienza del flusso online dei consumatori. J. Interagisci. Segno. 2012 , 26 , 223–234. [ Google Scholar ] [ CrossRef ]
278. de Ruyter, K.; Heller, J.; Hilken, T.; Chilinski, M.; Keeling, DI; Mahr, D. Vedere con gli occhi del cliente: esplorare le sfide e le opportunità della pubblicità AR. J. Pubblicità 2020 , 49 , 109–124. [ Google Scholar ] [ CrossRef ]
279. Chilinski, M.; Heller, J.; Hilken, T.; Keeling, D.; Mahr, D.; de Ruyter, K. Marketing in realtà aumentata: un approccio abilitato dalla tecnologia all'esperienza del cliente situata. Australi. Segno. J. 2020 , 28 , 374–384. [ Google Scholar ] [ CrossRef ]
280. The Drum Burger King: brucia quella pubblicità di David SP. Disponibile online: https://www.thedrum.com/creative-works/project/david-sp-burger-king-burn-ad (accesso il 25 settembre 2022).
281. Grande visuale incredibile. Disponibile online: https://grandvisual.com/work/pepsi-max-bus-shelter/ (accesso il 25 settembre 2022).
282. Heller, J.; Chilinski, M.; de Ruyter, K.; Mahr, D.; Keeling, DI Lasciamelo immaginare per te: trasformare il fronte della vendita al dettaglio aumentando la capacità di immaginazione mentale dei clienti. J. Vendita al dettaglio. 2019 , 95 , 94–114. [ Google Scholar ] [ CrossRef ]
283. Ho, XH; Nguyen, DP; Cheng, JMS; Le, ANH Coinvolgimento del cliente nel contesto delle app mobili di vendita al dettaglio: un modello di contingenza che integra l'esperienza di presenza spaziale e i suoi fattori trainanti. J. Vendita al dettaglio. Consum. Serv. 2022 , 66 , 102950. [ Google Scholar ] [ CrossRef ]
284. Hilken, T.; de Ruyter, K.; Chilinski, M.; Mahr, D.; Keeling, DI Aumentare l'occhio di chi guarda: esplorare il potenziale strategico della realtà aumentata per migliorare le esperienze di servizio online. J.Acad. Mercato. Sci. 2017 , 45 , 884–905. [ Google Scholar ] [ CrossRef ][ Versione verde ]
285. Zhao, M.; Hoeffler, S.; Zauberman, G. Simulazione mentale e valutazione del prodotto: le dimensioni affettive e cognitive del processo rispetto alla simulazione dei risultati. J. Marco. Ris. 2011 , 48 , 827–839. [ Google Scholar ] [ CrossRef ]
286. King, R. La realtà aumentata diventa mobile. Disponibile online: https://www.bloomberg.com/news/articles/2009-11-03/augmented-reality-goes-mobilebusinessweek-business-news-stock-market-and-financial-advice (accesso il 25 settembre 2022 ).
287. Torrens, Primo Ministro; Gu, S. Geosimulazione esperienziale in tempo reale nella realtà virtuale con emissione ad immersione. Negli atti del 4° workshop internazionale ACM SIGSPATIAL sulla simulazione geospaziale, Pechino, Cina, 2–5 novembre 2021; Associazione per le macchine informatiche: New York, NY, USA, 2021; pagine 19–28. [ Google Scholar ]
288. Bengio, Y.; Courtville, A.; Vincent, P. Apprendimento della rappresentazione: una revisione e nuove prospettive. IEEE Trans. Modello anale. Mach. Intel. 2013 , 35 , 1798–1828. [ Google Scholar ] [ CrossRef ][ Versione verde ]
289. LeCun, Y.; Bengio, Y.; Hinton, G. Apprendimento profondo. Natura 2015 , 521 , 436–444. [ Google Scholar ] [ CrossRef ]
290. Gurney, K. Un'introduzione alle reti neurali ; Routledge: Londra, Regno Unito, 1997. [ Google Scholar ]
291. Liu, W.; Wang, Z.; Liu, X.; Zeng, N.; Liu, Y.; Alsaadi, FE Un'indagine sulle architetture di reti neurali profonde e sulle loro applicazioni. Neuroinformatica 2017 , 234 , 11–26. [ Google Scholar ] [ CrossRef ]
292. LeCun, Y.; Bengio, Y. Reti convoluzionali per immagini, parlato e serie temporali. Nel Manuale di teoria del cervello e reti neurali ; Arbib, MA, ed.; MIT Press: Cambridge, MA, USA, 1995; pagine 276–285. [ Google Scholar ]
293. LeCun, Y.; Bottou, L.; Bengio, Y.; Haffner, P. Apprendimento basato sul gradiente applicato al riconoscimento dei documenti. Proc. IEEE 1998 , 86 , 2278–2324. [ Google Scholar ] [ CrossRef ]
294. Buon compagno, io.; Pouget-Abadie, J.; Mirza, M.; Xu, B.; Warde-Farley, D.; Ozair, S.; Courtville, A.; Bengio, Y. Reti avversarie generative. Comune. ACM 2020 , 63 , 139–144. [ Google Scholar ] [ CrossRef ]
295. Hochreiter, S.; Schmidhuber, J. Memoria lunga a breve termine. Calcolo neurale. 1997 , 9 , 1735–1780. [ Google Scholar ] [ CrossRef ]
296. Testa di scopa, DS; Lowe, D. Interpolazione funzionale multivariabile e reti adattive. Sistema complesso 1988 , 2 , 321–355. [ Google Scholar ]
297. Rumelhart, DE; Hinton, GE; Williams, RJ Apprendimento delle rappresentazioni mediante errori di propagazione all'indietro. Natura 1986 , 323 , 533–536. [ Google Scholar ] [ CrossRef ]
298. Wei, Y.; Tran, S.; Xu, S.; Kang, B.; Springer, M. Apprendimento profondo per il riconoscimento dei prodotti al dettaglio: sfide e tecniche. Calcola. Intel. Neurosci. 2020 , 2020 , 8875910. [ Google Scholar ] [ CrossRef ]
299. Wu, B.-F.; Tseng, W.-J.; Chen, Y.-S.; Yao, S.-J.; Chang, P.J. Un sistema di cassa automatica intelligente per la vendita al dettaglio intelligente. Negli atti della Conferenza internazionale sulla scienza e l'ingegneria dei sistemi (ICSSE) del 2016, Nantou, Taiwan, 7–9 luglio 2016; Huang, Y.-P., Lee, P.-J., Wang, W.-J., Su, S.-F., Eds.; IEEE: Los Alamitos, California, Stati Uniti, 2016; pagine 1–4. [ Google Scholar ]
300. Zhang, H.; Coperchio.; Ji, Y.; Zhou, H.; Wu, W.; Liu, K. Verso la nuova vendita al dettaglio: un set di dati di riferimento per i distributori automatici intelligenti senza pilota. IEEE Trans. Industria Far sapere. 2019 , 16 , 7722–7731. [ Google Scholar ] [ CrossRef ]
301. Wajire, P.; Angadi, S.; Nagar, L. Classificazione delle immagini per la vendita al dettaglio. Negli atti della conferenza internazionale del 2020 sulla tecnologia dell'industria 4.0 (I4Tech), Pune, India, 13-15 febbraio 2020; Lohiya, B., ed.; IEEE: Los Alamitos, California, Stati Uniti, 2020; pagine 23–28. [ Google Scholar ]
302. Nogueira, V.; Oliveira, H.; Silva, JA; Vieira, T.; Oliveira, K. RetailNet: Un approccio di deep learning per il conteggio delle persone e il rilevamento dei punti caldi nei negozi al dettaglio. In Atti della 32a conferenza SIBGRAPI 2019 su grafica, modelli e immagini (SIBGRAPI), Rio de Janeiro, Brasile, 28–30 ottobre 2019; Pesco, S., Lopes, H., Laier, A., eds.; IEEE: Los Alamitos, California, Stati Uniti, 2019; pp. 155–162. [ Google Scholar ]
303. Wang, M. Rilevamento di pedoni di negozi al dettaglio offline basato sulla visione artificiale. J. fisico. Conf. Ser. 2020 , 1544 , 012120. [ Google Scholar ] [ CrossRef ]
304. Pathirana, P.; Senarath, S.; Meedeniya, D.; Jayarathna, S. Stima dello sguardo 2D per utente singolo nell'ambiente di vendita al dettaglio utilizzando il deep learning. Negli atti della 2a conferenza internazionale sulla ricerca avanzata in informatica (ICARC) del 2022, Università Sabaragamuwa dello Sri Lanka, Belihuloya, Sri Lanka, 23-24 febbraio 2022. [Google Scholar ]
305. Senarath, S.; Pathirana, P.; Meedeniya, D.; Jayarathna, S. Stima dello sguardo del cliente nella vendita al dettaglio utilizzando il deep learning. Accesso IEEE 2022 , 10 , 64904–64919. [ Google Scholar ] [ CrossRef ]
306. Karim, NT; Jain, S.; Moonrinta, J.; Dailey, Minnesota; Ekpanyapong, M. Analisi del cliente e del volto individuale target per l'analisi della vendita al dettaglio. Negli atti del workshop internazionale 2018 sulla tecnologia avanzata delle immagini (IWAIT), Chiang Mai, Tailandia, 7–9 gennaio 2018; IEEE: Los Alamitos, California, Stati Uniti, 2018; pagine 1–4. [ Google Scholar ]
307. Liu, L.; Lin, L.; Li, J. Ricerca sulla stima della posa umana e sul rilevamento di oggetti nel campo della vendita al dettaglio senza pilota. In Atti del Cyberspace Data and Intelligence, and Cyber-Living, Syndrome, and Health: International 2020 Cyberspace Congress, CyberDI/CyberLife 2020, Pechino, Cina, 10–12 dicembre 2020 ; Ning, H., Shi, F., a cura di; Springer: Singapore, 2020; pagine 131–141. [ Google Scholar ]
308. Sharifi Noorian, S.; Qiu, S.; Psyllidis, A.; Bozzon, A.; Houben, G.‑J. Rilevamento, classificazione e mappatura delle vetrine dei negozi al dettaglio utilizzando immagini a livello stradale. Negli atti della conferenza internazionale sul recupero multimediale del 2020, Dublino, Irlanda, 8–11 giugno 2020; Schoeffmann, K., Chen, P., O'Connor, NE, a cura di; ACM: New York, New York, Stati Uniti, 2020; pagine 495–501. [ Google Scholar ]
309. Bochkarev, K.; Smirnov, E. Rilevamento della pubblicità sulle facciate degli edifici con la visione artificiale. Procedia Comput. Sci. 2019 , 156 , 338–346. [ Google Scholar ] [ CrossRef ]
310. Ives, B.; Cossick, K.; Adams, D. Amazon Go: interrompendo la vendita al dettaglio? J.Inf. Tecnologia. Insegnare. Casi 2019 , 9 , 2–12. [ Google Scholar ] [ CrossRef ]
311. Kim, Paesi Bassi; Im, H. I liberali vogliono il ritiro dal marciapiede più dei conservatori? Lo shopping contactless come azione di tutela contro la pandemia di COVID-19. interno J. Consum. Perno. 2022 , 46 , 589–600. [ Google Scholar ] [ CrossRef ]
312. Seiders, K.; Bacca, LL; Gresham, LG Attenzione, rivenditori! Quanto è conveniente la tua strategia di convenienza? Con Sloan Manager. Rev. 2000 , 41 , 79. [ Google Scholar ]
313. Lapoule, P. L'azienda francese di vendita al dettaglio di generi alimentari Intermarché sviluppa il modello "Click and Drive". Autobus J. dell'Asia meridionale. Gest. Casi 2014 , 3 , 65–76. [ Google Scholar ] [ CrossRef ]
314. Diebner, R.; Silliman, E.; tedesco K.; Vancauwenberghe, M. Adattare l'esperienza del cliente ai tempi del coronavirus. Disponibile online: https://www.mckinsey.com/~/media/McKinsey/Business%20Functions/Marketing%20and%20Sales/Our%20Insights/Adapting%20customer%20experience%20in%20the%20time%20of%20coronavirus/Adapting -customer-experience-in-the-time-of-coronavirus.pdf (accesso effettuato il 1° novembre 2022).
315. Hoekstra, JC; Leeflang, PSH Marketing nell’era del COVID-19. Ital. J. Marco. 2020 , 2020 , 249–260. [ Google Scholar ] [ CrossRef ]
316. Pantano, E.; Pizzi, G.; Scarpi, D.; Dennis, C. Competere durante una pandemia? Gli alti e bassi dei rivenditori durante l'epidemia di COVID-19. J. Autobus. Ris. 2020 , 116 , 209–213. [ Google Scholar ] [ CrossRef ]
317. Heins, C. L'impatto di COVID-19 sul settore della vendita al dettaglio di generi alimentari: approcci innovativi per concetti di negozio senza contatto in Germania. Prospettiva , 2022; prima della stampa . [ Google Scholar ] [ CrossRef ]
318. Verhoef, PC; Noordhoff, CS; Sloot, L. Riflessioni e previsioni sugli effetti della pandemia di COVID-19 sulla vendita al dettaglio. J.Serv. Gest. 2022; prima della stampa . [ Google Scholar ] [ CrossRef ]
319. Díaz-Martín, AM; Chinoni, M.; Cruz-Roche, I. L'esperienza di acquisto post-COVID-19: riflessioni sul ruolo delle tecnologie di vendita al dettaglio emergenti. Nel marketing e nelle tecnologie intelligenti ; Rocha, Á., Reis, JL, Peter, MK, Cayolla, R., Loureiro, S., Bogdanović, Z., Eds.; Springer: Singapore, 2021; pagine 55–67. [ Google Scholar ]
320. Pantano, E.; Willems, K. Accelerazione pandemica della digitalizzazione del commercio al dettaglio. Nella vendita al dettaglio in un nuovo mondo ; Emerald Publishing Limited: Londra, Regno Unito, 2022; pagine 57–75. [ Google Scholar ]
321. Sahinaslan, O.; Sahinaslan, E.; Gunes, E. Revisione dei contributi delle tecnologie di pagamento senza contatto nel processo pandemico COVID-19. Conf. AIP Proc. 2021 , 2334 , 070002. [ Google Scholar ]
322. Eriksson, N.; Gökhan, A.; Stenius, M. Uno studio qualitativo sulla resistenza dei consumatori ai pagamenti mobili per gli acquisti in negozio. Procedia Comput. Sci. 2021 , 181 , 634–641. [ Google Scholar ] [ CrossRef ]
323. Bingham, N. Object-Ions: dal determinismo tecnologico verso le geografie delle relazioni. Ambiente. Pianificare. D. 1996 , 14 , 635–657. [ Google Scholar ] [ CrossRef ]
324. Martinez-Balleste, AA; Perez-martinez, PA; Solanas, A. Il perseguimento della privacy dei cittadini: una città intelligente attenta alla privacy è possibile. Comunione IEEE Magg. 2013 , 51 , 136–141. [ Google Scholar ] [ CrossRef ]
325. Martin, KD; Kim, JJ; Palmatier, RW; Steinhoff, L.; Stewart, DW; Walker, BA; Wang, Y.; Weaven, SK Privacy dei dati nel commercio al dettaglio. J. Vendita al dettaglio. 2020 , 96 , 474–489. [ Google Scholar ] [ CrossRef ]
326. Amico, R.; Crowcroft, J. Il commercio della privacy nell'era del capitalismo della sorveglianza, punti di vista sulla creazione di valore sociale che "preserva la privacy" . Calcolo SIGCOMM. Comune. Rev. 2019 , 49 , 26–31. [ Google Scholar ] [ CrossRef ]
327. Elnahla, N.; Neilson, LC Retaillance: un quadro concettuale e una revisione della sorveglianza nel commercio al dettaglio. interno Rev. Vendita al dettaglio. Distrib. Consum. Ris. 2021 , 31 , 330–357. [ Google Scholar ] [ CrossRef ]
328. Coletta, C.; Kitchin, R. Governance algoritmica: regolare il "battito cardiaco" di una città utilizzando l'Internet delle cose. Società Big Data 2017 , 4 , 2053951717742418. [ Google Scholar ] [ CrossRef ][ Versione verde ]
329. Kitchin, R. Geosorveglianza continua nella “Smart City”. Disponibile online: http://dismagazine.com/dystopia/73066/rob-kitchin-spatial-big-data-and-geosurveillance/ (accesso il 14 febbraio 2021).
330. Thrift, N. La città "senziente" e cosa può presagire. Società Big Data 2014 , 1 , 2053951714532241. [ Google Scholar ] [ CrossRef ][ Versione verde ]
331. Curry, M. L'individuo digitale e il regno privato. Anna. Ass. Sono. Geogr. 1997 , 87 , 681–699. [ Google Scholar ] [ CrossRef ]
332. Meyerowitz, J.; Choudhury, RR Nascondere le stelle con i fuochi d'artificio: privacy della posizione attraverso il camuffamento. Negli atti della 15a conferenza internazionale annuale sul mobile computing e sulle reti, Pechino, Cina, 20–25 settembre 2009; Bagrodia, R., Govindan, R., eds.; Associazione per le macchine informatiche: New York, NY, USA, 2009; pagine 345–356. [ Google Scholar ]
333. Shao, J.; Lu, R.; Lin, X. FINE: un framework di servizi basati sulla posizione a grana fine che preserva la privacy per dispositivi mobili. Negli atti della conferenza congiunta annuale dell'IEEE: INFOCOM, IEEE Computer and Communications Societies, Toronto, ON, Canada, 27 aprile–2 maggio 2014; Bianchi, G., Fang, Y., Shen, X., a cura di; IEEE: Los Alamitos, California, Stati Uniti, 2014; pp. 244–252. [ Google Scholar ]
334. Kwan, M.-P.; Casas, I.; Schmitz, B. Protezione della geoprivacy e accuratezza delle informazioni spaziali: quanto sono efficaci le maschere geografiche? Cartogr. interno J. Geogr. Inf. Geovisualizzazione 2004 , 39 , 15–28. [ Google Scholar ] [ CrossRef ]
335. Armstrong, deputato; Ruggles, AJ Tecnologie dell'informazione geografica e privacy personale. Cartogr. interno J. Geogr. Inf. Geovisualizzazione 2005 , 40 , 63–73. [ Google Scholar ] [ CrossRef ][ Versione verde ]
336. Domingo-Ferrer, J.; Sramka, M.; Trujillo-Rasúa, R. Pubblicazione di traiettorie che preserva la privacy utilizzando la microaggregazione. Negli atti del 3° workshop internazionale ACM SIGSPATIAL sulla sicurezza e la privacy in GIS e LBS (SPRINGL 10), San Jose, CA, USA, 2–5 novembre 2010; Bertino, E., ed.; Associazione per le macchine informatiche: New York, NY, USA, 2010; pagine 26–33. [ Google Scholar ]
337. Lu, R.; Lin, X.; Shi, Z.; Shao, J. PLAM: Un quadro di tutela della privacy per i social network mobili a livello locale. Negli atti della IEEE INFOCOM 2014—IEEE Conference on Computer Communications, Toronto, ON, Canada, 27 aprile–2 maggio 2014; Bianchi, G., Fang, Y., Shen, X., a cura di; IEEE: Los Alamitos, California, Stati Uniti, 2014; pagine 763–771. [ Google Scholar ]
338. Jiang, H.; Wang, H.; Zheng, Z.; Xu, Q. Protocolli di localizzazione dei sensori wireless preservati dalla privacy basati sull'edge computing mobile. Calcola. Sicur. 2019 , 84 , 393–401. [ Google Scholar ] [ CrossRef ]
339. Fitwi, A.; Chen, Y.; Zhu, S.; Blasch, E.; Chen, G. Sorveglianza che preserva la privacy come servizio edge basato su schemi di protezione video leggeri che utilizzano l'anonimato dei volti e il mascheramento delle finestre. Elettronica 2021 , 10 , 236. [ Google Scholar ] [ CrossRef ]
340. Pizzi, G.; Scarpi, D. Minacce alla privacy con le tecnologie di vendita al dettaglio: una prospettiva del consumatore. J. Vendita al dettaglio. Consum. Serv. 2020 , 56 , 102160. [ Google Scholar ] [ CrossRef ]
341. Inman, JJ; Nikolova, H. Tecnologia di vendita al dettaglio rivolta agli acquirenti: un quadro decisionale sull'adozione del rivenditore che incorpora gli atteggiamenti degli acquirenti e le preoccupazioni sulla privacy. J. Vendita al dettaglio. 2017 , 93 , 7–28. [ Google Scholar ] [ CrossRef ]
342. Marriott, risorse umane; Williams, MD; Dwivedi, YK Risk, problemi di privacy e sicurezza nella vendita al dettaglio digitale. Segno. Rev. 2017 , 17 , 337–365. [ Google Scholar ] [ CrossRef ]
343. Lin, H.; Batty, M.; Jørgensen, SE; Fu, B.; Konecny, M.; Voinov, A.; Torrens, Primo Ministro; Lu, G.; Zhu, A.-X.; Wilson, JP; et al. Gli ambienti virtuali iniziano ad abbracciare l'analisi geografica basata sui processi. Trans. GIS 2015 , 19 , 493–498. [ Google Scholar ] [ CrossRef ]
344. Kitchin, R.; Dodge, M. Codice/Spazio: software e vita quotidiana ; MIT Press: Cambridge, MA, USA, 2011. [ Google Scholar ]

Nota dell'editore: MDPI rimane neutrale per quanto riguarda le rivendicazioni giurisdizionali nelle mappe pubblicate e nelle affiliazioni istituzionali.

© 2022 dell'autore. Licenziatario MDPI, Basilea, Svizzera. Questo articolo è un articolo ad accesso aperto distribuito secondo i termini e le condizioni della licenza Creative Commons Attribution (CC BY) ( https://creativecommons.org/licenses/by/4.0/ ).