Presence analytics विरुद्ध engagement analytics

प्रेझेन्स आणि एंगेजमेंट ॲनालिटिक्समधील निवड तुमच्या विशिष्ट ध्येयांवर अवलंबून असते: एकूण फूटफॉल व्हॉल्यूमसाठी प्रेझेन्सचा किंवा मार्केटिंगसाठी एंगेजमेंटचा वापर करा. Purple हे दोन्ही 80,000+ पेक्षा जास्त ठिकाणी Cisco Meraki सारख्या नेटवर्कवर GDPR मानकांचे समर्थन करते, ज्यामुळे इस्टेट्सना ऑपरेशन्स वाढवण्यासाठी लोकेशन डेटा आणि ऑप्ट-इन केलेल्या गेस्ट प्रोफाइल्स एकत्र करण्यास मदत होते.

प्रेझेन्स ॲनालिटिक्स विरुद्ध एंगेजमेंट ॲनालिटिक्स: तुम्ही काय निवडले पाहिजे?

ही निवड तुम्ही कोणत्या प्रश्नाचे उत्तर शोधत आहात यावर अवलंबून असते.

• "किती लोक, कुठे आणि कधी?" हा प्रेझेन्स संबंधित प्रश्न आहे. यामध्ये भेटींचे प्रमाण, गर्दीच्या वेळा, ड्वेल टाइम आणि कोणते साइट्स सर्वोत्तम आणि सर्वात खराब कामगिरी करत आहेत याचा समावेश होतो.
• "ते कोण आहेत, ते परत येतील का आणि आम्ही त्यांच्यापर्यंत पोहोचू शकतो का?" हा एंगेजमेंट संबंधित प्रश्न आहे. यामध्ये ओळखीचे अभ्यागत, पुन्हा भेट देण्याचे वर्तन आणि तुम्ही मार्केटिंग करू शकता अशा ऑप्ट-इन केलेल्या संपर्कांचा समावेश होतो.

प्रेझेन्स ॲनालिटिक्स WiFi सक्षम डिव्हाइस असलेल्या प्रत्येकाला पाहते, परंतु ते कोण आहेत हे सांगू शकत नाही. एंगेजमेंट ॲनालिटिक्स नेमके कोण साइन इन झाले आहे हे सांगते, परंतु केवळ कनेक्ट करणे निवडणाऱ्या अभ्यागतांच्या वाट्यासाठी. दोन्हीपैकी कोणतेही दुसऱ्याच्या त्रुटी दूर करत नाही. म्हणूनच बहुतेक मल्टि-साइट ऑपरेटर्स एकाच नेटवर्कवरून दोन्ही चालवतात.

Purple एकाच WiFi नेटवर्कवरून दोन्ही चालवते. हे Cisco Meraki, HPE Aruba, Ruckus, Juniper Mist, Ubiquiti UniFi, Cambium, Extreme आणि Fortinet वर हार्डवेअर-अज्ञेयवादी क्लाउड ओव्हरले म्हणून चालते. Purple जागतिक स्तरावर 80,000+ पेक्षा जास्त सक्रिय ठिकाणी कार्यरत आहे आणि 2024 मध्ये 440 दशलक्ष लॉगिनची नोंद केली आहे (Purple चा स्वतःचा डेटा).

प्रेझेन्स आणि एंगेजमेंट ॲनालिटिक्स खरोखर कुठे वेगळे ठरतात?

प्रेझेन्स ॲनालिटिक्स कसे काम करते

WiFi सुरू असलेला स्मार्टफोन नियमितपणे प्रोब विनंत्या पाठवतो. या लहान रेडिओ फ्रेम्स असतात ज्या जवळच्या नेटवर्कला स्वतःची ओळख पटवण्यास सांगतात. तुमचे ॲक्सेस पॉइंट्स या फ्रेम्स ऐकतात आणि मिळालेला सिग्नल स्ट्रेंथ इंडिकेटर (RSSI) रेकॉर्ड करतात, जे सिग्नल किती मजबूत आहे याचे मोजमाप आहे. मजबूत, दीर्घकाळ टिकणारे सिग्नल दर्शवतात की डिव्हाइस आवारात आहे. कमकुवत किंवा थोड्या वेळाचे सिग्नल केवळ जवळून जाणाऱ्या व्यक्तीचे संकेत देतात.

Purple चा प्रेझेन्स रिपोर्ट याचे ऑपरेशन्सच्या मोजमापांमध्ये रूपांतर करतो:

• कन्व्हर्जन्स: एकूण अशा भेटी जिथे सिग्नलच्या तीव्रतेने डिव्हाइस आवारात असल्याचे दर्शविले.
• सरासरी ड्वेल: प्रमाणित केलेले अभ्यागत प्रत्येक भेटीदरम्यान किती वेळ कनेक्टेड राहिले.
• दिवस आणि तासानुसार भेटी: संपूर्ण आठवड्यातील भेटींच्या प्रमाणाचा हीटमॅप.
• सर्वात जास्त आणि सर्वात कमी लोकप्रिय ठिकाणे: भेटींनुसार तुमचे टॉप 10 आणि बॉटम 10 साइट्स. शून्य भेटी असलेली ठिकाणे वगळली आहेत.

यांच्या पूर्ण व्याख्या WiFi Analytics: Presence support article मध्ये आहेत.

एंगेजमेंट ॲनालिटिक्स कसे काम करते

एक Captive Portal हे ते वेब पेज असते जे अभ्यागताला इंटरनेट ॲक्सेस मिळण्यापूर्वी दिसते. त्या पेजवर, अभ्यागत ईमेल पत्ता, फॉर्म किंवा सोशल लॉगिनद्वारे साइन इन करतो. जर त्यांना हवे असेल तर ते मार्केटिंगसाठी जाणीवपूर्वक पर्याय देखील निवडतात (ऑप्ट-इन). त्यानंतरची प्रत्येक भेट ही अभ्यागताने थेट दिलेल्या फर्स्ट-पार्टी डेटासह एका ओळखीच्या प्रोफाइलशी जोडली जाते.

ते प्रोफाईल तुम्ही काय मोजू शकता यात बदल करते. तुम्ही नवीन विरुद्ध परत येणारे अभ्यागत मोजू शकता आणि त्यांनी शेअर केलेल्या वैशिष्ट्यांद्वारे वर्गीकरण करू शकता. त्यानंतर तुम्ही तुमच्या CRM द्वारे ऑप्ट-इन केलेल्या ग्रुपपर्यंत पोहोचू शकता. Purple चे Zone Analytics झोन-टू-झोन हालचालींना लिंग किंवा वयानुसार फिल्टर करू शकते. ते फिल्टर साइन-इन डेटावर अवलंबून असते, त्यामुळे ही लोकेशन डेटावर जोडलेली एक एंगेजमेंट क्षमता आहे. रिपोर्टच्या व्याख्यांसाठी Zone Analytics support article पहा.

सविस्तर तुलना

अक्ष	प्रेझेन्स ॲनालिटिक्स	एंगेजमेंट ॲनालिटिक्स
डेटा स्रोत	जवळच्या डिव्हाइसेसकडून प्रोब विनंत्या आणि सिग्नल स्ट्रेंथ	Captive Portal साइन-इन आणि कनेक्ट केलेले सेशन्स
कोणाची गणना केली जाते	रेंजमधील WiFi चालू असलेले प्रत्येक डिव्हाइस	केवळ साइन इन करणारे अभ्यागत
ओळख	डिव्हाइस आयडेंटिफायर, कोणतेही नाव किंवा संपर्क तपशील नाही	अभ्यागताने प्रदान केलेले नाव, ईमेल आणि वैशिष्ट्ये
ठराविक मेट्रिक्स	भेटी, कन्वर्शन्स, गर्दीचे तास, वेन्यू रँकिंग	पुन्हा भेटी, ऑप्ट-इन दर, सेगमेंट वर्तन, मोहीम प्रतिसाद
MAC रँडमायझेशनचा प्रभाव	जास्त: युनिक मोजणी वाढवते आणि रिपीट-व्हिजिट मॅचिंग खंडित करते	कमी: ओळख साइन-इन रेकॉर्डमध्ये असते
नेहमीचा GDPR कायदेशीर आधार	कायदेशीर हितसंबंध, कलम 6(1)(f)	मार्केटिंगसाठी संमती, कलम 6(1)(a)
अभ्यागताची कृती आवश्यक आहे	काहीही नाही	साइन इन करा आणि ऑप्ट इन करायचे की नाही ते निवडा
आवश्यक हार्डवेअर	लोकेशन फीडसह विद्यमान ॲक्सेस पॉइंट्स	विद्यमान ॲक्सेस पॉइंट्स अधिक एक captive portal
यासाठी सर्वात योग्य	ऑपरेशन्स, इस्टेट्स, स्टाफिंग आणि साइट तुलना	मार्केटिंग, लॉयल्टी, CRM आणि पर्सनलायझेशन
मुख्य त्रुटी	कोण व्यक्ती कोण आहे हे सांगू शकत नाही	कधीही कनेक्ट न होणारे अभ्यागत पाहू शकत नाही

MAC रँडमायझेशन प्रेझेन्स डेटा कसा बदलते

प्रत्येक WiFi डिव्हाइसचा एक MAC ॲड्रेस असतो, जो त्याच्या रेडिओ फ्रेम्समध्ये ब्रॉडकास्ट होणारा हार्डवेअर आयडेंटिफायर असतो. सुरुवातीच्या प्रेझेन्स सिस्टीम्स प्रत्येक MAC ॲड्रेसला एक व्यक्ती मानत असत. ते गृहितक आता लागू होत नाही.

Apple डिव्हाइसेसनी iOS 8 पासून असोसिएट नसताना प्रोब विनंत्यांमध्ये रँडम MAC ॲड्रेस वापरले आहेत. iOS 14 आणि Android 10 पासून, फोन कनेक्ट करताना डीफॉल्टनुसार प्रति नेटवर्क रँडम ॲड्रेस देखील वापरतात. प्रेझेन्स डेटावरील व्यावहारिक प्रभाव तिप्पट आहेत:

• युनिक-डिव्हाइस मोजणी वाढते. एक फोन दिवसभरात किंवा आठवड्याभरात अनेक डिव्हाइसेस म्हणून दिसू शकतो.
• रिपीट-व्हिजिट मॅचिंग अपयशी ठरते. पुढील आठवड्यात परत येणारा फोन नवीन ॲड्रेस वापरू शकतो, ज्यामुळे तो पहिल्यांदा भेट देणारा अभ्यागत असल्यासारखा दिसतो.
• तासांचे आणि दैनंदिन प्रमाण वापरण्यायोग्य राहते. एका लहान विंडोमध्ये, मजबूत, शाश्वत सिग्नलची मोजणी ही वेन्यू किती व्यस्त आहे याचे एक विश्वासार्ह सूचक राहते.

यापुढील नियम: प्रमाण, वेळ आणि साइटच्या तुलनेसाठी प्रेझेन्स डेटा वापरा. लॉयल्टी किंवा फ्रिक्वेन्सी विश्लेषणासाठी याचा वापर करू नका. एंगेजमेंट डेटा रँडमायझेशनच्या प्रभावापासून खूप दूर राहतो कारण ओळख अभ्यागताने सबमिट केलेल्या माहितीमध्ये असते, रेडिओ ॲड्रेसमध्ये नाही.

प्रेझेन्स ॲनालिटिक्स कधी योग्य पर्याय ठरते?

जेव्हा तुम्हाला मोजक्या लोकांची सखोल माहिती नको, तर प्रत्येकाचे कव्हरेज हवे असेल तेव्हा प्रेझेन्स ॲनालिटिक्स (presence analytics) निवडा. जेव्हा तुम्हाला खालील गोष्टी करायच्या असतील तेव्हा हा योग्य निर्णय आहे:

• ठिकाणांची निष्पक्ष तुलना करणे. भेटींनुसार ठिकाणांची रँकिंग केल्याने कोणती ठिकाणे निकृष्ट कामगिरी करत आहेत हे समजते. Purple तुमचे टॉप १० आणि बॉटम १० रँक करते.
• कर्मचाऱ्यांचे नियोजन करणे. दिवस आणि तासांचा हीटमॅप दर्शवतो की मागणी कधी जास्त असते, जेणेकरून तुम्ही त्यानुसार कर्मचाऱ्यांचे वेळापत्रक ठरवू शकता.
• ठिकाणामधील रूपांतरण (conversion) मोजणे. प्रत्येक स्टोअरसाठी भेट-ते-विक्री (visit-to-sale) दर मिळवण्यासाठी एकूण व्यवहारांना एकूण भेटींनी भागा.
• जागा समजून घेणे. झोन ॲनालिटिक्स (Zone Analytics) प्रत्येक झोनमधील सरासरी घालवलेला वेळ, प्रत्येक झोनमधील सरासरी दैनंदिन भेटी आणि झोनमधील लोकांचा तासाभराचा हीटमॅप दर्शवते.
• अडथळे टाळणे. कोणालाही साइन इन करण्याची आवश्यकता नसते, त्यामुळे जे अभ्यागत कधीही कनेक्ट होत नाहीत अशा मोठ्या संख्येने असलेल्या अभ्यागतांचा डेटा तुम्हाला दिसतो.

Retail मध्ये, प्रेझेन्स हा सहसा तुम्ही उपयोजित केलेला पहिला स्तर असतो. हे मालमत्ता आणि ऑपरेशन्सच्या अशा प्रश्नांची उत्तरे देते जे मार्केटिंग डेटा देऊ शकत नाही. एका विशिष्ट व्हेंडरच्या लोकेशन फीडच्या सखोल अभ्यासासाठी, HPE Aruba Central presence analytics: setup, exports and limits वाचा.

प्रत्यक्ष उदाहरण: ३० स्टोअर असलेली फॅशन चेन (प्रातिनिधिक आकडेवारी)

स्थिती. ३० स्टोअर्स असलेल्या एका फॅशन रिटेलरला हे जाणून घ्यायचे आहे की शहरातील दोन सारख्याच केंद्रातील स्टोअर्सचा व्यवसाय वेगवेगळा का आहे. दोन्ही स्टोअर्सची जागेची क्षेत्रफळे आणि काउंटरवरील विक्रीची संख्या समान आहे.

काय केले गेले. रिटेलरने एका आठवड्याच्या प्रेझेन्स डेटाची तुलना काउंटरवरील व्यवहारांशी केली. स्टोअर A मध्ये १२,००० कन्व्हर्झन्स आणि २,४०० व्यवहार नोंदवले गेले, जे २०% चा भेट-ते-विक्री दर दर्शवतात. स्टोअर B मध्ये ९,००० कन्व्हर्झन्स आणि २,७०० व्यवहार नोंदवले गेले, जे ३०% चा दर दर्शवतात. दिवस आणि तासांच्या हीटमॅपने दर्शवले की स्टोअर A मध्ये शनिवारी १४:०० ते १६:०० दरम्यान गर्दी सर्वाधिक होती. त्या वेळेत, शॉप फ्लोअरवर केवळ तीनच कर्मचारी उपस्थित होते.

मोजता येणारा परिणाम. या विश्लेषणाने १०-पॉइंटचा कन्व्हर्झन्स फरक समोर आणला. हा फरक अभ्यागतांच्या कमतरतेमुळे नसून, गर्दीच्या वेळी असलेल्या कर्मचाऱ्यांच्या कमतरतेमुळे होता हे स्पष्ट झाले. रिटेलरने त्या वेळेसाठी दोन कर्मचाऱ्यांना फ्लोअरवर हलवले. त्यानंतर त्यांनी चार आठवड्यांनंतर पुनरावलोकन करण्यासाठी भेट-ते-विक्री दर हे परिमाण म्हणून निश्चित केले.

रिटेलरने काय केले नाही याकडे लक्ष द्या. त्यांनी स्टोअर A कडे अधिक निष्ठावान ग्राहक आहेत असा दावा करण्यासाठी प्रेझेन्स डेटाचा वापर केला नाही. MAC रँडमायझेशनमुळे प्रेझेन्स डेटावरून मोजलेली पुनरावृत्ती भेटींची संख्या विश्वसनीय नसते.

एंगेजमेंट ॲनालिटिक्स हा योग्य निर्णय कधी ठरतो?

जेव्हा तुमचे अभ्यागत कोण आहेत हे जाणून घेण्याची आणि त्यानुसार पावले उचलण्याची गरज असते, तेव्हा एंगेजमेंट ॲनालिटिक्स निवडा. जेव्हा तुम्हाला खालील गोष्टी करायच्या असतील तेव्हा हा योग्य निर्णय आहे:

• स्वतःचा ग्राहकवर्ग वाढवणे. प्रत्येक जागरूक पर्यायी निवडीमुळे (opt-in) एक संपर्क जोडला जातो, ज्यांच्यापर्यंत तुम्ही कोणत्याही त्रयस्थ प्लॅटफॉर्मला पैसे न देता पोहोचू शकता.
• निष्ठा मोजणे. वारंवार होणाऱ्या भेटी या ओळखल्या गेलेल्या प्रोफाईलशी जोडलेल्या असतात, त्यामुळे नवीन विरुद्ध परत येणारे असे वर्गीकरण विश्वसनीय असते.
• मोहिमेचा प्रभाव सिद्ध करणे. संपर्क साधलेला अभ्यागत केवळ ईमेल उघडून थांबला नाही तर परत आला की नाही, हे तुम्ही पाहू शकता.
• तुमच्या प्रेक्षकांचे वर्गीकरण करणे. साइन-इन मधील गुणधर्म, जसे की वयोगट, तुम्हाला वेगवेगळ्या वयोगटातील लोक तुमच्या जागेचा कसा वापर करतात याची तुलना करू देतात.
• तुमच्या CRM मध्ये डेटा पाठवणे. Purple हे CRM आणि मार्केटिंग प्लॅटफॉर्मसह इंटिग्रेट होते, ज्यामुळे फर्स्ट-पार्टी डेटा थेट अशा सिस्टममध्ये जातो ज्या तुमच्या टीम आधीपासूनच वापरत आहेत.

In Hotels, engagement analytics हे अतिथी WiFi साइन-इन्सना थेट नातेसंबंधात रूपांतरित करते. हे नातेसंबंध प्रामुख्याने तृतीय-पक्षाद्वारे बुकिंग करणाऱ्या अतिथींसोबत अधिक महत्त्वाचे ठरतात.

कार्यरत परिस्थिती: रेस्टॉरंट आणि बार असलेले २०० खोल्यांचे हॉटेल (उदाहरणादाखल आकडेवारी)

परिस्थिती. २०० खोल्यांचे हॉटेल बहुतांश खोल्या ऑनलाइन ट्रॅव्हल एजंट्सच्या माध्यमातून बुक करते. परिणामी, त्यांच्याकडे मोजक्याच अतिथींची संपर्क माहिती असते. त्यांचे रेस्टॉरंट आणि बार आठवड्याच्या इतर दिवसांच्या रात्रीच्या वेळी अर्धे रिकामे असतात.

काय करण्यात आले. हॉटेलने एक captive portal सेट केले ज्यामध्ये ईमेल पत्ता विचारण्यात आला होता. मार्केटिंग संमती हा एक स्वतंत्र, अन-टिक केलेला पर्याय होता. एका महिन्यात, १,५०० अतिथींनी साइन इन केले आणि ६०० अतिथींनी संमती दर्शवली, म्हणजेच संमतीचा दर ४०% राहिला. Zone Analytics ने दाखवले की लॉबीच्या तुलनेत बार झोनमध्ये अतिथींचा सरासरी मुक्काम अतिशय कमी काळ होता. अतिथी बारमधून जात होते परंतु तिथे थांबत नव्हते. हॉटेलने संमती दिलेल्या अतिथींना आठवड्याच्या मध्यात डिनरची ऑफर पाठवली.

मोजता येणारा परिणाम. हॉटेलने ६०० संपर्क करण्यायोग्य, संमती मिळालेले अतिथी प्रोफाइल्स तयार केले जे त्यांच्याकडे आधी उपलब्ध नव्हते. आता ते दरमहा दोन गोष्टी मोजतात: त्या समूहाकडून ऑफरचा केला गेलेला वापर आणि बार-झोनमधील मुक्कामाच्या वेळेत झालेला बदल. त्यांच्याकडे संमती दराचा एक आधारभूत दर देखील आहे जो पोर्टलद्वारे दिल्या जाणाऱ्या ऑफर्समध्ये बदल करून सुधारला जाऊ शकतो.

तुम्हाला presence आणि engagement analytics दोन्हीची गरज आहे का?

बहुतांश मालमत्तांसाठी, होय. हे दोन्ही मोजमाप भाजक आणि अंश या स्वरूपात एकत्र काम करतात.

• Presence तुम्हाला एकूण संख्या देते. हे दर्शवते की त्या ठिकाणी एकूण किती लोक उपस्थित होते.
• Engagement तुम्हाला ज्ञात हिस्सा दाखवते. हे दर्शवते की त्यांच्यापैकी किती लोकांनी साइन इन केले आणि किती लोकांनी संमती दिली.

एकमेकांना विभाजित केल्यास तुम्हाला प्रत्येक साइटसाठी कनेक्शन दर मिळतो. तुमचे अतिथी WiFi कसे कार्य करत आहे याचे हे एक व्यावहारिक मोजमाप आहे. ज्या स्टोअरमध्ये presence जास्त आहे पण engagement कमी आहे, तिथे अभ्यागत तर आहेत पण त्यांच्याकडे कनेक्ट होण्यासाठी मजबूत कारण नाही. अशा वेळी लोकेशन नाही, तर पोर्टल किंवा मिळणारे प्रोत्साहन सुधारा.

हे दोन्ही स्तर एकमेकांच्या उणिवा देखील दूर करतात.

प्रश्न	केवळ Presence	केवळ Engagement	दोन्ही एकत्र
शनिवार किती व्यग्र होता?	सर्व अभ्यागतांसाठी उत्तर मिळते	फक्त साइन इन केलेल्या अभ्यागतांसाठी उत्तर मिळते	एकूण संख्येसह ज्ञात हिस्सा
अभ्यागत परत येत आहेत का?	MAC randomisation मुळे अविश्वसनीय	साइन-इन केलेल्या अभ्यागतांसाठी उत्तर मिळते	ज्ञात अभ्यागतांचा पुनरावृत्ती दर, एकूण संख्येच्या तुलनेत मोजलेला
कोणता झोन लक्ष वेधून घेतो?	प्रति झोन मुक्काम वेळ, पण विभागनिहाय तपशील नाही	लोकेशन डेटाशिवाय झोनचे दृश्य नाही	वय किंवा लिंगानुसार फिल्टर केलेला झोनमधील मुक्काम वेळ
मोहीम यशस्वी झाली का?	केवळ संख्येतील बदल दर्शवते	संपर्क साधलेल्या अभ्यागतांचा प्रतिसाद दर्शवते	प्रतिसाद आणि सोबतच एकूण भेटींवर झालेला परिणाम

कार्यरत परिस्थिती: शहर-मध्यवर्ती रेल्वे स्टेशन (उदाहरणादाखल आकडेवारी)

परिस्थिती. स्टेशन ऑपरेटरला त्यांच्या कॉन्कोर्सवरील रिटेल भाडेतत्त्वामध्ये सुधारणा करायची आहे. तसेच त्यांना प्रवाशांना विस्कळीत सेवेची माहिती पोहोचवायची आहे.

काय केले गेले. Presence डेटाने तासानुसार कॉन्कोर्सला भेट देणाऱ्यांच्या संख्येचे प्रमाण दर्शवले. या डेटाने हे देखील सिद्ध केले की सकाळी 07:00 ते 09:00 दरम्यानची पीक वेळ ही संध्याकाळच्या पीक वेळेपेक्षा दुप्पट गर्दीची होती. स्टेशन WiFi वर साइन इन करणाऱ्या प्रवाशांच्या Engagement डेटाने ऑपरेटरला सेवा अपडेट्ससाठी ऑप्ट-इन केलेला गट मिळवून दिला.

मोजता येणारा परिणाम. ऑपरेटर संभाव्य भाडेकरूंना अंदाजे आकडेवारी दाखवण्याऐवजी स्वतःच्या नेटवर्कमधील आकड्यांचा वापर करून तासानुसार भेटींची संख्या दाखवू शकला. यासोबतच त्यांना संमती मिळालेली एक संपर्क यादी देखील मिळाली ज्याचे मोजमाप मेसेज ओपन आणि रिकनेक्शन दरांद्वारे केले जाऊ शकते. Purple हे रेल्वे क्षेत्रांमध्ये Trains वर तसेच स्टेशनवर देखील काम करते.

Presence ॲनालिटिक्स GDPR चे पालन करते का?

Presence ॲनालिटिक्स GDPR चे पालन करू शकते, परंतु हे पालन तुम्ही ते कसे तैनात करता यावर अवलंबून असते, तंत्रज्ञानावर नाही. हेच Engagement ॲनालिटिक्सला देखील लागू होते. हे दोन्ही फक्त वेगवेगळ्या कायदेशीर आधारांवर अवलंबून असतात.

डिव्हाइस आयडेंटिफायर्सबद्दल GDPR काय सांगते

GDPR चे कलम 4(1) वैयक्तिक डेटाची व्याख्या अशी करते की ज्यामध्ये "ऑनलाइन आयडेंटिफायर" द्वारे व्यक्तीची ओळख पटवणारी माहिती समाविष्ट असते. रिसायटल 30 मध्ये डिव्हाइसेस, ॲप्लिकेशन्स, टूल्स आणि प्रोटोकॉल्सद्वारे प्रदान केलेल्या आयडेंटिफायर्सचा उल्लेख आहे. एक MAC ॲड्रेस विशिष्ट डिव्हाइस आणि पर्यायाने त्याच्या मालकाची ओळख वेळोवेळी दाखवू शकतो. तुम्ही याच्या उलट सिद्ध करू शकत नाही तोपर्यंत याला वैयक्तिक डेटा म्हणून गृहीत धरा.

UK च्या इन्फॉर्मेशन कमिशनर ऑफिस (ICO) ने WiFi सिग्नल्सचा वापर करून लोकेशन ॲनालिटिक्स करण्याबाबत मार्गदर्शन प्रसिद्ध केले आहे. जिथे MAC ॲड्रेस एखाद्या व्यक्तीची ओळख पटवू शकतात, तिथे ते त्यांना वैयक्तिक डेटा मानतात. ते स्पष्ट साइनबोर्ड, सुरुवातीलाच अनॉनिमायझेशन आणि डेटा कमी कालावधीसाठी साठवून ठेवण्याची शिफारस देखील करतात.

फक्त MAC ॲड्रेस हॅश केल्याने तो डेटा GDPR च्या कक्षेबाहेर जात नाही. रिसायटल 26 नुसार सिडोनिमाइज्ड (pseudonymised) डेटा, जो अतिरिक्त माहितीसह पुन्हा एखाद्या व्यक्तीशी जोडला जाऊ शकतो, तो अजूनही वैयक्तिक डेटाच असतो. केवळ खऱ्या अर्थाने अनामिक (anonymous) असलेला डेटा या नियमाच्या कक्षेबाहेर येतो.

Presence ॲनालिटिक्ससाठी कायदेशीर आधार

भेट देणाऱ्यांनी कोणतीही कृती न करता Presence डेटा गोळा केला जातो, त्यामुळे संमती मिळवणे सहसा व्यवहार्य नसते. बहुतेक ऑपरेटर कलम 6(1)(f) अंतर्गत कायदेशीर हितसंबंधांवर (legitimate interests) अवलंबून असतात. त्या आधारासाठी तीन गोष्टी आवश्यक आहेत:

• एक कायदेशीर हितसंबंध मूल्यांकन (legitimate interests assessment). उद्देश, Presence डेटाची आवश्यकता का आहे आणि भेट देणाऱ्यांच्या अपेक्षांशी तुम्ही त्याचा कसा समतोल साधता याचे दस्तऐवजीकरण करा.
• कलम 14 अंतर्गत पारदर्शकता. तुम्ही काय गोळा करता, का आणि किती काळासाठी गोळा करता हे भेट देणाऱ्यांना सांगा. प्रवेशद्वारांवर साइनबोर्ड आणि लिंक केलेली गोपनीयता नोटीस हा यासाठीचा नेहमीचा मार्ग आहे.
• कलम 21 अंतर्गत आक्षेप घेण्याचा मार्ग. भेट देणारे आक्षेप कसा घेऊ शकतात हे स्पष्ट करा, उदाहरणार्थ WiFi बंद करून.

कलम 35(3)(c) नुसार "मोठ्या प्रमाणावर सार्वजनिकरित्या प्रवेशयोग्य क्षेत्राच्या पद्धतशीर देखरेखीसाठी" डेटा प्रोटेक्शन इम्पॅक्ट असेसमेंट (DPIA) आवश्यक आहे. एखादे शॉपिंग सेंटर, स्टेडियम किंवा स्टेशन जिथे Presence ॲनालिटिक्स चालवले जाते, ते या चाचणीच्या कक्षेत येण्याची दाट शक्यता असते. तुम्ही Presence सुरू करण्यापूर्वी DPIA पूर्ण करा.

Engagement ॲनालिटिक्ससाठी कायदेशीर आधार

Engagement डेटा अशा अभ्यागतांकडून येतो जे प्रत्यक्ष कृती करतात, त्यामुळे मार्केटिंगसाठी संमती उपलब्ध असते आणि ती अपेक्षितही असते. कलम ७ (Article 7) अंतर्गत, संमती मुक्तपणे दिलेली, विशिष्ट, स्पष्ट आणि संभ्रम नसलेली असावी. तसेच ती देणे जेवढे सोपे आहे तेवढेच ती काढून घेणे देखील सोपे असावे. आधीच टिक केलेले बॉक्स यामध्ये ग्राह्य धरले जात नाहीत.

UK मध्ये, Privacy and Electronic Communications Regulations (PECR), Regulation 22, ईमेल मार्केटिंगसाठी स्वतंत्र नियम लागू करते. यासाठी तुम्हाला विशिष्ट संमतीची आवश्यकता असते, म्हणूनच WiFi प्रवेशाच्या अटींपासून मार्केटिंग ऑप्ट - इन (opt - in) वेगळे ठेवा. Purple चे सजग-निवड ऑप्ट - इन्स याच विलगतेवर तयार केले गेले आहेत. Purple हे ISO 27001 प्रमाणित आणि GDPR सुसंगत आहे, तसेच याकडे CCPA, Cyber Essentials आणि B Corp प्रमाणपत्रे देखील आहेत.

दोन्हीसाठी लागू करायची नियंत्रणे

• न्यूनतम करणे. केवळ आपण वापरणार असलेले फील्ड्सच संकलित करा.
• धारणा कालावधी (retention periods) निश्चित करणे. निश्चित वेळापत्रकानुसार कच्चा प्रेझेन्स डेटा डिलीट करा किंवा एकत्रित (aggregate) करा.
• हेतू वेगळे ठेवणे. नवीन कायदेशीर आधाराशिवाय मार्केटिंगसाठी ऑपरेशनल प्रेझेन्स डेटा पुन्हा वापरू नका.
• प्रवेश प्रतिबंधित करणे. कच्चा आयडेंटिफायर्सचा प्रवेश केवळ आवश्यक असलेल्या लोकांपुरता मर्यादित ठेवा.
• तुमची नोटीस प्रकाशित करणे. ती प्रवेशद्वारांवर आणि Captive Portal वर प्रदर्शित करा.

हेच नियम Healthcare ला देखील लागू होतात. तेथील रुग्ण आणि अभ्यागतांच्या गोपनीयतेच्या अपेक्षा बऱ्याचदा जास्त असतात, त्यामुळे तुमचे साईनबोर्ड आणि गोपनीयता नोटीस विशेषतः स्पष्ट ठेवा.

प्रत्येक पर्याय चालवण्यासाठी किती खर्च येतो?

साधारणपणे कोणत्याही लेयरसाठी नवीन ॲक्सेस पॉइंट्सची आवश्यकता नसते. तुमच्याकडे आधीपासून असलेल्या हार्डवेअरवर Purple एक क्लाउड ओव्हरले म्हणून काम करते. खरा खर्च हा कॉन्फिगरेशन, गव्हर्नन्स आणि डेटावर कृती करण्यासाठी लागणाऱ्या कर्मचाऱ्यांच्या वेळेमध्ये असतो.

खर्च मार्ग	प्रेझेन्स ॲनालिटिक्स	एंगेजमेंट ॲनालिटिक्स
ॲक्सेस पॉइंट हार्डवेअर	सपोर्टेड व्हेंडर लिस्ट मधील सध्याचे ॲक्सेस पॉइंट्स	सपोर्टेड व्हेंडर लिस्ट मधील सध्याचे ॲक्सेस पॉइंट्स
अतिरिक्त कॉन्फिगरेशन	कंट्रोलरचे लोकेशन फीड सुरू करा आणि ठिकाणाच्या सीमा निश्चित करा	Captive Portal, साइन - इन फील्ड्स आणि ऑप्ट - इन शब्दांची रचना करा
फ्लोअरप्लॅन काम	तुम्हाला झोन ॲनालिटिक्स हवे असल्यास प्रति साईट झोन तयार करा	केवळ साइन - इन डेटासाठी आवश्यक नाही
कायदेशीर आणि गव्हर्नन्स	कायदेशीर हितसंबंधांचे मूल्यांकन, DPIA, साईनबोर्ड आणि डेटा धारणा वेळापत्रक	संमतीचे शब्द, गोपनीयता नोटीस आणि ईमेलसाठी PECR पुनरावलोकन
सातत्यपूर्ण प्रयत्न	कर्मचाऱ्यांची संख्या आणि विक्रीच्या तुलनेत व्यस्त तास आणि ठिकाणाच्या रँकिंगचे पुनरावलोकन करा	मोहिमा चालवा, CRM फीड व्यवस्थापित करा आणि ऑप्ट - आउट्स हाताळा
डेटा गुणवत्तेची देखभाल	MAC रँडमायझेशन बदलत असताना अपेक्षांचे पुन्हा पुनरावलोकन करा	कनेक्शन दर टिकवून ठेवण्यासाठी साइन - इनमधील अडथळे कमी ठेवा
मुख्य छुपा खर्च	युनिक आणि रिपीट काउंट्सचे अतिरिक्त वाचन (Overreading)	कनेक्ट होण्यासाठी कमी प्रोत्साहन मिळणे, ज्यामुळे ओळखीचा प्रेक्षकवर्ग मर्यादित होतो

टाळता येण्याजोगा सर्वात मोठा खर्च म्हणजे चुकीच्या डेटावर घेतलेला चुकीचा निर्णय. याची दोन सामान्य उदाहरणे म्हणजे प्रेझेन्स डेटावरून घेतलेला लॉयल्टी आकडा आणि केवळ साइन - इन केलेल्या अभ्यागतांवरून तयार केलेला व्यस्त तासांचा चार्ट.

तुमच्या मालमत्तेसाठी कसा निर्णय घ्यावा

या तिमाहीत व्यवसायाला कोणत्या प्रश्नाचे उत्तर हवे आहे यापासून सुरुवात करा. त्यानंतर त्याचे उत्तर देणारी लेयर निवडा.

तुमची परिस्थिती	शिफारस	का
Multi-site retailer comparing store performance	Presence first, engagement second	Venue ranking and conversion need total volume. CRM growth comes next.
Hotel group building direct guest relationships	Engagement first, presence second	Opted-in guest profiles reduce dependence on third-party bookings.
Shopping centre or station selling space to tenants	Presence first	Tenants want hourly visit counts across everyone.
Stadium or event venue with ticketed attendees	Engagement first	Attendees already expect to sign in, and opt-ins feed future sales.
Venue with low WiFi connection rates	Presence first, then improve the portal	You need the total visitor count to measure the connection rate.
Organisation in a sensitive sector, such as healthcare	Presence with a DPIA, engagement only with clear consent	Privacy expectations are higher and need documented governance.

बहुतांश मालमत्तांसाठी एक व्यावहारिक क्रम:

1. तुमच्या ऑपरेशन्स आणि मार्केटिंग प्रमुखांना ज्या तीन प्रश्नांची उत्तरे सर्वात जास्त हवी आहेत ते लिहून काढा.
2. वरील तक्त्यांचा वापर करून प्रत्येक प्रश्नाचा संबंध presence किंवा engagement शी जोडा.
3. कोणत्याही साईटवर presence सुरू करण्यापूर्वी DPIA आणि कायदेशीर हितसंबंधांचे मूल्यांकन पूर्ण करा.
4. बेसलाईन भेट संख्या आणि गर्दीचे तास निश्चित करण्यासाठी संपूर्ण मालमत्तेवर presence तैनात करा.
5. स्वतंत्र, अनटिक केलेल्या मार्केटिंग opt-ins सह captive portal लाँच करा.
6. प्रत्येक साईटसाठी WiFi कनेक्शन दराचा अहवाल द्या आणि कमी कामगिरी करणाऱ्या साईट्सकडे पोर्टलची समस्या म्हणून पाहून ती सुधारा.
7. त्रैमासिक पुनरावलोकन करा आणि MAC रँडमायझेशनमुळे अविश्वसनीय ठरलेले कोणतेही मेट्रिक काढून टाका.

वारंवार विचारले जाणारे प्रश्न

Presence आणि engagement analytics मध्ये काय फरक आहे?

Presence analytics हे अभ्यागताने कनेक्ट न करताही WiFi सिग्नलवरून उपकरणांची मोजणी करते, त्यामुळे ते जवळपासच्या प्रत्येकासाठी एकूण भेटी, थांबलेला वेळ आणि गर्दीचे तास मोजते. Engagement analytics हे captive portal द्वारे साइन इन करणाऱ्या आणि संमती देणाऱ्या अभ्यागतांकडून मिळते, ज्यामुळे ओळख, पुनरावृत्ती भेटी आणि मार्केटिंगची पोहोच जोडली जाते. Presence तुम्हाला सर्व अभ्यागतांमध्ये व्यापकता देते. Engagement तुम्हाला ज्ञात असलेल्या भागावर सखोलता देते. बहुतेक ऑपरेटर ऑपरेशन्ससाठी presence चा आणि मार्केटिंगसाठी engagement चा वापर करतात.

रिटेलसाठी presence की engagement analytics यापैकी कोणते चांगले आहे?

रिटेलसाठी, presence analytics ने सुरुवात करा, नंतर engagement जोडा. Presence तुम्हाला प्रत्येक खरेदीदाराची (कनेक्ट असो वा नसो) भेट संख्या, भेट ते खरेदीचे रूपांतरण आणि ठिकाणाचे मानांकन देते. हे असे निकष आहेत जे कर्मचारी आणि मालमत्तेसंबंधीचे निर्णय घेण्यास मदत करतात. त्यानंतर engagement हे साइन इन करणाऱ्या खरेदीदारांना संमती दिलेल्या संपर्कांमध्ये आणि विश्वसनीय पुनरावृत्ती-भेट डेटामध्ये बदलते. यापैकी कोणत्याही एकाचा वापर केल्यास एकतर ओळखीमध्ये किंवा कव्हरेजमध्ये तफावत राहते.

मला presence आणि engagement analytics दोन्हीची गरज आहे का?

होय, बहुतेक मल्टि-साइट मालमत्तांसाठी. प्रेझेन्स एकूण भेट देणाऱ्यांची संख्या मोजते, तर एंगेजमेंट तुम्हाला ओळखता येणाऱ्या आणि संपर्क साधता येणाऱ्या लोकांचा वाटा मोजते. एकत्रितपणे ते तुम्हाला प्रति साइट कनेक्शन दर देतात, ज्यामुळे तुमचे अतिथी WiFi ऑफर कुठे कमी पडत आहे हे स्पष्ट होते. MAC रँडमायझेशन नंतर प्रेझेन्स विश्वासार्हपणे निष्ठा मोजू शकत नाही, आणि एंगेजमेंट कधीही कनेक्ट न होणाऱ्या भेट देणाऱ्यांना पाहू शकत नाही. दोन्ही चालवल्याने प्रत्येक त्रुटी दूर होते.

प्रेझेन्स ॲनालिटिक्स GDPR चे पालन करते का?

जेव्हा तुम्ही योग्य नियंत्रणांसह ते उपयोगात आणता, तेव्हा प्रेझेन्स ॲनालिटिक्स GDPR सुसंगत असू शकते. कलम ४(१) आणि परिच्छेद ३० अंतर्गत MAC पत्त्यांना वैयक्तिक डेटा म्हणून समजा. बहुतेक ऑपरेटर्स कलम ६(१)(f) अंतर्गत कायदेशीर हितसंबंधांवर अवलंबून असतात, ज्याला दस्तऐवजीकरण केलेल्या मूल्यांकनाचे समर्थन असते. तुम्हाला स्पष्ट चिन्हे, गोपनीयता सूचना आणि कमी धारणा कालावधीची देखील आवश्यकता आहे. मोठ्या सार्वजनिक ठिकाणांना सहसा प्रेझेन्स सुरू करण्यापूर्वी कलम ३५(३)(c) अंतर्गत DPIA आवश्यक असते.

प्रेझेन्स ॲनालिटिक्स चालवण्यासाठी मला नवीन हार्डवेअरची गरज आहे का?

नाही, बहुतेक प्रकरणांमध्ये तुम्ही आधीपासून मालकीचे असलेले ॲक्सेस पॉइंट्स वापरता. Purple हे हार्डवेअर-अज्ञेयवादी आहे आणि Cisco Meraki, HPE Aruba, Ruckus, Juniper Mist, Ubiquiti UniFi, Cambium, Extreme आणि Fortinet वर क्लाउड ओव्हरले म्हणून चालते. प्रेझेन्ससाठी कंट्रोलरचे लोकेशन फीड सक्षम करणे आणि ठिकाणाच्या सीमा कॉन्फिगर करणे आवश्यक आहे. झोन ॲनालिटिक्सला तुम्ही विश्लेषण करू इच्छित असलेल्या प्रत्येक साइटसाठी फ्लोअरप्लॅनवर झोन काढणे देखील आवश्यक आहे.

MAC रँडमायझेशन माझ्या भेटीच्या डेटावर कसा परिणाम करते?

MAC रँडमायझेशन प्रामुख्याने प्रेझेन्स डेटावरील युनिक-डिव्हाइस आणि पुन्हा भेट देणाऱ्यांच्या संख्येचे नुकसान करते. iOS 14 आणि Android 10 पासून, फोन डीफॉल्टनुसार प्रति नेटवर्क यादृच्छिक MAC पत्ता वापरतात आणि बरेच जण प्रोब विनंत्या देखील यादृच्छिक करतात. एक फोन अनेक डिव्हाइसेस म्हणून दिसू शकतो आणि परत येणारे भेट देणारे नवीन दिसू शकतात. तासावार आणि दैनंदिन भेटींचे प्रमाण वापरण्यायोग्य राहते. निष्ठा आणि वारंवारतेसाठी एंगेजमेंट डेटा वापरा, जो साइन-इनशी जोडलेला असतो.

मी ईमेल मार्केटिंगसाठी WiFi साइन-इन डेटा वापरू शकतो का?

होय, परंतु केवळ स्वतंत्र, विशिष्ट विपणन संमतीने. WiFi प्रवेशासाठी साइन इन करणे म्हणजे विपणन प्राप्त करण्याची संमती नाही. GDPR कलम ७ अंतर्गत, संमती स्वेच्छेने आणि स्पष्टपणे दिली पाहिजे आणि UK PECR नियम २२ ला ईमेल मार्केटिंगसाठी विशिष्ट संमती आवश्यक आहे. अनटिक केलेल्या ऑप्ट-इनचा वापर करा जो प्रवेशाच्या अटींपेक्षा वेगळा असेल. Purple चे कॉन्शस-चॉइस ऑप्ट-इन्स या मॉडेलचे पालन करतात, त्यामुळे तुमच्या सूचीमध्ये केवळ अशाच भेट देणाऱ्यांचा समावेश होतो ज्यांनी सामील होणे निवडले आहे.