Heatmapping vs. Presence Analytics: Technische Unterschiede
Dieser maßgebliche technische Leitfaden beschreibt die entscheidenden architektonischen und operativen Unterschiede zwischen WiFi Heatmapping und Presence Analytics für Betreiber von Unternehmensstandorten. Er bietet IT-Führungskräften, Netzwerkarchitekten und Betriebsleitern umsetzbare Bereitstellungs-Frameworks, reale Implementierungsszenarien und herstellerneutrale Best Practices, um den maximalen ROI aus ihrer bestehenden drahtlosen Infrastruktur zu erzielen.
Diesen Leitfaden anhören
Podcast-Transkript ansehen
Zusammenfassung für Führungskräfte
Für IT-Teams in Unternehmen, die komplexe physische Standorte verwalten, ist das Verständnis des Unterschieds zwischen WiFi Heatmapping und Presence Analytics nicht länger optional. Obwohl in der Marketingliteratur oft verwechselt, handelt es sich um grundlegend unterschiedliche Technologien, die verschiedenen operativen Anforderungen dienen.
WiFi Heatmapping ist ein infrastrukturzentriertes Diagnosetool, das entwickelt wurde, um die RF (Radio Frequency)-Signalausbreitung zu messen, Abdeckungslücken zu identifizieren und die Platzierung von Access Points (AP) zu optimieren. Presence Analytics ist eine Business-Intelligence-Schicht, die dieselbe Netzwerkinfrastruktur nutzt, um Gerätebewegungen zu verfolgen, Verweildauern zu berechnen und das Besucherverhalten in physischen Räumen abzubilden.
Dieser Leitfaden bietet einen rigorosen technischen Vergleich beider Ansätze. Wir untersuchen die zugrunde liegenden Architekturen, Datenerfassungsmethoden und Implementierungs-Frameworks, die für den effektiven Einsatz dieser Systeme im Einzelhandel, im Gastgewerbe und in großen öffentlichen Umgebungen erforderlich sind. Indem wir diese Funktionen den Guest WiFi - und WiFi Analytics -Plattformen von Purple zuordnen, bieten wir einen Bauplan, um den maximalen ROI aus Ihrer bestehenden Netzwerkhardware zu erzielen – ohne ein umfassendes Upgrade Ihrer physischen Infrastruktur zu erfordern.
Technischer Deep-Dive: Architektur und Methodologien
WiFi Heatmapping: Die RF-Diagnoseschicht
Im Kern basiert WiFi Heatmapping auf Received Signal Strength Indicator (RSSI)-Messungen, um eine visuelle Darstellung der Netzwerkabdeckung zu erstellen. Dieser Prozess ist essenziell für die Netzwerkplanung, Fehlerbehebung und die fortlaufende Leistungsvalidierung.
Datenerfassungsmechanismen lassen sich in drei Kategorien einteilen. Aktive Surveys umfassen Geräte, die sich aktiv mit APs verbinden, um Durchsatz, Paketverlust und Latenz neben RSSI zu messen – dies bietet eine clientseitige Sicht auf die Netzwerkleistung. Passive Surveys verwenden Scanner, die Beacon-Frames und Probe-Antworten über alle Kanäle hinweg abhören, ohne sich zu verbinden, und bieten so eine ganzheitliche Sicht auf die RF-Umgebung, einschließlich Gleichkanalinterferenzen und der Erkennung von Rogue APs. Prädiktive Modellierung verwendet Software, um die Abdeckung basierend auf Grundrissen, Wanddämpfungswerten und AP-Antennenmustern vor der physischen Bereitstellung zu simulieren, was eine Validierung vor der Bereitstellung ermöglicht.
Wichtige technische Metriken umfassen das Signal-Rausch-Verhältnis (SNR), das entscheidend ist für die Bestimmung der tatsächlich erreichbaren Datenraten in einer bestimmten Zone und ein zuverlässigerer Qualitätsindikator ist als der reine RSSI-Wert. Die Identifizierung von Kanalüberlappungen zeigt Bereiche auf, in denen benachbarte APs auf überlappenden Frequenzen arbeiten, was zu destruktiven Interferenzen führt, die den Durchsatz beeinträchtigen, selbst wenn die Signalstärke ausreichend erscheint.
Presence Analytics: Die Schicht für Verhaltensintelligenz
Presence Analytics verlagert den Fokus von der Netzwerkinfrastruktur auf die Geräte, die sie durchqueren. Es basiert hauptsächlich auf der Erfassung von Probe Requests – Management-Frames, die von Smartphones und Tablets ausgesendet werden, wenn sie nach bekannten Netzwerken suchen – um nicht verbundene Geräte zu verfolgen, ohne dass diese sich verbinden müssen.
Die Datenerfassungsarchitektur arbeitet in drei Phasen. Erstens fangen APs oder dedizierte Sensoren nicht verbundene Probe Requests ab, die die MAC-Adresse und Signalstärke des Geräts enthalten. Zweitens, um Datenschutzrahmen wie GDPR und CCPA einzuhalten, werden MAC-Adressen sofort am Edge gehasht (mittels SHA-256 oder Äquivalent), bevor sie an die Analyse-Engine übertragen werden – dies stellt sicher, dass keine persönlich identifizierbaren Informationen (PII) in Rohform das Netzwerk durchqueren. Drittens vergleicht die Trilaterations-Engine den RSSI eines einzelnen Geräts über drei oder mehr APs, um die ungefähren X/Y-Koordinaten des Geräts zu berechnen. Für einen tieferen Einblick in diesen Mechanismus lesen Sie unseren Leitfaden zu Die Mechanik der WiFi-Wegfindung: Trilateration und RSSI erklärt .
Der entscheidende Unterschied: Abdeckung vs. Kontext
Das häufigste Missverständnis bei Unternehmensbereitstellungen ist, dass ein Netzwerk mit ausreichender Abdeckung automatisch für Presence Analytics bereit ist. Dies ist falsch. Abdeckung erfordert, dass ein Gerät ein nutzbares Signal von einem AP empfängt. Eine genaue Trilateration für Presence Analytics erfordert, dass ein Gerät gleichzeitig für mindestens drei APs mit einer Signalstärke von -75 dBm oder besser hörbar ist. Dieser grundlegende Unterschied führt zu völlig unterschiedlichen Anforderungen an die AP-Dichte und -Platzierung.
| Dimension | WiFi Heatmapping | Presence Analytics |
|---|---|---|
| Primäre Datenquelle | RSSI von AP-Beacons | Probe Requests von Client-Geräten |
| Infrastrukturanforderung | Standard-Abdeckungsdichte | Hohe Dichte (≥3 APs pro Zone) |
| Datenaktualisierungsrate | Nahezu Echtzeit (5–15 Sek. Survey) | Echtzeit (10–30 Sek. Updates) |
| Datenschutzkonformität | Keine PII gesammelt | GDPR/CCPA via MAC-Hashing |
| Primärer Anwendungsfall | Netzwerkplanung & -optimierung | Besucherverhalten & Business Intelligence |
| Wichtige Ausgabemetrik | Signalstärke (dBm), SNR | Verweildauer, Besucherfrequenz, Zonenkonversion |
Implementierungsleitfaden: Strategische Bereitstellung
Der Einsatz dieser Technologien erfordert einen schrittweisen Ansatz, der technische Einschränkungen mit Geschäftszielen in Einklang bringt. Der Versuch, Presence Analytics in einem Netzwerk bereitzustellen, das nicht dafür ausgelegt ist, ist die häufigste Ursache für Projektfehler.Betreff.
Phase 1: Infrastrukturbewertung mittels Heatmapping. Vor der Implementierung von Präsenzanalyse muss das zugrunde liegende Netzwerk validiert werden. Führen Sie eine umfassende passive Heatmapping-Erhebung durch, um die grundlegende HF-Leistung zu ermitteln. Identifizieren Sie Abdeckungslücken, Gleichkanal-Interferenzzonen und Bereiche mit hoher Mehrwegeinterferenz (häufig in Einzelhandelsumgebungen mit Metallregalen). Diese Erhebungsdaten fließen direkt in die Entscheidungen zur AP-Dichte und -Platzierung ein, die für Phase 2 erforderlich sind.
Phase 2: Netzwerk-Redesign für Trilateration. Basierend auf den Heatmapping-Daten, gestalten Sie die AP-Platzierung unter Berücksichtigung der Präsenzanalyse neu. Verschieben Sie APs an den Rand des Veranstaltungsortes statt in die mittleren Korridore – dies dehnt die Trilaterationsberechnung nach außen aus und verbessert die räumliche Genauigkeit erheblich. Stellen Sie sicher, dass jede Zielzone von mindestens drei APs mit -72 dBm oder besser abgedeckt wird. In Umgebungen mit hohen Interferenzen (Lagerhallen, Stadien mit Metallstrukturen) ergänzen Sie die WiFi-Trilateration mit BLE (Bluetooth Low Energy) Beacons, um die räumliche Auflösung auf 1–2 Meter zu verbessern.
Phase 3: Plattformintegration. Integrieren Sie die Analyse-Engine in Ihre bestehende Hardware. Purple's hardwareunabhängige Plattform verbindet sich über Standard-APIs mit großen Anbietern wie Cisco, Aruba, Ruckus und Meraki – und ruft anonymisierte Präsenzdaten ab, ohne proprietäre Overlay-Sensoren oder einen vollständigen Hardware-Austauschzyklus zu erfordern.
Phase 4: Zonenkonfiguration und Kalibrierung. Definieren Sie logische Zonen innerhalb der Analyseplattform, die physischen Geschäftsbereichen zugeordnet sind (z. B. „Kasse“, „Lobby“, „Damenbekleidung“, „Eingangstrichter“). Richten Sie diese Zonen an den physischen AP-Abdeckungsmustern aus, die während der Heatmapping-Phase identifiziert wurden. Führen Sie einen Kalibrierungsrundgang durch, um die Genauigkeit der Zonengrenzen vor der Inbetriebnahme zu überprüfen.
Best Practices für Unternehmensumgebungen
Kontinuierliche Kalibrierung ist unerlässlich. Die HF-Umgebung ist dynamisch. Lagerbestände im Einzelhandel, temporäre Strukturen bei Veranstaltungen und sogar menschliche Körper absorbieren HF-Signale. Planen Sie vierteljährliche passive Heatmapping-Erhebungen, um sicherzustellen, dass die Präsenzanalyse-Engine mit genauen Basisdaten arbeitet. Eine saisonale Umgestaltung der Ladenfläche im Einzelhandel kann monatelange Kalibrierungsdaten über Nacht ungültig machen.
MAC-Randomisierung proaktiv angehen. Moderne Betriebssysteme – iOS 14+, Android 10+ – rotieren MAC-Adressen, um passives Tracking zu verhindern. Fortschrittliche Analyseplattformen müssen heuristische Algorithmen (Analyse von Signalmustern und Probe-Timing) einsetzen, um fragmentierte Sitzungen zusammenzufügen und so genaue Verweildauerberechnungen trotz MAC-Rotation zu gewährleisten. Die robusteste Abhilfemaßnahme ist jedoch die Förderung der Geräteassoziation über ein Captive Portal. Wie in Wie ein wi fi assistant passwortlosen Zugang im Jahr 2026 ermöglicht beschrieben, wandeln moderne Authentifizierungsmethoden anonyme MAC-Adressen beim Login nahtlos in bekannte CRM-Profile um und ermöglichen so eine deterministische statt probabilistische Verfolgung.
Rollenbasierten Datenzugriff implementieren. Präsenzanalyse-Daten können, selbst wenn sie auf Geräteebene anonymisiert sind, sensible operative Muster aufdecken. Implementieren Sie rollenbasierte Zugriffskontrollen (RBAC) gemäß den IEEE 802.1X Authentifizierungsstandards, um sicherzustellen, dass Rohdaten der Analyse nur autorisiertem Personal zugänglich sind, während aggregierte Dashboards für Betriebsteams verfügbar sind.
Zonendefinitionen an Geschäfts-KPIs ausrichten. Die Granularität Ihrer Zonenkonfiguration sollte Ihre Geschäftsfragen direkt widerspiegeln. Wenn Sie den Konversionseffekt einer bestimmten Kopfregalplatzierung messen müssen, definieren Sie eine Zone mit dieser Granularität. Wenn Sie nur den allgemeinen Verkehrsfluss zwischen Abteilungen verstehen müssen, reduzieren gröbere Zonen den Rechenaufwand und vereinfachen die Berichterstattung.
Fehlerbehebung & Risikominderung
Fehlermodus: Ungenaue Standortdaten (Springende Geräte)
Symptom: Geräte scheinen im Analyse-Dashboard zwischen Zonen zu teleportieren, mit physisch unmöglichen Pfaden.
Grundursache: Unzureichende AP-Dichte oder Mehrwegeinterferenz – Signale, die von Metalloberflächen abprallen und Phantom-Signalmesswerte erzeugen, die die Trilaterations-Engine verwirren.
Abhilfemaßnahme: Führen Sie eine Heatmapping-Erhebung erneut durch, die sich auf SNR statt nur auf RSSI konzentriert. Ein Bereich kann eine ausreichende Signalstärke aufweisen, aber aufgrund reflektierter Signale einen schlechten SNR haben. Erwägen Sie den Einsatz von BLE-Beacons in Zonen mit hohen Interferenzen, um WiFi-Standortdaten mit einem zuverlässigeren Kurzstreckensignal zu ergänzen.
Fehlermodus: Künstlich hohe Verweildauern an Eingängen
Symptom: Das Analyse-Dashboard zeigt ungewöhnlich hohe Besucherzahlen und Verweildauern in der Nähe von Veranstaltungsorteingängen, was die gesamten Besucherfrequenzmetriken aufbläht.
Grundursache: APs in der Nähe von Eingängen erfassen Probe-Anfragen von Geräten auf der Straße oder auf Parkplätzen außerhalb der Veranstaltungsortgrenze.
Abhilfemaßnahme: Passen Sie den RSSI-Schwellenwert in der Analyseplattform an. Schließen Sie Daten von Geräten mit einem RSSI schwächer als -80 dBm aus, um externen Verkehr herauszufiltern. Definieren Sie zusätzlich eine dedizierte „Eingangspuffer“-Zone und schließen Sie diese von den Konversionsratenberechnungen aus.
Fehlermodus: Fragmentierte Sitzungen durch MAC-Randomisierung
Symptom: Die Anzahl der eindeutigen Besucher ist deutlich höher als erwartet, und die durchschnittlichen Verweildauern sind verdächtig kurz.
Grundursache: iOS- und Android-MAC-Randomisierung fragmentiert einzelne Besuchersitzungen in mehrere scheinbare Geräte.
Abhilfemaßnahme: Setzen Sie ein Captive Portal ein, um die Geräteassoziation zu fördern. Implementieren Sie den Session-Stitching-Algorithmus der Analyseplattform, der Signalmusterkontinuität und Timing-Heuristiken verwendet, um fragmentierte Sitzungen zu rekonstruieren. Für Einzelhandels -Umgebungen, in denen die Nutzung von Gast-WiFi hoch ist, löst dies typischerweise 70–80 % der Fragmentierung.
ROI & Geschäftsauswirkungen
Der Übergang von der grundlegenden Netzwerkbereitstellung zur Intelligenz erfassung verändert das Wertversprechen der IT-Abteilung innerhalb der Organisation grundlegend.
Einzelhandelsoperationen stellen den klarsten ROI-Fall dar. Durch die Korrelation von Verweildauern in Zonen mit Point-of-Sale-Daten kann die IT direkt aufzeigen, wie die Netzwerkinfrastruktur zur Optimierung des Ladenlayouts und zur Steigerung der Konversionsraten beiträgt. Ein Einzelhändler mit 50 Filialen, der eine 5%ige Verbesserung der Verweildauer an Kopfregalen durch Layoutänderungen erzielt, die auf Präsenzanalyse basieren, kann einen messbaren Umsatzanstieg generieren, der direkt der Netzwerkinvestition zuzuschreiben ist. Für branchenspezifische Implementierungsleitfäden lesen Sie unsere Einzelhandels -Sektor-Fähigkeiten.
Gastgewerbe-Implementierungen liefern einen doppelten ROI. Heatmapping gewährleistet einen nahtlosen 802.11r Fast BSS Transition für Voice-over-WiFi-Anrufe auf dem gesamten Gelände, wodurch Gästebeschwerden direkt reduziert werden. Präsenzanalyse identifiziert gleichzeitig ungenutzte Annehmlichkeiten – ein Spa, ein Restaurant, ein Business Center – und ermöglicht gezieltes In-Venue-Marketing über das Captive Portal. Für umfassendere Strategien zur Gästeerfahrung siehe Wie man die Gästezufriedenheit verbessert: Das ultimative Playbook .
Öffentlicher Sektor und Smart City-Implementierungen nutzen zunehmend Präsenzanalyse für Crowd Management, Optimierung von Verkehrsknotenpunkten und Ressourcenallokation. Wie in unserer Ankündigung zu Purple ernennt Iain Fox zum VP Growth – Public Sector zur Förderung digitaler Inklusion und Smart City Innovation hervorgehoben, sind robuste Analysen grundlegend für Smart City-Initiativen und ermöglichen datengestützte Entscheidungen über Infrastrukturinvestitionen und Servicebereitstellung.
Gesundheitswesen-Umgebungen profitieren von Präsenzanalyse zur Optimierung des Patientenflusses, wodurch Engpässe in Notaufnahmen und Ambulanzen reduziert werden. In Kombination mit den Healthcare -Plattformfunktionen von Purple können anonymisierte Verweildaten direkt Personalmodelle und Triage-Protokolle informieren, ohne patientenbezogene PII zu verarbeiten.
Indem Heatmapping als grundlegende Diagnose und Präsenzanalyse als Business-Intelligence-Schicht betrachtet wird, können IT-Führungskräfte ihre WLAN-Netzwerke von Kostenstellen in strategische Assets verwandeln, die kommerzielle und operative Entscheidungen in der gesamten Organisation direkt beeinflussen.
Schlüsseldefinitionen
RSSI (Received Signal Strength Indicator)
A measurement of the power level of a received radio signal, typically expressed in dBm (decibels relative to one milliwatt). Values range from approximately 0 dBm (strongest) to -100 dBm (weakest), with -65 dBm or better considered excellent for enterprise deployments.
The foundational metric for both heatmapping (determining coverage quality) and presence analytics (calculating distance for trilateration). IT teams encounter RSSI in survey tools, AP management consoles, and analytics platforms.
Trilateration
The process of determining a point's location by measuring its distance from three or more known reference points (access points), using the geometry of overlapping circles. Distinct from triangulation, which uses angles rather than distances.
The core algorithm used by presence analytics engines to calculate a device's X/Y coordinates on a floor plan. Requires a minimum of three APs with reliable RSSI readings to produce an accurate location estimate.
Probe Request
A 802.11 management frame sent by a wireless client device to discover available networks. Probe requests are broadcast on all channels and contain the device's MAC address and, in some cases, the SSIDs of previously connected networks.
The primary data source for passive presence analytics. Devices emit probe requests even when not connected to any network, enabling analytics platforms to track unassociated visitors.
MAC Randomisation
A privacy feature implemented in modern operating systems (iOS 14+, Android 10+) where a device uses a temporary, randomly generated MAC address when scanning for networks, rather than its permanent hardware (OUI) address.
The most significant technical challenge for passive presence analytics. Causes individual visitor sessions to appear as multiple distinct devices, inflating unique visitor counts and deflating dwell times. Mitigated by captive portal authentication.
Multipath Interference
A phenomenon where a radio signal reaches the receiving antenna via two or more propagation paths, typically due to reflection off surfaces. The reflected signals arrive with different phase delays, causing constructive or destructive interference that distorts RSSI readings.
A primary cause of inaccurate location data in presence analytics, particularly in retail environments with metal shelving or warehouses with racking systems. Identified during heatmapping surveys via anomalous SNR readings.
Passive Survey
A heatmapping technique where the survey tool listens to all RF traffic on all channels without connecting to any specific network. Captures data from all APs, including neighbouring networks and rogue devices.
Essential for identifying co-channel interference, rogue APs, and the full RF environment before deploying presence analytics. Provides a more comprehensive view than active surveys, which only capture data from the target network.
Dwell Time
The total duration a tracked device remains within a defined physical zone, calculated from the first probe request or association event to the last detected signal before the device leaves the zone.
A key business metric derived from presence analytics. Used to measure customer engagement in retail (time spent at a display), wait times in healthcare (A&E queue duration), and session attendance in conference environments.
Spatial Resolution
The degree of accuracy to which a presence analytics system can determine a device's physical location, typically expressed as a radius in metres (e.g., accurate to within 3 metres). Determined by AP density, AP placement geometry, and environmental RF characteristics.
Determines the granularity of presence analytics insights. Higher spatial resolution enables zone definitions at the level of individual displays or fixtures, while lower resolution only supports department-level or room-level analysis.
Signal-to-Noise Ratio (SNR)
The ratio of the desired signal power to the background noise power in a given location, expressed in dB. A higher SNR indicates a cleaner signal environment. An SNR of 25 dB or above is generally required for reliable high-throughput WiFi.
A more reliable indicator of WiFi quality than RSSI alone. An area can show strong RSSI but poor SNR due to interference, resulting in degraded throughput and unreliable location data. Always review SNR alongside RSSI in heatmapping surveys.
Ausgearbeitete Beispiele
A 50,000 sq ft retail warehouse is experiencing inaccurate presence analytics data — visitor paths appear erratic and dwell times are heavily skewed. The current network was designed purely for basic staff barcode scanner connectivity with APs placed down the centre aisles.
Conduct a passive heatmapping survey to establish baseline RSSI and SNR across the floor. Pay particular attention to SNR degradation near metal shelving runs, which are the primary source of multipath interference in this environment.
Redesign the AP layout. Move APs from centre-aisle positions to the perimeter walls. This dramatically improves the trilateration geometry by ensuring devices are 'pulled' toward the edges of the calculation, reducing the angular ambiguity that causes phantom location readings.
Increase AP density to ensure every square metre is covered by at least three APs at -72 dBm or better. In a 50,000 sq ft space with high shelving, this typically requires 20–30% more APs than a basic coverage design.
Configure the analytics platform to apply a minimum RSSI threshold of -78 dBm, filtering out weak signals that contribute to erratic location calculations.
Implement a captive portal offering free Guest WiFi to encourage visitors to connect, bypassing OS-level MAC randomisation for associated devices and providing deterministic tracking data.
A large conference centre needs to track attendee flow between a 2,000-seat keynote hall and eight breakout rooms to optimise catering deployment and session capacity planning. They have a legacy multi-vendor WiFi environment with Cisco APs in the main hall and Aruba APs in the breakout rooms.
Deploy a hardware-agnostic analytics platform — Purple's platform, for example — that can ingest standard syslog and RTLS data from both Cisco and Aruba controllers simultaneously via their respective APIs, normalising the data into a unified analytics stream.
Conduct a heatmapping survey specifically focused on the partition walls between breakout rooms. Thin partition walls are highly permeable to WiFi signals, causing significant zone bleed where a device in Room A appears to be in Room B.
Define precise polygon zones within the analytics platform corresponding to each specific hall and breakout room. Set RSSI cut-off thresholds (typically -70 dBm) to prevent bleed across partition walls.
Integrate the resulting zone occupancy API with the catering team's operational dashboard for real-time deployment alerts — triggering a notification when a breakout room reaches 80% capacity, for example.
Correlate zone occupancy data with session schedules to build predictive models for future event planning.
Übungsfragen
Q1. Your retail operations director wants to measure the conversion rate of a new end-cap display in a specific aisle. The IT team confirms there is strong WiFi coverage throughout the store — all devices connect reliably and throughput is excellent. Is the network ready to deliver accurate presence analytics for this specific display?
Hinweis: Consider the difference between 'strong coverage' (one AP providing a usable signal) and the trilateration requirements for accurate zone-level location data.
Musterlösung anzeigen
Not necessarily. Strong coverage and reliable connectivity only prove that devices can associate with the network. To accurately track dwell time at a specific end-cap display, the analytics engine needs to trilaterate the device's position to that specific zone — which requires the device to be simultaneously audible to at least three APs at -75 dBm or better. A store designed for coverage may achieve this with only one or two APs in that aisle. Before confirming readiness, run a heatmapping survey specifically to validate that the end-cap zone meets the three-AP trilateration threshold. If it does not, additional AP deployment or repositioning is required before the presence analytics data will be reliable.
Q2. A hospital A&E department is deploying presence analytics to track patient wait times. After one week of operation, the data shows that average dwell times are 8 minutes — far lower than the known average of 45 minutes — and unique visitor counts are 4x higher than actual patient throughput. What is the most likely cause and how should it be resolved?
Hinweis: Consider what modern smartphone operating systems do to MAC addresses when devices are not connected to a network.
Musterlösung anzeigen
The most likely cause is MAC Randomisation. iOS 14+ and Android 10+ devices rotate their MAC addresses when sending probe requests, causing a single patient's device to appear as multiple distinct devices over the course of their visit. This fragments the 45-minute session into multiple apparent 8-minute sessions, inflating unique visitor counts and deflating dwell times. The recommended resolution is to implement a captive portal for the Healthcare guest WiFi network. Once a patient or visitor authenticates, the analytics platform tracks the persistently associated device MAC address, bypassing OS-level randomisation. For patients who do not connect, enable the platform's session-stitching algorithm, which uses signal pattern continuity and timing heuristics to reconstruct fragmented sessions. This typically resolves 70–80% of fragmentation in environments with high WiFi uptake.
Q3. During a planned network upgrade, your infrastructure vendor proposes replacing 60 omni-directional 802.11ax APs with 40 high-gain directional APs to improve throughput and reduce co-channel interference in a large stadium concourse. The project is approved. What is the mandatory action required to protect your existing presence analytics deployment, and what is the risk if this action is not taken?
Hinweis: Think about the two key factors that determine presence analytics accuracy: the number of APs and the RF propagation patterns they create.
Musterlösung anzeigen
A complete post-deployment heatmapping survey and analytics recalibration is mandatory. The risk of not taking this action is significant: reducing the total AP count from 60 to 40 reduces the number of simultaneous data points available for trilateration, potentially dropping some zones below the three-AP threshold required for accurate location data. Furthermore, replacing omni-directional antennas with directional antennas fundamentally alters the RF propagation patterns across the concourse — the coverage footprints change shape and size, invalidating all previously calibrated zone boundaries in the analytics platform. Without recalibration, the presence analytics engine will produce systematically inaccurate location data, potentially misattributing visitor positions to adjacent zones. The heatmapping survey must be completed before the analytics platform is re-enabled post-upgrade.
Q4. A transport hub operator wants to deploy presence analytics across a multi-terminal airport using a mix of existing Cisco, Aruba, and Ruckus access points across different terminals. The operations team wants a single unified dashboard showing passenger flow across all terminals. What platform architecture decision is most critical to the success of this deployment?
Hinweis: Consider the implications of deploying a single-vendor analytics solution in a multi-vendor hardware environment.
Musterlösung anzeigen
The most critical decision is selecting a hardware-agnostic analytics platform capable of ingesting data from all three vendor controllers simultaneously via their respective APIs (Cisco DNA Spaces, Aruba Central, Ruckus Analytics). Deploying a single-vendor analytics solution — for example, Cisco's native analytics tools — would only provide visibility into Cisco-managed APs, leaving the Aruba and Ruckus terminals as blind spots in the unified dashboard. A hardware-agnostic platform normalises the data from all three vendor streams into a single analytics layer, enabling truly unified passenger flow visibility across all terminals. This also future-proofs the deployment against hardware refresh cycles — if one terminal upgrades to a fourth vendor, the analytics layer can continue to function without disruption. Purple's platform architecture is designed specifically for this multi-vendor deployment pattern.