李 俊 江 海

〔中國石化廣東石油分公司 廣東廣州 510620〕

近年來，國際油價長時間低位運行，國內(nèi)成品油市場資源供大于求的局面早已常態(tài)化。雖然中國石化在成品油零售環(huán)節(jié)仍然具有品牌和網(wǎng)絡優(yōu)勢，但產(chǎn)品同質(zhì)化導致價格競爭加劇，尤其是在具有巨大市場潛力的廣東地區(qū)，已形成了競爭主體多元化、資源品種多樣化、油品價格市場化的競爭格局，市場競爭較其他區(qū)域更加殘酷，公司的創(chuàng)效壓力不斷增加。與此同時，油品需求端又受到新冠疫情和新能源汽車的雙重沖擊，客戶需求持續(xù)下降，導致油品零售業(yè)務步履維艱。面對經(jīng)營困境，如何利用新技術、搭建新平臺，進一步提高加油站現(xiàn)場服務效率和客戶精細化管理水平是破局的關鍵。

1 研究目標

以客戶為中心，借助人工智能[1]、大數(shù)據(jù)技術，精準識別加油站車輛和客戶，關聯(lián)會員系統(tǒng)形成以“人+車+會員”為核心的客戶畫像體系，以此為基礎建設人工智能(AI)數(shù)字現(xiàn)場系統(tǒng)，創(chuàng)新加油站高效現(xiàn)場管理、數(shù)字化精準營銷、全方位風險防控等應用場景，更科學掌握客戶需求變化，更有效提高現(xiàn)場服務效率，更精準開展客戶營銷，全面提升加油站數(shù)字化運營[2]和市場競爭能力。該系統(tǒng)具體建設目標如下：

(1)系統(tǒng)能夠精準識別加油站過路、進站車輛，研究和分析道路車流、進站率與銷量變化趨勢之間的關系，提高車輛進站率。

(2)系統(tǒng)能夠數(shù)字化分析加油站服務時長變化情況，研究服務效率低的原因和對策，提高車輛通過率。

(3)系統(tǒng)支持大數(shù)據(jù)挖掘加油站新老客戶結(jié)構變化情況，結(jié)合當期營銷活動分析營銷策略合理性，提高客戶回頭率。

(4)針對過路車輛、進站率、服務時長、銷量等核心指標變化異常的加油站，系統(tǒng)及時給出預警提醒。

(5)系統(tǒng)能夠基于大數(shù)據(jù)算法建模，實現(xiàn)車輛、客戶與交易的精準關聯(lián)，構建“人+車+會員”關聯(lián)的會員畫像體系，并開展基于此的數(shù)字營銷，提高營銷精準度。

(6)系統(tǒng)能夠準確識別員工，分析員工在崗情況和給出優(yōu)化排班建議，能夠識別現(xiàn)場撥打手機、吸煙、違規(guī)停車等異常行為，提高現(xiàn)場管理水平和風險防控能力。

2 系統(tǒng)實現(xiàn)

為實現(xiàn)上述目標，需要從技術架構、硬件部署、功能設計、難點突破等主要方面入手開展工作，搭建軟硬件平臺，從而逐步完成AI數(shù)字現(xiàn)場系統(tǒng)建設。整體技術思路如下：基于AI視覺識別設備和技術實現(xiàn)“車+人”精準感知[3]，基于邊緣計算處理和傳輸技術實現(xiàn)海量數(shù)據(jù)分布式處理，基于云計算和大數(shù)據(jù)技術構建數(shù)據(jù)中臺深度挖掘相關數(shù)據(jù)，基于機器學習算法構建車主畫像體系，最終功能通過可視化技術進行展現(xiàn)和應用。

2.1 系統(tǒng)架構

為適應互聯(lián)網(wǎng)和數(shù)字化轉(zhuǎn)型發(fā)展需要，筆者所在公司基于云計算和大數(shù)據(jù)技術，在阿里云建設了統(tǒng)一的、標準化的系統(tǒng)架構，構建業(yè)務中臺+數(shù)據(jù)中臺雙中臺[4]，全面支撐類似于加油站AI數(shù)字現(xiàn)場這樣的新型業(yè)務和數(shù)據(jù)應用，總體架構如圖1所示。

圖1 加油站AI數(shù)字現(xiàn)場系統(tǒng)總體架構

該架構仍然遵循云計算架構體系[5]，由底層的數(shù)據(jù)源及傳統(tǒng)數(shù)據(jù)存儲層(IAAS)、業(yè)務數(shù)據(jù)雙中臺層(A-PAAS和D-PAAS)及數(shù)據(jù)應用層(SAAS)三層架構組成。其中IAAS層主要是傳統(tǒng)業(yè)務系統(tǒng)交易數(shù)據(jù)、互聯(lián)網(wǎng)數(shù)據(jù)、客流數(shù)據(jù)等核心數(shù)據(jù)存儲；PAAS層的業(yè)務中臺A-PAAS構建包括組織中心、會員中心、訂單中心、營銷中心等在內(nèi)的核心能力中心，數(shù)據(jù)中臺D-PAAS則基于Hadoop和Spark大數(shù)據(jù)生態(tài)圈產(chǎn)品和組件，構建起包括數(shù)據(jù)采集層、數(shù)據(jù)存儲層(大數(shù)據(jù)分布式存儲，區(qū)別于IAAS層的傳統(tǒng)數(shù)據(jù)存儲)、數(shù)據(jù)分析層及數(shù)據(jù)算法層(用于數(shù)據(jù)建模與分析)在內(nèi)的大數(shù)據(jù)核心能力；SAAS層是業(yè)務和數(shù)據(jù)應用展現(xiàn)層，包括互聯(lián)網(wǎng)應用、人工智能應用、物聯(lián)網(wǎng)應用、智慧運營應用、數(shù)字營銷應用等，而AI數(shù)字現(xiàn)場應用正是其中一項。

2.2 硬件部署

AI數(shù)字現(xiàn)場系統(tǒng)依賴于AI識別攝像機、邊緣計算服務器、GPU處理器等硬件設備，在硬件部署上采用加油站、省中心、石化阿里云三層結(jié)構。AI數(shù)字現(xiàn)場系統(tǒng)硬件整體部署架構如圖2所示。

圖2 AI數(shù)字現(xiàn)場系統(tǒng)硬件整體部署架構圖

2.2.1 加油站層面

在加油站道路、出入口安裝3路全目標抓拍攝像機，抓拍道路及進出站車流；在加油區(qū)及便利店安裝多路攝像機，抓拍加油區(qū)車輛和便利店顧客；在卸油區(qū)安裝廣視角人眼攝像機，抓拍卸油區(qū)進出人員；部署邊緣計算服務器，將識別的車輛、人臉數(shù)據(jù)進行解析識別和處理。目前支持識別和解析車輛的車牌、顏色、車型等細分特征；支持識別和解析客戶性別、年齡、服飾等細分特征。邊緣計算服務器還負責基于算法對車輛、人臉和交易數(shù)據(jù)進行精準匹配關聯(lián)，最后將所有數(shù)據(jù)壓縮成適合網(wǎng)絡傳輸?shù)臄?shù)據(jù)流傳輸?shù)街行南到y(tǒng)(見圖3)。

圖3 AI數(shù)字現(xiàn)場加油站硬件部署圖

2.2.2 省級公司中心和阿里云層面

所有油站采集的數(shù)據(jù)通過邊緣計算服務器處理后，傳輸?shù)绞≈行姆掌?，包括?shù)據(jù)庫服務器、特征聚類服務器、人臉識別服務器、灰度發(fā)布服務器等。在省中心進一步做數(shù)據(jù)處理、圖像識別比對和特征訓練，結(jié)果傳輸?shù)绞⒗镌茢?shù)據(jù)中臺，用于實現(xiàn)AI數(shù)字現(xiàn)場相關應用功能。阿里云的中心管理、大數(shù)據(jù)、應用管理等服務器采用租賃方式，可柔性隨需擴展。

2.3 功能設計

2.3.1 油站客流分析

客流分析功能模塊包括站外和進站車流分析、高峰期車流分析、競爭對手車流分析、車流與銷量變化趨勢相關性分析等子功能。通過數(shù)據(jù)與圖表直觀呈現(xiàn)油站車流、進站率變化情況，幫助管理人員了解道路和周邊車輛變化，取代傳統(tǒng)手工抽樣統(tǒng)計車流的方式，并作為研究如何提高車輛進站率的重要數(shù)據(jù)支撐。

(1)車流及進站率分析：實現(xiàn)按天、周、月變化趨勢分析車流、進站率變化情況，按車型分析汽油車、柴油車車流變化情況，低檔和中高檔汽油車變化情況。

(2)高峰期分析：實現(xiàn)站外車流高峰時段分析，并將其與銷量高峰時段進行匹配，對于站外車流和銷量高峰不匹配的油站自動給出提示。

(3)競爭對手油站分析：通過移動攝像機采集競爭對手油站站外和進站車流信息，導入系統(tǒng)后與我方競爭站進行分析比對，支撐“一站一策”具體策略制定。

(4)趨勢一致性分析：通過數(shù)學方法轉(zhuǎn)化(使用min-max標準化)，將車流量與銷量趨勢放到一起比對，如圖4所示。

圖4 min-max標準化后的站外車流與銷量變化趨勢

通過圖4可以看出銷量與車流變化趨勢背離的情況，如圖中陰影所標識的區(qū)域，對于車流增長或未有明顯下降但是銷量卻大幅下滑的油站，逐一分析原因并研究對策。

2.3.2 服務效率分析

將車輛進站加油全過程細分為進站、服務響應、加油、支付、出站等五個環(huán)節(jié)。通過系統(tǒng)自動抓取各環(huán)節(jié)時間，與高峰期標準服務時長(Rush Hour Standard Service Time，簡稱RHSST)進行比較評估，針對性地對每個落后環(huán)節(jié)進行數(shù)據(jù)分析并采取相應措施，從而達到提高車輛通過率、提升加油站現(xiàn)場服務效率的目的。

RHSST是指在油站現(xiàn)場指引清晰、油品標識準確、現(xiàn)場人手充足、油槍速率正常的情況下，所有加油位已滿需等待方能開始加油，所必須涉及且不能減免的必要過程所耗時長，其標準如圖5所示。

圖5 高峰期標準服務時長RHSST

以某公司為例分析2020年10月份各油站高峰期平均服務時長，篩選出排名后10的油站(服務效率最差)，見表1。由表1中數(shù)據(jù)可見，10座油站均超過了RHSST給出的高峰期標準服務時長359 S。通過逐個站點進一步深入分析原因，采取應對措施。如對于服務響應時長較高的油站，調(diào)整油機布局和高峰期用工排班，做好車輛引導；對于支付時長較高的油站，大力推廣智慧支付，提高支付效率等。

表1 某公司加油站服務時長

2.3.3 客戶結(jié)構分析

系統(tǒng)以車牌號為唯一標識，識別和分析加油站的新老客戶結(jié)構變化情況。結(jié)合加油站正在開展的營銷活動，分析營銷策略合理性，持續(xù)動態(tài)優(yōu)化調(diào)整，提高客戶回頭率。

統(tǒng)計時段內(nèi)多次進站的為老客戶，首次進站的為新客戶，新客戶中又可以繼續(xù)區(qū)分是從其他油站來的還是從競爭對手油站來的，老客戶也可以區(qū)分是否也曾去競爭對手油站加油。客戶結(jié)構分析方法如圖6所示，通過圖6所示邏輯，可以基于車流數(shù)據(jù)分析非常清晰地掌握加油站客戶結(jié)構變化情況，指導經(jīng)營決策。

圖6 新老客戶結(jié)構分析方法

2.3.4 指標預警排名

系統(tǒng)支持油站自定義分組。管理人員可以對自己重點關注的油站進行任意分組并設定過路車輛、進站率、服務時長、銷量等核心指標的預警閾值。對于變化超過閾值的加油站及時給出預警提醒，引導管理人員跟進分析原因，研究具體對策。

2.3.5 數(shù)字營銷應用

通過AI視覺識別設備感知車輛和顧客后，通過圖像識別處理，進一步將車輛和加油交易、顧客和非油品交易進行關聯(lián)，構建起“人+車+會員”精確匹配的會員畫像體系，并基于此開展客戶營銷，提高加油站員工現(xiàn)場營銷的目的性和精準度[6]。

在人車關聯(lián)基礎上，基于會員數(shù)據(jù)挖掘，依據(jù)算法規(guī)則構建完整的會員標簽體系，包括會員基礎屬性、油品消費屬性、非油消費屬性、線上交易屬性四大類，涵蓋會員客戶支付習慣、有效性、忠誠度、消費粘性、消費偏好等主要方面。此外，依據(jù)機器學習算法建模，構建包括用戶活躍度、用戶價值、用戶預流失等會員模型，實現(xiàn)對客戶的精準分類分群，支撐現(xiàn)場數(shù)字營銷的開展。

2.3.6 現(xiàn)場管理強化

系統(tǒng)通過行為識別和模型訓練，能夠準確識別顧客撥打手機、吸煙、違規(guī)停車等現(xiàn)場不安全行為，能夠準確識別員工在崗情況并給出優(yōu)化排班建議，提高加油站現(xiàn)場管理水平，降低潛在風險。

(1)通過對顧客撥打手機、吸煙等歷史圖像進行反復訓練，建立識別準確率超過99.9 %的模型，對現(xiàn)場該類行為實時識別并推送到員工手環(huán)，引導員工阻止危險行為。

(2)通過將員工工服圖片入庫進行訓練，識別加油站員工身份，自動建立更客觀、更準確的加油站員工動態(tài)檔案，包括出勤時間、在崗天數(shù)、活動熱點區(qū)域等等，強化現(xiàn)場員工隊伍管理。

3 關鍵技術及創(chuàng)新點

本文提出的基于“人+車+會員”關聯(lián)的AI數(shù)字現(xiàn)場應用，最重要的前提是對于車輛和加油交易的精準關聯(lián)，在此基礎上才能進一步關聯(lián)會員形成完整客戶畫像?？紤]到受施工難度、硬件成本等條件制約，加油島部署攝像槍數(shù)量有限，每只攝像槍拍攝區(qū)域中會同時出現(xiàn)多輛汽車通過，如何唯一確定車輛與油槍的對應關系是最難解決的問題。

3.1 檢測區(qū)域匹配法

通過繪制檢測區(qū)域識別匹配法，如圖7所示：需要繪制檢測區(qū)域和屏蔽區(qū)域，設定檢測區(qū)域閾值(識別的車輛圖像與區(qū)域重合度超過閾值才算有效識別)，設定油槍與檢測區(qū)域的對應關系，最后通過提掛槍時間和車輛圖像識別時間匹配車輛與加油油槍。經(jīng)實踐檢驗，該種方法在實際環(huán)境中匹配準確率約為80 %左右。

圖7 檢測區(qū)域匹配法

檢測區(qū)域繪制時需遵循的注意事項如下：

(1)同一油機兩側(cè)車位和現(xiàn)場情況較相近時，該油機兩側(cè)關聯(lián)區(qū)域的形狀和大小要繪制的相似一些。

(2)繪制關聯(lián)區(qū)域要比車位大一些，否則車輛停在區(qū)域邊緣，可能出現(xiàn)車牌在關聯(lián)區(qū)域外的情況。

(3)繪制關聯(lián)區(qū)域要考慮周圍環(huán)境的影響，不可以過大，否則排隊車輛和道路車輛可能會帶來干擾。

(4)具體如何繪制，還需要結(jié)合每個油站現(xiàn)場的實際情況進行考慮。

3.2 雙次校驗匹配法

上述檢測區(qū)域匹配法存在約20 %的誤差率，主要原因是繁忙時段同一繪制區(qū)域會出現(xiàn)多輛車滿足識別條件，同時又對應多支加油槍有加油記錄，此時會導致車輛與油槍多對多情況無法準確匹配。這種情況可以通過雙次校驗匹配法來進行精確匹配，邏輯原理如圖8所示。車輛A兩次到站加油，第一次到站其停留的檢測區(qū)域中有A、B、C三輛車，對應a、b、c三張加油卡(每張卡對應1支加油的油槍)；第二次到站其停留的檢測區(qū)域中有A、D、E三輛車，對應a、d、e三張加油卡，兩次結(jié)果校驗匹配，則車輛A對應的加油卡也只能是a。經(jīng)實踐檢驗，經(jīng)過雙次校驗匹配修正后，整體車輛與交易匹配準確度達到了95 %以上，滿足了實際應用的需要。

圖8 雙次校驗匹配法

4 結(jié)束語

目前，該AI數(shù)字現(xiàn)場系統(tǒng)已在筆者所在公司1 800多座加油站部署完成并正式投入使用，在提升大要站現(xiàn)場車輛通過率和服務效率、提高現(xiàn)場營銷精準性等方面發(fā)揮了重要作用。該系統(tǒng)以人工智能和大數(shù)據(jù)技術應用為基礎，以詳實的客觀數(shù)據(jù)為依據(jù)，科學地指導加油站現(xiàn)場管理和客戶管理水平的提升，科學地分析加油站銷量與車流變化之間的關系，結(jié)合現(xiàn)場營銷模式創(chuàng)新，支撐“一站一策”的有效開展，全面提高加油站數(shù)字化運營水平。下一步，在現(xiàn)場管理新模式、數(shù)字營銷新場景構建等方面，該系統(tǒng)仍有許多空間值得探索和創(chuàng)新，并且具備在同行業(yè)廣泛推廣的價值。