UTILISATEUR

La présente invention concerne le domaine de la collecte des données comportementales d'utilisateurs dans des magasins, notamment par l'analyse de leur trajectoire.

Aujourd'hui, il est tout à fait possible de suivre un consommateur au sein d'une grande surface ou plus généralement au sein d'un magasin. Ce suivi permet de déterminer les trajectoires du consommateur, et, en fonction de la précision des moyens de suivi, de déterminer les zones du magasin dans lesquelles le consommateur passe le plus de temps ou a contrario dans lesquelles le consommateur ne fait que passer.

Pour autant, ce suivi ne permet pas de connaître l'impact de la trajectoire du consommateur sur ses achats : - si le consommateur passe rapidement dans un rayon, cela signifie-t-il que le consommateur n'achète rien (zone morte) ou que sa décision d'achats est immédiate (ex. le consommateur sait ce qu'il veut acheter / le consommateur est significativement impacté par les publicités en rayons) ?

- si un consommateur reste longtemps en rayon, cela signifie-t-il qu'il achète un grand nombre de produits ou hésite-t-il devant le rayon sans procéder à une décision d'achats ?

Le plus souvent, les magasins ne disposent que de la connaissance du taux de pénétration T _péné , défini comme le pourcentage des clients ayant acheté un produit donné. Néanmoins, le taux d'exposition T _expo (part des consommateurs qui voient le produit), le taux d'intérêt T _inté (part des consommateurs qui voient le produit et qui s'y intéressent) et le taux de conversion T _conv (part des consommateurs qui s'intéressent au produit et qui l'achètent) sont le plus souvent ignorés par les magasins, à défaut d'avoir une méthode d'estimation de ces taux : le simple suivi d'un consommateur ne permet pas d'accéder à ces différents taux.

Habituellement, nous avons T _péné = T _conv x T _expo x T _inté .

Pour connaître ces différents taux, il est utile de connaître les achats véritables effectués par un consommateur suivi.

Le document US 201 1 /02002226 A1 propose une méthode pour déterminer ces achats. En l'espèce, lors du passage en caisse, l'image d'un consommateur est extraite au moyen des images de caméras (par exemple, de vidéosurveillance) et une fois extraite, sa trajectoire passée est recherchée dans la base de données des images des caméras.

Néanmoins, cette méthode nécessite des caméras de haute résolution afin d'éviter des reconnaissances abusives (ou false positive en anglais). Par ailleurs, cette méthode suppose qu'il est possible d'associer à un consommateur donné un ticket de caisse de manière certaine. Cela n'est pas toujours le cas et la fiabilité de la méthode proposée par une telle méthode peut être remise en cause.

Par exemple, si la méthode de localisation est imprécise (ex. localisation du consommateur par radio), il peut être difficile de connaître la caisse par laquelle est passé le consommateur.

Par ailleurs, si le consommateur reste longtemps en caisse (ex. car le consommateur précédent à de nombreux achats), une incertitude peut exister quant à l'association de son ticket de caisse.

Il y a ainsi un besoin pour renforcer la fiabilité du processus d'association des tickets de caisse avec un consommateur et ainsi déterminer avec précision les achats effectués par ce consommateur suivi. La présente invention vient améliorer la situation.

À cet effet, la présente invention propose un procédé de détermination d'achats effectués par un utilisateur d'un magasin, dans lequel le procédé comporte :

- détermination d'une trajectoire dans un magasin associée à l'utilisateur dudit magasin ;

- lorsque la position de l'utilisateur dudit magasin est dans une zone du magasin correspondante aux caisses et qu'un critère de temps ou de vitesse est rempli, détermination d'un ensemble de listes d'achats correspondant à des caisses dudit magasin, chaque liste d'achats comprenant un ensemble d'éléments acheté par un utilisateur dudit magasin ;

- pour chaque liste d'achats dans l'ensemble des listes d'achats déterminé :

- détermination d'une position de chaque élément de ladite liste d'achats ; - calcul d'une distance entre la position de chaque élément et ladite trajectoire déterminée ;

- détermination d'une liste d'achats probable parmi l'ensemble des listes d'achats, ladite détermination de la liste d'achats probable est fonction de la distance calculée pour ladite liste d'achats ; - association de ladite liste d'achats probable avec ladite trajectoire déterminée.

En associant une liste d'achats probable avec une trajectoire, il est possible de déterminer avec précision des statistiques relatives à des habitudes utilisateurs.

L'utilisateur du magasin peut être également appelé « consommateur ». Une liste d'achats peut être également appelé « ticket de caisse ».

Dans un mode de réalisation possible, la détermination de l'ensemble de listes d'achats peut comprendre :

- pour chaque liste d'achats parmi l'ensemble des listes d'achats, attribuer une première valeur de probabilité à ladite liste d'achat, ladite première valeur de probabilité étant fonction d'une distance d'une caisse ayant généré ladite liste d'achats à une position de l'utilisateur, lorsque la position de l'utilisateur dudit magasin est dans une zone du magasin correspondante aux caisses ; dans lequel la détermination de la liste d'achats probable peut être fonction de la première valeur de probabilité attribuée pour ladite liste d'achat.

Par ailleurs, la détermination de l'ensemble de listes d'achats peut également comprendre :

- pour chaque liste d'achats parmi l'ensemble de listes d'achats, attribuer une deuxième valeur de probabilité à ladite liste d'achat, ladite deuxième valeur de probabilité étant fonction d'une différence entre un moment associé à une génération de ladite liste d'achats par une caisse et un moment de présence pour lequel la position de l'utilisateur dudit magasin est dans une zone du magasin correspondante aux caisses ; dans lequel la détermination de la liste d'achats probable peut être fonction de la deuxième valeur de probabilité attribuée pour ladite liste d'achat.

La première valeur de probabilité peut être nulle si la distance d'une caisse ayant généré ladite liste d'achats à une position de l'utilisateur est supérieure à une distance prédéterminée.

Dans un mode de réalisation, le moment associé à la génération de ladite liste d'achats peut être un temps le plus petit parmi tous les temps de saisie de l'ensemble des éléments achetés pour la génération de ladite liste d'achats, et dans lequel la deuxième valeur de probabilité peut être nulle si le moment associé à la génération de ladite liste d'achats est antérieur audit moment de présence.

En outre, le moment associé à la génération de ladite liste d'achats peut être un temps le plus grand parmi tous les temps de saisie de l'ensemble des éléments achetés pour la génération de ladite liste d'achats, et dans lequel la deuxième valeur de probabilité peut être nulle si le moment associé à la génération de ladite liste d'achats est postérieur audit moment de présence.

Avantageusement, ladite détermination de la liste d'achats probable peut être fonction d'une comparaison entre le nombre d'éléments achetés pour chaque liste d'achats dans l'ensemble des listes d'achats déterminés et d'une longueur de ladite trajectoire.

En complément ou en variante, le calcul de la distance entre la position de chaque élément et ladite trajectoire déterminée peut comprendre, pour chaque élément :

- si ladite trajectoire intersecte une région du magasin dans lequel se trouve ledit élément, ladite distance est incrémentée positivement, respectivement négativement ;

- sinon, ladite distance est incrémentée négativement, respectivement positivement.

Le calcul de la distance entre la position de chaque élément et ladite trajectoire déterminée peut également comprendre, pour chaque élément :

- ladite distance est incrémentée en fonction de la distance de la trajectoire à la position dudit élément dans le magasin.

Dans un mode de réalisation, le critère de temps ou de vitesse peut être un critère ou une combinaison de critères parmi :

- un temps consécutif pendant lequel la position de l'utilisateur dudit magasin est dans la zone du magasin correspondante aux caisses est supérieure à un temps prédéterminé ; une vitesse de la position de l'utilisateur (et donc de l'utilisateur) dudit magasin est inférieure à une vitesse prédéterminée.

La présente invention vise également un système de détermination d'achats effectués par un utilisateur d'un magasin, dans lequel le système comporte :

- un dispositif de localisation pour la détermination d'une trajectoire dans un magasin associée à l'utilisateur dudit magasin ;

- un circuit pour la détermination, lorsque la position de l'utilisateur dudit magasin est dans une zone du magasin correspondante aux caisses et qu'un critère de temps ou de vitesse est rempli, d'un ensemble de listes d'achats correspondant à des caisses dudit magasin, chaque liste d'achats comprenant un ensemble d'éléments acheté par un utilisateur dudit magasin ;

- un circuit pour, pour chaque liste d'achats dans l'ensemble des listes d'achats déterminé :

- la détermination d'une position de chaque élément de ladite liste d'achats ;

- le calcul d'une distance entre la position de chaque élément et ladite trajectoire déterminée ;

- un circuit pour la détermination d'une liste d'achats probable parmi l'ensemble des listes d'achat, ladite détermination de la liste d'achats probable est fonction de la distance calculée pour ladite liste d'achats ;

- un circuit pour l'association de ladite liste d'achats probable avec ladite trajectoire déterminée.

Un programme informatique, mettant en œuvre tout ou partie du procédé décrit ci- avant, installé sur un équipement préexistant, est en lui-même avantageux.

Ainsi, la présente invention vise également un programme informatique comportant des instructions pour la mise en œuvre du procédé précédemment décrit, lorsque ce programme est exécuté par un processeur.

Ce programme peut utiliser n'importe quel langage de programmation (par exemple, un langage-objet ou autre), et être sous la forme d'un code source interprétable, d'un code partiellement compilé ou d'un code totalement compilé.

La figure 5 décrite en détail ci-après peut former l'organigramme de l'algorithme général d'un tel programme informatique.

D'autres caractéristiques et avantages de l'invention apparaîtront encore à la lecture de la description qui va suivre. Celle-ci est purement illustrative et doit être lue en regard des dessins annexés sur lesquels :

- la figure 1 illustre un trajet d'un consommateur au sein d'un magasin ;

- la figure 2 illustre le calcul d'une première probabilité associée à des listes d'achats ; - la figure 3 illustre le calcul d'une deuxième probabilité associée à des listes d'achats ;

- les figures 4a et 4b illustrent le calcul d'une distance entre une liste d'achats et une trajectoire ;

- la figure 5 illustre un ordinogramme d'une réalisation possible dans un mode de réalisation de l'invention ;

- la figure 6 illustre un dispositif de détermination d'achats d'un consommateur dans un mode de réalisation de l'invention.

La figure 1 illustre un trajet d'un consommateur au sein d'un magasin. Lorsqu'un consommateur pénètre dans un magasin 100 (au point 105), il existe un grand nombre de méthodes pour déterminer sa trajectoire 104 au sein du magasin (i.e. le long des rayonnages 103) jusqu'à sa sortie en caisse (point 106). Ces méthodes de localisation sont diverses et possèdent des degrés de précision variables allant de quelques centimètres à quelques mètres. Parmi ces méthodes, il est possible de nommer des techniques de positionnement en intérieur (ou en anglais « indoor geolocation System »): - par Wifi ;

- par Bluetooth (avec notamment le Apple Beacon ou iBeacon) (ex. le protocole Bluetooth du téléphone du consommateur peut être utilisé pour communiquer avec des capteurs placés dans le magasin, et le système reconnaît un smartphone grâce à son adresse MAC Bluetooth, Wifi, ou à son identifiant);

- par NFC / RFID (ex. une puce NCF est insérée dans un caddie) ;

- par UWB (pour Ultra Wide Band en anglais) ;

- en utilisant les images de vidéosurveillance ou plus généralement de caméras ; - par Ultrason ou Li-Fi (ex : des émetteurs ultrasonores / LiFi sont installés dans les éclairages du magasin) ;

- etc.

Quand le procédé de positionnement en intérieur utilise des capteurs et des signaux (sonores, électromagnétiques, ou autres) communiqués entre un/des émetteurs et un/des récepteurs, différentes méthodes peuvent permettre d'obtenir la position du client à partir des signaux en question, notamment :

- La détection du temps de vol (ou « time of flight » en anglais), qui permet en utilisant la vélocité déjà connue de l'onde de parvenir à la distance entre émetteur et récepteur. - La détection de l'angle d'arrivée du signal sur le/les récepteurs.

- L'estimation de la distance à partir de la force du signal reçu par le/les récepteurs, en utilisant des abaques préalablement réalisées. D'autre part, quelle que soit le type de signal employé, des méthodes de triangulation peuvent être employées (nécessaires ou non) pour parvenir à une position précise du client.

La zone de caisse 102 peut être définie de manière arbitraire. Dans l'exemple de la figure 1 , la zone du magasin correspondante aux caisses est une zone rectangulaire englobant les caisses (ex. 101 ) et ne couvrant pas les rayonnages (ex. 103). Cette zone 102 peut être également définie comme une union de cercles dont les centres sont chacune des caisses et dont le rayon est prédéfini (ex. 2m autour de chaque caisse). II est possible de considérer que le consommateur arrive dans la zone caisse pour payer lorsque :

- sa présence se prolonge dans cette zone 102 pendant un temps prédéterminé ;

- sa vitesse est inférieure à une vitesse prédéterminée dans cette zone 102 ; - une combinaison des deux critères précédents est vérifiée.

Ainsi, l'incursion du consommateur au niveau de la flèche 107 n'est pas nécessairement considérée comme un passage en caisse.

Il est également possible de considérer que le consommateur arrive dans la zone caisse pour payer lorsque la présence du consommateur dans la zone 102 est la dernière présence détectée avant sa sortie du magasin.

Par ailleurs, du fait de l'incertitude de la position du consommateur, le temps prédéterminé ou la vitesse prédéterminée peuvent être fonction d'un indice de certitude (ou d'incertitude) de la présence du consommateur dans la zone 102 (ex. plus la certitude est grande, plus la vitesse prédéterminée peut être importante ou plus le temps prédéterminé peut être court).

La figure 2 illustre le calcul d'une première probabilité associée à des listes d'achats. Lorsque le consommateur pénètre dans la zone 102 pour effectuer ses achats, il peut exister une incertitude concernant sa position et donc concernant la caisse utilisée pour régler ses achats.

Du fait de cette incertitude, il est possible d'associer à chaque caisse (et donc à chaque liste d'achats générée par la caisse correspondante) une première valeur Pi de probabilité en fonction de cette incertitude de position.

Le plus souvent cette incertitude de position est une fonction décroissante à partir d'une position de référence du consommateur (i.e. la position la plus probable) : ainsi, la première valeur Pi peut être de la forme de la courbe 201 , par exemple. Par ailleurs, et pour des raisons de simplicité d'implémentation, il est possible de prévoir que la valeur la Pi soit nulle au-delà d'une certaine distance (i.e. xo sur la figure 2) par rapport à la position du consommateur (ex. position la plus probable) : cela permet d'exclure / de filtrer les listes d'achats générées par des caisses trop éloignées de la position du consommateur. La valeur Pi de probabilité associée à chaque caisse (et donc à chaque liste d'achats générée par cette caisse) peut être la valeur de la courbe 201 pour une abscisse x correspondante au centre de la caisse. Cette valeur peut être également la valeur maximale ou minimale ou moyenne de la courbe 201 pour la largeur selon l'axe x de la caisse considérée.

La figure 3 illustre le calcul d'une deuxième probabilité associée à des listes d'achats.

Lorsque le consommateur pénètre dans la zone 102 pour effectuer ses achats, il peut exister une incertitude concernant la liste d'achats pouvant lui être associée : en effet, son temps de présence au niveau des caisses (représenté par la flèche 302) peut correspondre à la génération de plusieurs listes d'achats (ex. représentées par les flèches 305 à 308, l'extrémité gauche des flèches 305 à 308 représentant le début de la génération (ex. 303) et l'extrémité droite des flèches 305 à 308 représentant la fin de la génération ou le paiement effectif (ex. 304)). Du fait de cette incertitude, il est possible d'associer à liste d'achats générée par une caisse donnée une deuxième valeur P ₂ de probabilité en fonction de cette incertitude.

Par exemple, cette valeur P ₂ de probabilité (représentée par exemple par la courbe 301 ) peut être plus élevée pour les listes d'achats ayant été générées à une date proche du départ du consommateur de la zone 102 (i.e. proche du bout droit de la flèche 302).

Par ailleurs, cette valeur P ₂ de probabilité peut être nulle pour les listes d'achats ayant commencé à être générées ou ayant fini d'être générées à un moment où le consommateur n'est pas dans la zone 102 : en effet, il peut être considéré comme improbable qu'une liste d'achats soit en cours de génération alors que le consommateur n'est pas encore présent ou vient de partir.

La valeur P ₂ de probabilité associée à chaque liste d'achats peut être la valeur de la courbe 301 pour un temps correspondant au début de la génération de la liste d'achats ou correspondant à la fin / milieu de la génération de la liste d'achats. Cette valeur peut être également la valeur maximale ou minimale ou moyenne de la courbe 301 durant la génération de la liste d'achats considérée.

Les figures 4a et 4b illustrent le calcul d'une distance entre une liste d'achats et une trajectoire.

La distance d'une liste d'achats à une trajectoire peut être définie comme une somme (pondérée éventuellement) des distances entre la position (en rayonnage) de chaque élément acheté sur la liste d'achats et la trajectoire.

La distance doit être ici comprise au sens large (i.e. au sens mathématique, par exemple) et non seulement au sens d'une distance euclidienne (même si l'utilisation d'une telle distance euclidienne reste possible).

Par exemple, si la liste d'achats comprend les produits 401 à 408 localisés en rayonnages selon le plan de la Figure 4a, la distance peut être :

- une somme des distances euclidiennes des points 401 à 408 à la trajectoire 104 (i.e. la distance euclidienne la plus courte entre ces points 401 à 408 et un point quelconque de la courbe) ;

- une somme des distances « réelles » des points 401 à 408 à la trajectoire 104 (i.e. la distance la plus courte entre ces points 401 à 408 et un point quelconque de la trajectoire, en prenant en compte le trajet réel que doit avoir un consommateur pour se rendre à la localisation du produit, i.e. en évitant les rayonnages ou autres obstacles) ;

- une somme des distances « réelles » des points 401 à 408 aux points d'arrêts de la trajectoire 104 (i.e. la distance la plus courte entre ces points 401 à 408 et un point de la trajectoire pour lequel l'utilisateur fait un arrêt supérieur à un temps déterminé ou à une vitesse inférieure à une vitesse déterminée, en prenant en compte le trajet réel que doit avoir un consommateur pour se rendre à la localisation du produit, i.e. en évitant les rayonnages ou autres obstacles). Néanmoins, la localisation des produits peut être plus imprécise.

Ainsi, dans le cadre de la figure 4b, la position des produits n'est connue que par zone. Ainsi, il est possible de déterminer que le produit 401 est dans la zone 41 1 mais sans plus de précision (respectivement les produits 402 et 403 dans la zone 412, les produits 405 et 406 dans la zone 413, les produits 404 407 et 408 dans la zone 414, etc.).

Pour la détermination de la distance, il est bien sûr possible de calculer les plus petites distances entre un point quelconque de chaque zone (41 1 à 414) et un point quelconque de la trajectoire.

Afin de simplifier l'algorithmique proposée, il est également possible de suivre la méthode suivante :

- si ladite trajectoire 104 intersecte une zone (41 1 , 412, 413, 414) du magasin dans lequel se trouve ledit élément, ladite distance D est incrémentée négativement (ex. D=D-1 ) ;

- sinon, ladite distance est incrémentée positivement (ex. D=D+1 ). Bien entendu, il est possible de faire l'inverse (i.e. incrémenter négativement lors d'une intersection, mais dans ce cas on parlera plutôt de « facteur de proximité » que de « distance ») ou de prévoir que l'une des branches de l'alternative n'a pas d'impact sur le distance calculée (i.e. aucun incrément).

La figure 5 illustre un ordinogramme d'une réalisation possible dans un mode de réalisation de l'invention.

Dans ce mode de réalisation, il est possible de détecter la trajectoire d'un consommateur donné (étape 501 ). Bien entendu, ce procédé peut être exécuté en parallèle pour un grand nombre de consommateurs.

Dès qu'une nouvelle position de la trajectoire est connue et/ou dès qu'un temps prédéterminé s'est écoulé depuis la dernière vérification, il est possible de vérifier (étape 502) que le consommateur est au niveau des caisses (i.e. dans la zone 102).

Si cela n'est pas le cas (sortie KO de l'étape 502), l'étape 501 continue d'être exécutée.

Si cela est le cas (sortie OK de l'étape 502), il est vérifié (étape 503) que le critère de temps ou de vitesse est rempli (voir supra).

Si ce critère n'est pas rempli (sortie KO de l'étape 503), l'étape 501 continue d'être exécutée. Si ce critère est rempli (sortie OK de l'étape 503), il est possible d'effectuer un premier filtre temporel (étape 504) concernant les listes d'achats du magasin. Par exemple, ce filtre peut comprendre une élimination des candidats possibles les listes d'achats générés un autre jour ou générés plus d'un nombre prédéterminé d'heures.

Il est également possible d'exclure des candidats possibles les listes d'achats comportant un trop grand nombre d'éléments au regard du temps passé par le consommateur dans la zone 102 des caisses (ex. étant resté 1 min, le consommateur ne peut pas avoir réalisé un caddie de 150 éléments).

Une fois ces premiers tris réalisés, il est possible d'attribuer à chaque liste de courses candidates (i.e. non éliminée) une première valeur Pi de probabilité (étape 505) en fonction de la position relative de la caisse ayant généré cette liste d'achats et la position du consommateur dans la zone 102. Il est possible d'attribuer à chaque liste de courses candidates (i.e. non éliminée) une deuxième valeur P ₂ de probabilité (étape 506) comme expliqué ci-dessus.

Ainsi, chaque liste de course possède une probabilité intrinsèque qu'il est possible de noter P=Pi .P ₂ .

En parallèle ou à la suite, il est possible, pour chaque liste d'achats candidate (boucle 507), de déterminer la position de chaque élément de la liste d'achats dans le magasin (étape 508, éventuellement à l'aide d'une base de données 509 de positions) et de calculer la distance de cette liste d'achats à la trajectoire du consommateur (voir ci-dessus).

Une fois, les distances calculées pour chacune des listes d'achats candidates, il est possible de déterminer (étape 51 1 ) la liste d'achats la plus probable en combinant la valeur de probabilité P précédemment calculée et la valeur de distance. Par exemple, il est possible de minimiser P.(D-D _min +e) (avec D la distance de la liste d'achats considérée à la trajectoire du consommateur, D _min la plus petite distance des listes d'achats à la trajectoire du consommateur, et e une valeur prédéterminée) afin de déterminer la liste d'achats la plus probable. Il est également possible de maximiser P.(D _max -D) (avec D _max la plus grande distance des listes d'achats à la trajectoire du consommateur). Toute autre fonction de P et de D est également possible : ces fonctions combinant la valeur de probabilité P précédemment calculée et la valeur de distance sont notées plus généralement f(P,D).

Bien entendu, pour la détermination de la liste d'achats la plus probable, il est possible de comparer (étape 512) la longueur de la trajectoire avec le nombre d'éléments dans la liste d'achats. En effet, si deux listes d'achats sont sensiblement équiprobables (ex. +/- 10%) alors, il est possible de sélectionner la liste d'achats dont le nombre d'éléments correspond le mieux à la longueur de la trajectoire (i.e. une trajectoire longue est souvent associée à une liste de courses comportant un grand nombre d'éléments). Des abaques purement empiriques peuvent être réalisés sur des populations tests afin de déterminer le lien entre longueur de trajectoire et nombre d'éléments de la liste de courses.

Ces abaques peuvent être également réalisés par un autoapprentissage dans le cas où l'ensemble des listes d'achats candidates est réduit à une seule liste après le filtre de l'étape 504 : la trajectoire étant associée de manière certaine à une seule liste d'achats, cette liste peut servir pour renseigner un abaque.

De la même manière, après avoir étudié un nombre suffisant de trajectoires client, il est possible de déterminer une fourchette de niveau de conversion normal d'un rayon, et donc de départager des tickets de caisse presque équiprobable en utilisant ce niveau habituel (agrégé) de conversion pour estimer la probabilité qu'un client ait ou non converti sa visite dans chaque rayon. Par exemple, si le rayon « Fruits et Légumes » a une conversion habituellement de 80%, la liste d'achat qui mène à la conclusion que le client n'a pas converti sa visite dans ce rayon devient moins probable que l'alternative, qui aboutit à une conversion de cette visite en « Fruits et Légumes ». Une fois l'ensemble de ces actions réalisées, il est possible d'associer la liste identifiée comme étant la plus probable avec la trajectoire du consommateur.

Dès lors, cette association peut être fournie à un algorithme tiers permettant de déterminer avec précision le taux d'exposition T _expo , le taux d'intérêt T _inté et surtout le taux de conversion T _conv .

La figure 6 représente un exemple de dispositif de détermination d'achats d'un consommateur dans un mode de réalisation de l'invention.

Dans ce mode de réalisation, le dispositif comporte un ordinateur 600, comprenant une mémoire 605 pour stocker des instructions permettant la mise en œuvre du procédé, les données de mesures reçues, et des données temporaires pour réaliser les différentes étapes du procédé tel que décrit précédemment.

L'ordinateur comporte en outre un circuit 604. Ce circuit peut être, par exemple :

- un processeur apte à interpréter des instructions sous la forme de programme informatique, ou - une carte électronique dont les étapes du procédé de l'invention sont décrites dans le silicium, ou encore

- une puce électronique programmable comme une puce FPGA (pour « Field- Programmable Gâte Array » en anglais). Cet ordinateur comporte une interface d'entrée 603 pour la réception de données de trajectoire en provenance d'un dispositif de localisation 607 (ex. localisation par radio ou par vidéosurveillance), et une interface de sortie 606 pour la fourniture des trajectoires associées à des listes d'achats. Enfin, l'ordinateur peut comporter, pour permettre une interaction aisée avec un utilisateur, un écran 601 et un clavier 602. Bien entendu, le clavier est facultatif, notamment dans le cadre d'un ordinateur ayant la forme d'une tablette tactile, par exemple.

Par ailleurs, le schéma fonctionnel présenté sur la figure 5 est un exemple typique d'un programme dont certaines instructions peuvent être réalisées auprès du dispositif décrit. À ce titre, la figure 5 peut correspondre à l'organigramme de l'algorithme général d'un programme informatique au sens de l'invention.

Bien entendu, la présente invention ne se limite pas aux formes de réalisation décrites ci-avant à titre d'exemples ; elle s'étend à d'autres variantes. D'autres réalisations sont possibles.