L’Oréal اور EMOTIV نے Scent-sation تیار کیا، جو ایک انٹرایکٹو شاپنگ تجربہ ہے جو آپ کے جذباتی ردِعمل کی بنیاد پر مصنوعات کا انتخاب کرتا ہے۔

صارفین ٹیکسٹائل سے لے کر ماحول تک اپنی ترجیحات کے بارے میں سوالات کے ایک سلسلے کے جواب دیتے ہیں، پھر EMOTIV Insight EEG ہیڈسیٹ پہنتے ہیں۔ صارفین مختلف خوشبوئی امتزاجات آزماتے ہیں، جیسے "پھولوں جیسی" یا "لکڑی جیسی"۔ اسی وقت، جدید الگورتھمز ان کی دماغی لہروں کو حقیقی وقت کے کارکردگی میٹرکس میں تبدیل کرتے ہیں، جیسے توجہ، تحریک اور دباؤ کی سطحیں۔ Scent-sation ہر شخص کے بایومیٹرک ردِعمل کی بنیاد پر Yves Saint Laurent (YSL) کی لگژری خوشبوؤں میں سے تین کی سفارش کرتا ہے۔

Scent-sation نے 2021 Dubai Expo میں YSL Tech Innovation Lab میں آغاز کیا۔ شرکاء نے ایک اسٹائلش ماحول میں خود اس انٹرایکٹو شاپنگ تجربے کو آزمایا۔ کامیاب نمائش کے بعد، انہوں نے Scent-sation کو دنیا بھر میں منتخب Yves Saint Laurent فلیگ شپ اسٹورز میں نصب کیا۔ L’Oréal نے 2024 میں Consumer Electronics Show میں نیورومارکیٹنگ کے لیے اپنا اختراعی طریقہ پیش کیا، جس کے لیے Scent-sation کو باوقار Innovation Award ملا۔

“اس دلکش نظام کے ذریعے، ہم 95% لوگوں کو ان کی ضروریات اور خواہشات کے مطابق درست خوشبو فراہم کرنے میں کامیاب ہوئے، جو اس ٹیکنالوجی کے بغیر کی نسبت بہت زیادہ ہے،" Yves Saint Laurent Beauté کے International General Manager Stephan Bezy نے EMOTIV کے ساتھ شراکت داری کے بارے میں کہا۔ "یہ اس زمرے میں ایک بہت بڑا پہلا قدم ہے۔ جب ہمیں معلوم ہو جاتا ہے کہ کون سی خوشبوئیں لوگوں کو خوش، پُرجوش یا دیگر جذبات محسوس کراتی ہیں، تو ہم خوشبوؤں کو مزید بھی حسبِ ضرورت بنا سکتے ہیں — اس کی صلاحیت لامحدود ہے۔”

خوشبو اور جذبات کے درمیان تعلق

انسانوں میں سونگھنے کی حس اور یادداشت و جذبات کی تشکیل کے درمیان گہرا تعلق ہوتا ہے۔ ہمارے پاس تقریباً 300 جینز ہوتے ہیں جو اولفیکٹری ریسیپٹرز کے ذریعے کئی مختلف بوؤں کو شناخت کرنے میں مدد دیتے ہیں [1]۔ تحقیق سے معلوم ہوتا ہے کہ خوشبو سے جڑی یادیں زندگی میں دیگر حواس سے متحرک ہونے والی یادوں کی نسبت زیادہ پرانی ہو سکتی ہیں [2]۔

L’Oréal کی داخلی تحقیق کے مطابق، 77% صارفین چاہتے ہیں کہ ان کی خوشبو انہیں جذباتی فوائد دے۔ ایک blind test کے ذریعے، L’Oréal نے یہ بھی پایا کہ لوگ اپنی خوشبو کی پسند کو مختلف جذبات، بشمول خوشی اور سکون، سے جوڑتے ہیں۔ 12-34 سال کے نصف سے زیادہ صارفین کہتے ہیں کہ وہ اپنا موڈ دیکھ کر خوشبو منتخب کرتے ہیں [3]۔

جدید ٹیکنالوجی نے ہمیں کارکردگی کا وعدہ دیا ہے، لیکن اکثر دستیاب انتخاب کی بہتات ہی الجھن پیدا کر دیتی ہے۔ ٹیکنالوجی ہمیں بہتر فیصلے کرنے میں مدد دیتی ہے، کیونکہ یہ صرف وہی اختیارات دکھاتی ہے جو اہم ہوں۔ L’Oréal اور دیگر نمایاں برانڈز نے اسے ممکن بنانے کے لیے نیورومارکیٹنگ کا سہارا لیا ہے۔ اخلاقی نیورومارکیٹنگ صارفین کو یہ نہیں بتاتی کہ انہیں کیا چاہیے، بلکہ انہیں یہ دریافت کرنے میں مدد دیتی ہے کہ وہ واقعی کیا چاہتے ہیں، جس سے صارف وفاداری میں اضافہ ہوتا ہے۔

Scent-sation کیسے کام کرتا ہے؟

Scent-sation تجربے کے مرکز میں electroencephalography، یعنی EEG ہے۔ ایک پہننے کے قابل ہیڈسیٹ آپ کے دماغ میں نیورونز کے فائر ہونے پر پیدا ہونے والی برقی سرگرمی کو ناپتا ہے۔ محققین کھوپڑی کی سطح پر EEG کو اندرونی دماغی سرگرمی کے اشارے کے طور پر ماپتے ہیں۔

جب آپ کسی شخص کا چہرہ دیکھتے ہیں تو سینسرز آپ کے دماغ میں ایک منفرد برقی سگنل ناپ سکتے ہیں۔ اسی طرح، جب آپ اپنی پسند یا ناپسند کی کوئی خوشبو سونگھتے ہیں، تو محققین قابلِ شناخت برقی پیٹرنز دیکھ سکتے ہیں۔ محققین حقیقی وقت میں دماغی افعال اور جذباتی ردِعمل کو سمجھنے کے لیے برقی سرگرمی میں تبدیلیوں کی پیمائش اور مطالعہ کرتے ہیں۔

EMOTIV نے اپنی برسوں کی تحقیقی مہارت اور کسٹم، جدید detection algorithms تیار کرنے کے تجربے سے فائدہ اٹھا کر ایک کسٹم اولفیکٹری ڈٹیکشن پروڈکٹ تیار کیا اور فراہم کیا۔ L’Oréal کے ساتھ شراکت میں، ہم نے سیکڑوں شرکاء سے ڈیٹا جمع کیا جنہیں YSL خوشبوؤں اور امتزاجات کی ایک رینج سے روشناس کرایا گیا۔ شرکاء نے ان خوشبوؤں کی مختلف پہلوؤں پر ذاتی درجہ بندیاں بھی فراہم کیں (پسندیدگی، مانوسیت، خریدنے کا امکان، وغیرہ)۔

olfactory-related EEG استعمال کرتے ہوئے، EMOTIV کے ڈیٹا سائنسدانوں نے ایک نیا detection algorithm بنایا جو ہر خوشبو سے متعلق مخصوص خصوصیات کو محفوظ کرتا ہے۔ اس algorithm کو اس طرح تربیت دی گئی کہ یہ ہر فرد کے خود رپورٹ کردہ “like/dislike” ردِعمل کی پیش گوئی کر سکے۔ چند منتخب امتزاجات کے لیے دماغی ردِعمل کو دوسرے ماڈل میں یکجا کیا جاتا ہے، جو یہ پیش گوئی کرتا ہے کہ شرکاء میں سے ہر ایک کو 27 YSL خوشبوؤں میں سے کون سی زیادہ پسند آئے گی، اور پھر بہترین تین خوشبوؤں کی سفارش کرتا ہے۔

اسٹور میں منفرد تجربات، جب خوشبو کے ساتھ ملیں، تو برانڈ کی دیرپا خوشگوار یادیں بنا سکتے ہیں۔ تجربہ مکمل کرنے کے بعد افراد زیادہ اعتماد کے ساتھ خریداری کے فیصلے کرتے ہیں۔

آپ EEG سے کیا سیکھ سکتے ہیں؟

EEG تحقیقی مطالعات میں ڈیٹا جمع کرنے کا ایک عام طریقہ ہے۔ EEG کو MRI اور fMRI پر یہ برتری حاصل ہے کہ یہ دماغی سرگرمی کے عمل کو تیزی سے شناخت کر سکتا ہے۔ یہ MRI مشین ریزرو کرنے کے مقابلے میں کافی کم خرچ اور کم وقت طلب بھی ہے۔

وائرلیس EEG، جسے EMOTIV نے متعارف کرایا، زیادہ فطری ماحول میں — حتیٰ کہ دور سے بھی — حقیقی وقت کے دماغی ڈیٹا کے حصول کی اجازت دیتا ہے۔ اس سے یہ “آن لائن” استعمالات کے لیے منفرد طور پر موزوں آلہ بن جاتا ہے [4]۔ دوسرے الفاظ میں، تمام ڈیٹا جمع ہونے کے بعد بعد میں بصیرت حاصل کرنے کے بجائے حقیقی وقت میں بصیرت پیدا کرنا۔

Raw EEG کچھ حد تک ساؤنڈ ویو دیکھنے جیسا ہے، یعنی یہ بہت غیر ممکن ہے کہ کوئی شخص اسے صرف دیکھ کر معنی اخذ کر لے۔ “raw” EEG کو دیکھ کر بہت کم چیزیں سمجھی جا سکتی ہیں۔ عام طور پر، سائنسدان ایسے EEG کو دیکھتے ہیں جو متعدد افراد پر اوسط کر کے حاصل کیا گیا ہو، جنہیں بار بار کسی stimulus کے سامنے لایا گیا ہو۔ مزید جانیں نیورل اوسیلیشنز کی بنیادیات کے بارے میں۔

EEG کو “noise” صاف کرنے کے لیے پروسیس کرنا ضروری ہے، اور بامعنی پیٹرنز اخذ کرنے کے لیے اکثر اسے تبدیل یا ریاضیاتی طور پر ترمیم کیا جاتا ہے۔ یہ عمل عموماً اصل ڈیٹا کلیکشن کے کافی بعد کیا جاتا ہے۔

حقیقی وقت کے EEG insights تیار کرنا

اگر EEG کو بامعنی بنانے کے لیے صاف اور تبدیل کرنا پڑتا ہے، تو یہ حقیقی وقت میں کیسے مفید ہو سکتا ہے؟ پہلے سے جمع کیے گئے ڈیٹا کو استعمال کر کے ہم machine-learning algorithms بنا سکتے ہیں جو مخصوص حالات سے وابستہ دماغی سرگرمی کے عمومی پیٹرنز کی شناخت کرتے ہیں۔ پھر آپ ان algorithms کو دیگر حالات کے لیے حساس بنا سکتے ہیں۔

مثال کے طور پر، ہم نے بہت سے لوگوں سے EEG جمع کیا جب وہ کئی مایوس کن کام انجام دے رہے تھے۔ پھر ہم نے اس مایوس EEG کی ریاضیاتی ماڈلنگ کی اور مایوسی کی سطح کو 0 سے 100% کے درمیان مقداری شکل دی۔ اس ماڈل کو ایسے سافٹ ویئر میں ضم کیا جا سکتا ہے جو بتائے کہ کوئی نیا شخص کب ایسی چیز کر رہا ہے جو اسے مایوس کر رہی ہے۔

EMOTIV نے ایک دہائی سے زیادہ عرصہ ان حقیقی وقت EEG insights کو تیار کرنے میں صرف کیا ہے۔ ہم نے کنٹرولڈ تجرباتی حالات میں ہزاروں افراد سے EEG جمع کیا ہے۔ اپنے منفرد ڈیٹابیس اور طریقۂ کار کے ذریعے، ہم نے کئی الگ machine-learning algorithms تیار کیے جو حقیقی وقت میں ادراکی حالتوں کی شناخت کر سکتے ہیں۔

یہ EMOTIV “detections”، یعنی Performance Metrics، میں Frustration، Interest، Relaxation، Engagement، Excitement، Stress اور Attention شامل ہیں۔ ہم مزید جانچ کے ذریعے ان detections کو بہتر بناتے اور نئے detections تیار کرتے ہیں۔

حقیقی وقت کے detections کو صارف تجربے میں ضم کرنا

L’Oréal کے تعاون سے، EMOTIV نے اپنے olfactory detection algorithm کو ایک ہموار app-based بیوٹی تجربے میں ضم کیا۔ بیوٹی ایڈوائزر کے ساتھ، صارفین نے پہلے آٹھ جذباتی پروفائلنگ سوالات کے جواب دیے جن سے یہ طے ہوا کہ کون سے چھ امتزاج انہیں سب سے زیادہ متحرک کرنے کا امکان رکھتے ہیں۔

جب چھ امتزاج طے ہو گئے، تو بیوٹی ایڈوائزر نے صارف کو EMOTIV ہیڈسیٹ پہنایا اور ایکسپوژر کے عمل میں رہنمائی کی۔ صارفین نے ہر امتزاج کو آزمایا جبکہ دماغی ردِعمل وائرلیس طور پر موبائل ڈیوائس تک منتقل ہوتے رہے۔ اس دوران، EMOTIV کے حقیقی وقت detections مسلسل اس انفرادی امکان کو ایڈجسٹ کرتے رہے کہ صارف کو YSL خوشبوؤں میں سے ہر ایک کتنی پسند آئے گی۔

اس کے بعد تجربے نے صارفین کو ایک ذاتی پروفائل فراہم کیا۔ اس likeability curve نے صارفین کو یہ موقع دیا کہ وہ اپنے پروفائل کا YSL beauty کمیونٹی سے موازنہ کریں۔

تجربے کا اختتام تین YSL خوشبو سفارشات پر ہوا۔ ان میں سے دو کی پیش گوئی کی گئی کہ وہ صارف کے انفرادی جذباتی اور دماغی ردِعمل کے ساتھ بہترین مطابقت رکھیں گی۔ صارف کے حسی انتخاب کے دائرے کو وسیع کرنے کے لیے، تیسری سفارش یا تو unisex یا مخالف جنس کی خوشبو تھی جو پھر بھی predictive brain olfactory algorithm کے مطابق تھی۔

نتیجتاً یہ تجربہ صارفین، بیوٹی ایڈوائزرز، L’Oréal اور EMOTIV کے نقطۂ نظر سے شاندار کامیابی ثابت ہوا۔ 

صارفین کے لیے نیوروسائنس کا مستقبل

یہ شراکت داری ظاہر کرتی ہے کہ EMOTIV کا industry-leading hardware ہماری neuroscience processing pipelines کے ساتھ ملا کر مؤثر اور درست predictive applications تیار کیے جا سکتے ہیں۔

hardware اور software میں تکنیکی جدتوں کے ساتھ، ہم ایسے دور میں داخل ہو چکے ہیں جہاں نیوروسائنس کو حقیقی دنیا کی وسیع اقسام کی ایپلیکیشنز کے لیے بروئے کار لایا جا سکتا ہے۔

چاہے کوئی کمپنی یہ جاننا چاہتی ہو کہ صارفین اس کی مصنوعات کے ساتھ کیسے تعامل کر رہے ہیں یا workflows اور ماحول کے معروضی جائزے کے ذریعے ملازمین کی بہبود مضبوط کرنا چاہتی ہو، جدید neurotech اب مستقبل کے لیے اولین ٹول بننے کی پوزیشن میں ہے۔ یہ تیزی سے موضوعی پیمانوں، جیسے surveys اور questionnaires، کی جگہ لے رہی ہے اور ان کمپنیوں کے لیے مؤثر ترین طریقہ بن رہی ہے جو اپنے ملازمین، صارفین، مصنوعات اور مارکیٹس کو بہتر طور پر سمجھنا چاہتی ہیں۔ EMOTIV کے ساتھ تیار کریں

اپ ڈیٹ: August 21, 2024

H.B. Duran نے اس کہانی میں تعاون کیا۔

آپ کو یہ بھی پسند آ سکتا ہے:

• اپنی کنزیومر ریسرچ میں EMOTIV کے Performance Metrics کو کیسے شامل کریں

• کیسے نیورومارکیٹنگ مارکیٹ ریسرچ کے لیے سب سے قابلِ اعتماد ٹول ہے

• کیسے EMOTIV کے Performance Metrics نے Mentimeter کے “Hunch” کی تصدیق کی

حوالہ جات

1. K. Sowndhararajan and S. Kim, “انسانی نفسیاتی و جسمانی سرگرمی پر خوشبوؤں کا اثر: انسانی electroencephalographic ردِعمل کے خصوصی حوالے کے ساتھ،” Scientia Pharmaceutica, vol. 84, no. 4, pp. 724–751, Nov. 2016, doi: 10.3390/scipharm84040724. Available: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5198031/

2. A. N. Miles and D. Berntsen, “بو سے متحرک ذہنی سفر ماضی اور مستقبل کی طرف: کیا بو کے اشارے ہمارے دور دراز ماضی سے منفرد تعلق برقرار رکھتے ہیں؟،” Memory, vol. 19, no. 8, pp. 930–940, Nov. 2011, doi: 10.1080/09658211.2011.613847. Available: https://www.tandfonline.com/doi/abs/10.1080/09658211.2011.613847

3. L’Oréal, “L’ORÉAL USA نے 2024 INCLUSIVE BEAUTY FUND کے وصول کنندگان کا اعلان کیا،” L’Oréal, Jun. 25, 2024. Available: https://www.loreal.com/en/press-release/group/press-release-scent--sation/

4. N. S. Williams, W. King, G. Mackellar, R. Randeniya, A. McCormick, and N. A. Badcock, “Crowdsourced EEG تجربات: EmotivPRO Builder اور EmotivLABS کے استعمال سے remote EEG acquisition کے لیے تصور کا ثبوت،” Heliyon, vol. 9, no. 8, p. e18433, Aug. 2023, doi: 10.1016/j.heliyon.2023.e18433. Available: https://www.cell.com/heliyon/fulltext/S2405-8440(23)05641-4?_returnURL=https%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS2405844023056414%3Fshowall%3Dtrue