In breve / Punti chiave
- Le WiFi analytics funzionano in due modalità: presenza (anonima, basata sui sensori) ed engagement (identificata, basata sul portale captive). La maggior parte delle location ha bisogno di entrambe, perché ciascuna risponde a una domanda diversa.
- La randomizzazione MAC ha cambiato la disciplina. Le piattaforme che si sono adattate usano la correzione statistica e l'identificazione con consenso per mantenere un'accuratezza di ±3-7% rispetto ai dati reali rilevati dalle telecamere. Quelle che hanno ignorato il cambiamento hanno perso accuratezza.
- Le metriche principali sono affluenza, tempo di permanenza, tasso di ritorno, passaggi tra zone, rapporto tra nuovi visitatori e visitatori di ritorno e tasso di acquisizione. La lettura onesta è il dato corretto con l'intervallo di confidenza, non il conteggio grezzo delle probe.
- Analytics conformi al GDPR sono possibili con MAC sottoposto a hash e rotazione per la presenza, consenso esplicito sul portale per l'engagement, una DPIA e una segnaletica chiara nella location. L'ICO britannico e la CNIL francese hanno entrambi espresso indicazioni favorevoli su questo modello.
- Le applicazioni di settore più efficaci sono retail, centri commerciali, aeroporti, stadi, musei e uffici aziendali. Tutte usano lo stesso modello di dati con un diverso livello di lettura.
La maggior parte delle location dispone già di una rete di sensori pagata: gli access point installati per il WiFi per ospiti. Lo stesso hardware, gli stessi eventi RF e gli stessi log di associazione, usati in modo diverso, restituiscono un quadro affidabile di chi è entrato, quanto è rimasto, dove è andato e se è tornato.
Questo sono le WiFi analytics. Non sostituiscono alla perfezione un contapersone all'ingresso o una telecamera con computer vision sulla cassa. Sono un sostituto molto più economico che copre l'intera location invece di un unico punto di passaggio e che fa emergere dati su movimenti e permanenza che le telecamere non possono produrre.
Questa guida è il riferimento operativo per i team di location e marketing che stanno valutando o già usano le WiFi analytics. Tratta le due modalità (presenza ed engagement), le metriche che contano, cosa ha compromesso la randomizzazione MAC e come la disciplina si è adattata, il confronto con le altre tecnologie di conteggio delle persone, l'impostazione richiesta dal UK GDPR e le applicazioni di settore che funzionano.
Le due modalità: presenza ed engagement
Quasi tutte le discussioni confuse sulle WiFi analytics nascono dal mescolare queste due modalità. Usano dati diversi, rispondono a domande diverse e si basano su basi giuridiche diverse.
Analytics di presenza
Anonime, basate sui sensori, ricavate dalle probe request e dai log di associazione. Contano i dispositivi univoci in una zona in un intervallo di tempo. Il MAC sottoposto a hash e rotazione è il controllo tecnico a tutela della privacy.
Rispondono a: quante persone sono entrate, quanto sono rimaste, come si sono spostate tra le zone e se il volume complessivo è in aumento o in calo.
Base giuridica: legittimo interesse con DPIA, segnaletica, opt-out.
Analytics di engagement
Identificate, basate sul portale captive, ricavate dagli accessi e dalle sessioni in corso. Collegano le visite a un record di contatto. La base per segmentazione, percorsi e marketing del ciclo di vita.
Rispondono a: chi è entrato, con quale frequenza torna, in quale fascia oraria, in quali sedi di un brand multi-sede e il comportamento delle coorti su cui il marketing può agire.
Base giuridica: consenso esplicito al momento dell'accesso al portale.
La maggior parte delle location ha bisogno di entrambe. La presenza fornisce i numeri principali su affluenza e permanenza, confrontabili a parità di perimetro tra le sedi. L'engagement fornisce la coorte identificata su cui il marketing può davvero costruire percorsi. Le due si incontrano nel portale captive: un visitatore che effettua l'accesso passa, per quella visita, dal dataset di presenza al dataset di engagement.
La randomizzazione MAC e perché ha cambiato la disciplina
Per gran parte degli anni 2010, le WiFi analytics si sono basate su un presupposto silenziosamente falso: che l'indirizzo MAC di un dispositivo restasse invariato tra una visita e l'altra. iOS 14 (2020) lo ha smentito per gli iPhone. Android 10 lo ha smentito per Android. Windows 11 e macOS Sonoma hanno esteso il cambiamento ai laptop. Nel 2026 la grande maggioranza dei dispositivi consumer presenta un MAC randomizzato e a rotazione nelle probe request prima dell'associazione.
Il conteggio ingenuo, che considerava ogni MAC univoco come un dispositivo univoco, ha cominciato a sovrastimare. I tassi di ritorno sono crollati, la quota di nuovi visitatori è schizzata in alto e le curve di retention delle coorti hanno smesso di avere senso.
La disciplina si è adattata in due modi. Primo, la correzione statistica: modelli probabilistici che tengono conto del tasso di randomizzazione atteso e della frequenza di rotazione per ogni classe di dispositivo, calibrati sui dati reali rilevati dalle telecamere in siti noti. Secondo, l'identificazione tramite il portale captive: i visitatori che effettuano l'accesso presentano un'identità stabile che resiste completamente alla randomizzazione.
Nel 2026 l'accuratezza combinata di un flusso di presenza corretto e di un livello di engagement con opt-in è paragonabile a quella delle analytics sull'affluenza del 2018, con una tutela della privacy più solida. I fornitori che hanno lavorato sulla correzione hanno mantenuto l'accuratezza; quelli che non l'hanno fatto l'hanno persa. Vale la pena verificarlo esplicitamente in fase di valutazione.
Vuole vedere come la rotazione dei MAC influisce sulle sue metriche? Usi il nostro MAC Randomization Simulator gratuito (dalla nostra libreria gratuita di strumenti WiFi) per modellare il conteggio grezzo dei dispositivi, il numero reale di visitatori e i conteggi riconciliati.
La cronologia della randomizzazione
- 2014: iOS 8 introduce le probe randomizzate (di fatto disattivate per impostazione predefinita).
- 2020: iOS 14 randomizza per SSID per impostazione predefinita.
- 2020: Android 10+ randomizza per SSID per impostazione predefinita.
- 2022: Windows 11 estende la randomizzazione a tutte le probe WLAN.
- 2023: macOS Sonoma allinea il comportamento dei laptop a quello di iOS.
- 2026: la randomizzazione è il presupposto dominante; il MAC statico è il caso limite.
Le sei metriche che vale la pena riportare
Le piattaforme di WiFi analytics possono produrre un centinaio di metriche derivate. Sei di queste concentrano quasi tutto il peso decisionale.
Affluenza
Visitatori univoci che entrano in una zona definita in un intervallo di tempo. Il KPI principale per retailer e gestori di location.
Tempo di permanenza
Mediana, p25/p75 e p95 del tempo trascorso nella zona per visita. Distingue chi curiosa da chi acquista.
Tasso di ritorno
Quota di visitatori di un periodo che hanno visitato la location anche nei N giorni precedenti. Indicatore di fedeltà.
Passaggi tra zone
Flussi origine-destinazione tra zone definite. La base per l'analisi dei percorsi e i test sul layout.
Nuovi e di ritorno
Ripartizione tra acquisizione e fidelizzazione. Utile per l'attribuzione del marketing e per riportare in modo onesto l'aumento dell'affluenza.
Tasso di acquisizione
Quota della presenza rilevata che si traduce in un accesso al portale captive. Il ponte tra presenza ed engagement.
WiFi, telecamere e sensori sulle porte a confronto
Le WiFi analytics non sono l'unica tecnologia per contare le persone. Per la maggior parte delle location la soluzione giusta ne combina due: un contatore ad alta precisione all'ingresso principale e il WiFi su tutta la location per permanenza e percorsi.
| Metodo | Accuratezza | Copertura | Costo | Privacy | Percorsi |
|---|---|---|---|---|---|
| Presenza WiFi | ±3-7% | Intera location | Usa gli AP esistenti | MAC con hash, opt-out, segnaletica | Nativi |
| Visione artificiale | ±1-3% all'ingresso | Solo campo visivo | Per telecamera + calcolo | Massima criticità nell'UE | Limitati |
| Sensore sulla porta (IR / 3D) | ±2-4% | Solo ingresso | Per porta | Bassa criticità | Nessuno |
Applicazioni di settore
Il modello di dati è lo stesso in tutti i settori; cambia il livello di lettura. Sei settori fanno la maggior parte del lavoro.
Conformità: UK GDPR, CNIL, CCPA, ISO 27001
Le WiFi analytics rispettose della privacy sono un problema risolto. Il modello descritto di seguito è quello approvato esplicitamente dalla CNIL e costantemente consentito dall'ICO britannico. Pizza Express, AGS Airports e la University of Sheffield usano tutti le analytics per location di Purple.
UK GDPR
Analytics di presenza: legittimo interesse con DPIA. Analytics di engagement: consenso esplicito sul portale. Il MAC sottoposto a hash e rotazione è il controllo tecnico riconosciuto per la presenza.
Riferimento ›Indicazioni della CNIL
L'autorità di controllo francese ha pubblicato indicazioni specifiche sulle WiFi analytics. Il modello che soddisfa la CNIL è quello seguito dal resto dell'UE.
Riferimento ›CCPA / CPRA
La California richiede un'informativa sulla privacy e un meccanismo di opt-out. Le WiFi analytics che aggregano e anonimizzano i dati rientrano nel quadro già previsto dall'informativa sulla privacy.
Riferimento ›ISO 27001
Si applicano l'Allegato A.5.34 (privacy e protezione delle PII) e A.5.12 (classificazione delle informazioni). La piattaforma dovrebbe fornire un modello di DPIA e un'esportazione del piano di conservazione.
Riferimento ›I quattro requisiti operativi: una DPIA completata, MAC sottoposto a hash e rotazione per il flusso di presenza, consenso esplicito sul portale captive per il flusso di engagement e una segnaletica visibile nella location che spieghi cosa viene misurato e come esercitare l'opt-out. Purple fornisce modelli e materiali di segnaletica per ciascuno. La conformità fa parte del prodotto, non è un ripensamento.
Come valutare una piattaforma di WiFi analytics
Una checklist in otto punti per i team acquisti, operations e dati.
Nel 2026 una piattaforma che non corregge i MAC randomizzati non sta misurando l'affluenza. Chieda la metodologia e la validazione rispetto ai dati reali rilevati dalle telecamere.
Servono sia la modalità anonima su tutta la location sia quella identificata e con consenso. Le piattaforme che ne offrono solo una non bastano.
Le zone dovrebbero essere definite nella dashboard, non tirando nuovi cavi. Aree di copertura, negozi principali, reparti.
Chi gestisce più sedi ha bisogno di KPI normalizzati tra sedi con dimensioni e profili di traffico diversi. I numeri grezzi non funzionano.
Batch orari verso S3 / BigQuery / Snowflake. Connettori nativi per Looker / Tableau. I dati dovrebbero arrivare dove gli analisti lavorano già.
La piattaforma dovrebbe fornire la documentazione sulla privacy e la segnaletica necessaria per la location. Costruirle da zero rallenta l'installazione di settimane.
Cisco Meraki, HPE Aruba, Ruckus, Juniper Mist, Ubiquiti UniFi, Cambium, Extreme, Fortinet. Il livello di analytics dovrebbe sopravvivere al rinnovo degli AP.
Conservazione configurabile per classe di dati. Dati identificativi con la scadenza più breve giustificabile. Dati aggregati per il tempo richiesto dalla reportistica.
Domande frequenti
Cosa sono le WiFi analytics?
+
Le WiFi analytics consistono nell'usare la rete wireless già presente in una location come sensore per affluenza, tempo di permanenza e movimenti dei clienti. Le modalità sono due: analytics di presenza (anonime, basate sui sensori, influenzate dalla randomizzazione MAC) e analytics di engagement (identificate, basate sul portale captive, con opt-in). La maggior parte degli operatori le usa entrambe, perché ciascuna risponde a una domanda diversa.
Quanto è accurato il conteggio dell'affluenza tramite WiFi?
+
Le WiFi analytics moderne con correzione statistica della randomizzazione MAC raggiungono un'accuratezza di ±3-7% rispetto ai dati reali rilevati dalle telecamere negli ambienti retail. È sufficiente per confronti a parità di perimetro, monitoraggio dell'andamento e benchmarking; non lo è per la riconciliazione con i dati di cassa. Il numero da riportare è il dato corretto con l'intervallo di confidenza, non il conteggio grezzo delle probe.
La randomizzazione MAC ha reso inutili le WiFi analytics?
+
Le ha cambiate. iOS 14+, Android 10+, Windows 11 e macOS Sonoma randomizzano l'indirizzo MAC presentato nelle probe request prima dell'associazione. Il conteggio ingenuo, che considerava ogni MAC univoco come un dispositivo univoco, oggi è sbagliato. Le piattaforme moderne mantengono l'accuratezza con modelli di correzione statistica e con l'identificazione tramite portale captive con opt-in per le analytics di engagement. Le piattaforme che hanno ignorato il cambiamento hanno perso accuratezza; quelle che si sono adattate no.
Qual è la differenza tra analytics di presenza e analytics di engagement?
+
Le analytics di presenza contano i dispositivi fisicamente presenti ma non autenticati; misurano in forma anonima affluenza e permanenza e sono difendibili ai sensi del GDPR sulla base del legittimo interesse, con una DPIA. Le analytics di engagement misurano il comportamento dei visitatori che hanno effettuato l'accesso al portale captive e hanno dato il consenso; collegano le visite all'identità, supportano la segmentazione e si basano sul consenso esplicito. La maggior parte delle location ha bisogno di entrambe.
Le WiFi analytics sono conformi al GDPR?
+
Sì, se progettate correttamente. Per le analytics di presenza, applicare l'hash al MAC lato client con rotazione, documentare una valutazione del legittimo interesse, completare una DPIA ed esporre una segnaletica visibile. Per le analytics di engagement, basarsi sul consenso esplicito raccolto dal portale captive. L'ICO britannico e la CNIL francese hanno entrambi espresso indicazioni favorevoli sulle WiFi analytics quando queste condizioni sono rispettate. Un playbook completo sulla conformità è collegato da questo pilastro.
Per contare le persone è meglio il WiFi o una telecamera?
+
Servono a cose diverse. Le telecamere con computer vision sono più precise nel conteggio su un singolo ingresso (oltre il 95% rispetto ai dati reali), ma costano di più, vedono solo il proprio campo visivo e sollevano maggiori preoccupazioni per la privacy. Il WiFi copre l'intera location a costi contenuti, supporta in modo nativo l'analisi della permanenza e degli spostamenti tra zone e identifica statisticamente i visitatori di ritorno. La maggior parte dei grandi retailer e gestori di location usa entrambi: telecamere all'ingresso per la precisione, WiFi all'interno per la copertura.
Che tempi di permanenza ci si può aspettare?
+
Permanenza mediana nel dataset di Purple: 9-14 minuti nel QSR, 35-55 minuti nella ristorazione casual, 18-32 minuti nel retail di abbigliamento, 55-95 minuti nei centri commerciali, 75-130 minuti nelle aree airside degli aeroporti. Utili come benchmark; la misura più utile resta l'andamento mensile della propria permanenza rispetto agli stessi punti vendita.
Le WiFi analytics possono tracciare i percorsi dei clienti?
+
All'interno di una location, sì. Passaggi tra zone, tempo trascorso in ciascuna zona, percorsi più comuni e punti di abbandono sono tutti misurabili. Tra più location dello stesso brand dipende dal fatto che il visitatore si sia autenticato (engagement) o meno (presenza); i percorsi tra sedi basati solo sulla presenza sono un segnale molto debole, una volta considerata la randomizzazione MAC.
Le WiFi analytics funzionano per l'occupazione degli uffici?
+
Sì. La stessa infrastruttura che autentica i dispositivi del personale riporta l'utilizzo per piano, per giorno della settimana e per fascia oraria. L'integrazione con i sistemi di prenotazione degli spazi di lavoro (Robin, Envoy, Microsoft Places) è uno schema comune. L'occupazione degli uffici è uno dei casi d'uso più affidabili, perché la popolazione è in gran parte autenticata e il numero di dispositivi è più stabile rispetto all'affluenza nel retail.
Come si integra con lo stack BI esistente?
+
Accesso diretto via API, esportazione batch oraria verso S3 / BigQuery / Snowflake, connettori nativi per Looker e Tableau e streaming di eventi tramite webhook. Il modello di dati è documentato e stabile. La maggior parte dei grandi operatori porta i dati WiFi nello stesso data warehouse dei dati POS e loyalty, poi costruisce i report con lo strumento che preferisce.






