Como Calcular o Tempo de Permanência Usando Análise de Localização WiFi

Este guia oferece uma referência técnica abrangente para calcular o tempo de permanência WiFi usando análise de localização WiFi, cobrindo a arquitetura completa, desde a captura de solicitações de sondagem 802.11, passando pela trilateração baseada em RSSI, até a análise de zonas geocercadas. Ele é projetado para gerentes de TI, arquitetos de rede e diretores de operações de locais que precisam implantar inteligência de localização precisa e escalável em ambientes de varejo, hotelaria, saúde e setor público. Os leitores obterão orientação de implementação acionável, estudos de caso reais e uma estrutura clara para traduzir dados espaciais brutos em resultados de negócios mensuráveis.

📖 9 min de leitura📝 2,134 palavras🔧 2 exemplos práticos❓ 3 questões práticas📚 10 definições principais

Ouça este guia

Ver transcrição do podcast

Welcome to the Purple Technical Briefing. I'm your host, and today we are diving deep into the mechanics of spatial intelligence. Specifically, we're looking at how to calculate dwell time using WiFi location analytics.

If you're an IT director, a network architect, or managing operations for a large venue — be it a retail chain, a hospital, or a stadium — you know that understanding how people move through your space is critical. Dwell time is the foundational metric here. It's not just about knowing someone entered the building; it's about knowing they spent twelve minutes in the promotional aisle, or forty-five minutes in the triage waiting room.

But getting accurate dwell time isn't as simple as just turning on a feature in your wireless controller. It requires a solid understanding of RF dynamics, network architecture, and data processing. So, let's get into the technical details.

Fundamentally, calculating dwell time involves three steps: identifying a device, estimating its position, and tracking that position over time.

Step one is device detection. Mobile devices are constantly sending out 802.11 probe requests to find networks. Your Access Points act as sensors, picking up these probes. The AP records the device's MAC address, a timestamp, and the Received Signal Strength Indicator — or RSSI.

Now, a quick note on identification. Historically, the MAC address was a static identifier. But today, iOS and Android use MAC randomization for privacy when probing. If a device isn't connected to your network, its MAC address changes. This means passive tracking can inflate visitor counts and skew dwell times, because one device looks like multiple devices over time. To get deterministic, highly accurate data, you need the user to authenticate to your Guest WiFi. Once authenticated, you have a persistent identifier.

Moving to step two: spatial estimation. How do we know where the device is? We use RSSI and trilateration. If one AP hears a device at minus sixty-five dBm, we can estimate it's roughly ten metres away. But it could be anywhere on a ten-metre circle around that AP.

To get a location, we need at least three APs to hear that same probe request. This is what I call the Rule of Three. The analytics engine takes the RSSI from all three APs, calculates the estimated distances, and finds where those circles intersect. Advanced systems use weighted centroids and Kalman filters to smooth out the inevitable RF noise and multipath fading you get in complex environments — think metal shelving in a warehouse, or dense crowds in a stadium concourse.

Finally, step three: the temporal calculation. Once we have a stream of location coordinates, we map them against geofenced zones you've defined in the platform.

Dwell time is calculated by logging an Entry Event when the device enters the zone, and an Exit Event when it leaves. Crucially, you must configure a Dwell Threshold. If someone walks through the apparel section in ten seconds, they are a passerby, not a dweller. Setting a threshold of, say, thirty seconds filters out the noise and gives you clean engagement data.

Now let's talk implementation. How do you actually deploy this successfully?

First, assess your infrastructure. A network designed for basic coverage will not support accurate location analytics. You need density. You need APs positioned on the perimeter of your zones, not just down the middle of the hallway. As a rule of thumb, a device should be heard by at least three APs at any given location, with an RSSI of minus seventy-five dBm or better. If your current deployment doesn't meet that standard, you'll need to densify — particularly in the zones that matter most to your business.

Second, define your zones carefully. Don't make them too small. If a zone is smaller than the accuracy tolerance of your network, devices will appear to bounce in and out, corrupting your dwell metrics. In a retail environment, a good starting point is zones of at least twenty to thirty square metres.

Third, think about your data pipeline. Your wireless controller needs to forward location data to the analytics platform. This typically happens via API or secure syslog. Ensure this integration is configured correctly and that data flows in near real-time — anything over a thirty-second lag will degrade the quality of your live operational dashboards.

Fourth, and this is often overlooked: calibrate regularly. The RF environment in a venue changes. New displays go up, seasonal stock changes the layout, crowds absorb signal differently than empty aisles. A site survey conducted at deployment will not remain accurate six months later. Build a calibration cadence into your operational schedule.

Now, let's move to a rapid-fire Q&A based on common deployment issues I see in the field.

Question one: Our location data is jumping all over the place in our warehouse. What's going on?

Warehouses are RF nightmares. Metal racking causes severe signal reflection — what we call multipath fading. The signal bounces off the metal and arrives at the AP via multiple paths, distorting the RSSI reading. You likely need to densify your APs, consider directional antennas focused down specific aisles, and ensure your analytics platform has its smoothing algorithms tuned for high-interference environments.

Question two: Our dwell times seem way too short, and our visitor counts are much higher than expected.

You are almost certainly relying on passive data, and MAC randomization is breaking the sessions. Each time a device changes its MAC address, the platform sees it as a brand new visitor who only stays for a short time. The fix is to drive Guest WiFi authentication. When users log in, you get a persistent identifier that survives MAC randomization. Incentivise authentication — a simple splash page with a one-click social login is often enough.

Question three: We've defined a zone around our checkout, but it keeps capturing people who are just walking past.

This is a Dwell Threshold configuration issue. Increase your minimum dwell threshold for that zone. If your checkout queue typically takes two minutes, set the threshold to sixty or ninety seconds. Anyone who passes through in less time simply won't be counted as a checkout dweller.

To summarise everything we've covered today: dwell time calculation transforms your physical space into a measurable, optimisable environment. It requires a dense AP deployment, a solid understanding of trilateration and RSSI, and smart configuration of geofences and dwell thresholds.

The data you get back is genuinely powerful. It tells you which zones are performing, where bottlenecks are forming, and where your layout or staffing needs to change. When correlated with sales or operational data, it becomes one of the most actionable metrics in your entire analytics stack.

For the next steps, I'd recommend starting with a focused pilot. Pick two or three high-value zones in your venue, ensure your AP density is sufficient, configure your zones and thresholds carefully, and run the pilot for four to six weeks before drawing conclusions. That gives you enough data to establish a baseline and identify meaningful trends.

Thank you for joining this technical briefing from Purple. For more detailed implementation guides and to explore how Purple's hardware-agnostic analytics platform can work with your existing infrastructure, head to purple dot ai.

Principais conclusões

✓Wifi dwell time measures how long a device remains in a defined physical zone, and is the foundational metric for spatial engagement analytics in retail, hospitality, healthcare, and transport environments.
✓Accurate dwell time calculation requires three or more Access Points to detect a device simultaneously at -75 dBm or better — the Rule of Three — enabling trilateration to determine the device's position.
✓MAC randomization on modern smartphones is the primary challenge for passive analytics; driving Guest WiFi authentication provides deterministic identification that overcomes this limitation.
✓Geofence zone size, dwell thresholds, and timeout periods must be carefully configured per zone; incorrect settings are the most common cause of misleading dwell data.
✓Passive analytics provides reliable trend data at scale; authenticated analytics provides individual-level precision suitable for conversion attribution and personalised engagement.
✓Dwell time data delivers ROI through three channels: evidence-based merchandising decisions, dynamic operational staffing, and contextually relevant customer engagement.
✓Regular RF calibration is essential — the physical environment of a venue changes continuously, and a deployment calibrated at launch will degrade in accuracy without an ongoing maintenance cadence.

Resumo Executivo

Para locais corporativos — desde grandes lojas de varejo até estádios extensos — entender o comportamento do visitante não é mais um luxo de marketing; é um requisito operacional crítico. O tempo de permanência WiFi, a duração em que um dispositivo permanece dentro de uma zona física definida, serve como a métrica fundamental para medir o engajamento espacial. No entanto, calcular com precisão o tempo de permanência usando a infraestrutura sem fio existente exige navegar por ambientes de RF complexos, randomização de MAC e frequências de sondagem de dispositivos variáveis.

Este guia fornece a profissionais de TI sêniores, arquitetos de rede e diretores de operações uma referência técnica definitiva sobre como calcular o tempo de permanência usando análise de localização WiFi. Exploramos a mecânica da detecção de dispositivos, o papel do Indicador de Força do Sinal Recebido (RSSI) e da trilateração, e como plataformas como a Purple traduzem solicitações de sondagem brutas em inteligência de negócios acionável. Ao aproveitar sua infraestrutura de Guest WiFi existente, as organizações podem implantar análises escaláveis sem redes de hardware de sobreposição caras. O caso de ROI é convincente: locais que implementam análise de localização relatam consistentemente melhorias mensuráveis nas taxas de conversão, eficiência operacional e satisfação do cliente.

Análise Técnica Aprofundada: A Mecânica do Tempo de Permanência

Calcular o tempo de permanência é fundamentalmente um problema de resolução espacial e temporal. Requer identificar um dispositivo, estimar sua posição e rastrear essa posição continuamente ao longo do tempo. Cada uma dessas três etapas introduz seus próprios desafios técnicos, e uma solução robusta deve abordar todos eles.

1. Detecção e Identificação de Dispositivos

O processo começa com a detecção passiva de solicitações de sondagem 802.11. Dispositivos móveis transmitem continuamente esses quadros de gerenciamento para descobrir redes sem fio disponíveis. Pontos de Acesso (APs) atuando como sensores capturam esses quadros, que contêm o endereço MAC do dispositivo, um carimbo de data/hora e a força do sinal no AP receptor (RSSI).

Historicamente, o endereço MAC fornecia um identificador persistente de nível de hardware. No entanto, sistemas operacionais móveis modernos — iOS 14+, Android 10+ e Windows 10+ — implementam a randomização de MAC para aumentar a privacidade do usuário. Quando um dispositivo não está associado a uma rede, ele usa um endereço MAC temporário e randomizado que gira periodicamente. Isso desafia diretamente o cálculo passivo do tempo de permanência, pois um único dispositivo físico pode aparecer como múltiplos visitantes únicos ao longo de uma sessão.

Para manter a continuidade da sessão para um cálculo preciso do tempo de permanência, as plataformas de análise devem empregar uma de duas estratégias. A primeira é a impressão digital heurística, que envolve a análise dos Elementos de Informação (IEs) dentro do quadro de solicitação de sondagem — como taxas de dados suportadas, listas de canais e campos específicos do fornecedor — para vincular probabilisticamente solicitações de sondagem do mesmo dispositivo, mesmo quando o endereço MAC muda. A segunda abordagem, e muito mais confiável, é depender de sessões autenticadas. Quando um usuário se conecta explicitamente à rede Guest WiFi , a plataforma recebe o verdadeiro endereço MAC de hardware do dispositivo e pode vinculá-lo a um perfil de usuário persistente. Essa identificação determinística é o padrão ouro para métricas de permanência precisas e de longo prazo.

2. Estimativa Espacial: RSSI e Trilateração

Uma vez que um dispositivo é detectado, o sistema deve determinar sua localização física. A abordagem mais amplamente implantada utiliza a trilateração baseada em RSSI, uma técnica explicada em profundidade no guia A Mecânica da Orientação WiFi: Trilateração e RSSI Explicados .

O princípio é direto: o RSSI decai previsivelmente com a distância de acordo com o modelo de Perda de Caminho em Espaço Livre (FSPL). Ao medir a força do sinal em múltiplos APs, o sistema pode estimar a distância do dispositivo para cada AP. Quando três ou mais APs detectam a mesma solicitação de sondagem, o motor de análise pode calcular a posição do dispositivo encontrando a interseção de círculos (ou esferas em um ambiente 3D de múltiplos andares) cujos raios correspondem às distâncias estimadas de cada AP.

Na prática, os ambientes de RF estão longe do modelo idealizado de espaço livre. O desvanecimento por múltiplos caminhos, causado por reflexões de sinal em paredes, prateleiras de metal e corpos humanos, introduz uma variância significativa no RSSI. Para mitigar isso, os motores de análise de nível de produção aplicam várias técnicas:

Technique	Purpose	Typical Gain
Algoritmo de Centróide Ponderado	Atribui maior peso aos APs com leituras de RSSI mais fortes	Reduz o erro de posição em 15–30%
Filtragem de Kalman	Suaviza as estimativas de localização ao longo do tempo para remover ruído transitório	Reduz a instabilidade no rastreamento em tempo real
Mapeamento de Impressão Digital	Pré-mapeia assinaturas RSSI em locais conhecidos para calibração	Melhora a precisão em ambientes de RF complexos
Média de Múltiplos APs	Média do RSSI em múltiplos intervalos de amostragem	Reduz o impacto de interferência momentânea

Para uma trilateração confiável, aplica-se a Regra dos Três: um dispositivo deve ser detectado por pelo menos três APs simultaneamente com uma força de sinal de -75 dBm ou melhor. Redes projetadas puramente para cobertura — onde um único AP fornece um sinal em uma grande área — não suportarão accuanalítica de localização. Esta é uma distinção arquitetônica crítica que deve ser abordada antes da implantação.

3. Cálculo Temporal: Definindo e Computando o Tempo de Permanência

Com um fluxo de coordenadas de localização, o motor de analítica mapeia as posições dos dispositivos em relação às zonas geocercadas definidas na plataforma. Uma geocerca é um polígono virtual desenhado sobre uma planta baixa, representando uma área física significativa, como uma fila de checkout, um display promocional ou um lobby de hotel.

O tempo de permanência não é simplesmente o delta entre o primeiro e o último timestamp observado. Um cálculo robusto deve considerar os ciclos de sono do dispositivo, saídas breves da zona e o ruído inerente nas estimativas de localização. A lógica de cálculo padrão define três parâmetros-chave:

Evento de Entrada: A posição estimada do dispositivo entra em uma zona geocercada definida e permanece nela por um período mínimo — o Limite de Permanência — para filtrar transeuntes. Um limite comum para ambientes de varejo é de 30 segundos; para áreas de espera de saúde, 60 segundos podem ser mais apropriados.

Evento de Saída: A posição do dispositivo se move para fora do limite da zona, ou o dispositivo não é detectado por nenhum AP por um Período de Tempo Limite definido (geralmente 3 a 5 minutos). O tempo limite lida com dispositivos que entram no modo de suspensão ou são colocados em uma bolsa, evitando a terminação prematura da sessão.

Duração da Permanência: O delta entre o timestamp do Evento de Entrada e o timestamp do Evento de Saída, menos qualquer buffer de tempo limite. Esta é a métrica relatada ao painel de WiFi Analytics .

Guia de Implementação

A implantação de uma solução robusta de analítica de localização WiFi requer planejamento cuidadoso e alinhamento entre a arquitetura de rede e os objetivos de negócios. As etapas a seguir representam uma estrutura de implantação neutra em relação ao fornecedor, aplicável a qualquer ambiente WLAN corporativo.

Etapa 1: Avaliação e Densificação da Infraestrutura

Realize um levantamento de site de RF completo para avaliar sua implantação WLAN existente em relação aos requisitos de serviço de localização. A questão-chave é se o posicionamento atual dos seus APs suporta a Regra dos Três em todas as zonas-alvo. Use uma ferramenta como Ekahau ou iBwave para modelar a cobertura dos APs e identificar lacunas. Se sua rede foi projetada apenas para throughput e cobertura, você quase certamente precisará densificar a implantação, principalmente em zonas de alto valor. Orce APs e cabeamento adicionais como parte do escopo do projeto.

Etapa 2: Definição de Zonas e Geocercamento

Mapeie seu espaço físico em zonas lógicas dentro da plataforma de analítica. Importe suas plantas baixas e defina áreas geocercadas que se alinhem com suas questões de negócios. Em um ambiente de Varejo , as zonas típicas incluem a entrada, categorias de produtos específicas, áreas promocionais e o checkout. Em um ambiente de Hotelaria , as zonas relevantes podem incluir o lobby, restaurante, bar, salas de conferência e área da piscina. Garanta que as zonas sejam dimensionadas apropriadamente — um mínimo de 20 a 30 metros quadrados é um limite inferior prático para analítica de localização baseada em WiFi.

Etapa 3: Integração do Controlador e Pipeline de Dados

Integre seu controlador sem fio (Cisco, Aruba, Meraki, Ruckus ou equivalente) com a plataforma de analítica. Isso geralmente envolve a configuração do controlador para encaminhar fluxos de dados RTLS (Real-Time Location System) ou atualizações de API de localização para o motor de analítica. Garanta que o pipeline de dados esteja configurado para entrega quase em tempo real — latência acima de 30 segundos degradará a qualidade dos painéis operacionais ao vivo. Toda a transmissão de dados deve ser criptografada em trânsito (TLS 1.2 mínimo) e estar em conformidade com a GDPR e quaisquer regulamentações de proteção de dados aplicáveis.

Etapa 4: Configuração de Limites e Estabelecimento de Linha de Base

Configure os Limites de Permanência e Períodos de Tempo Limite para cada zona com base no comportamento esperado nessa área. Execute o sistema por um mínimo de quatro a seis semanas antes de tirar conclusões, para estabelecer uma linha de base estatisticamente robusta. Esta linha de base é essencial para identificar desvios significativos — uma queda repentina no tempo de permanência em um display promocional, por exemplo, pode indicar um problema de merchandising ou uma lacuna na equipe.

Melhores Práticas

As seguintes recomendações refletem abordagens padrão da indústria para implantar analítica de localização WiFi em escala.

Calibre o Ambiente de RF Regularmente. O ambiente físico de um local muda continuamente — novos displays, estoque sazonal, densidade de público, tudo isso altera a propagação de RF. Um levantamento de site realizado na implantação não permanecerá preciso seis meses depois. Inclua uma cadência de calibração trimestral em sua programação operacional e recalibre imediatamente após qualquer mudança física significativa no espaço.

Segmente Analítica Passiva e Autenticada. Eduque as partes interessadas sobre a distinção entre analítica passiva (dispositivos não autenticados, sujeitos à randomização de MAC) e analítica autenticada (usuários que fizeram login no Guest WiFi). Dados passivos fornecem dados de tendência confiáveis em escala; dados autenticados fornecem rastreamento determinístico em nível individual. Use dados passivos para análise de fluxo de pessoas em nível macro e popularidade de zonas, e dados autenticados para atribuição de conversão e engajamento personalizado.

Correlacione com Dados Operacionais. O tempo de permanência isoladamente é uma métrica, não um insight. O valor é desbloqueado quando os dados espaciais são correlacionados com dados de Ponto de Venda (PoS), escalas de pessoal ou registros de entrega de serviços. Um alto tempo de permanência em uma fila de checkout, por exemplo, só é acionável quando correlacionado com volumes de transação e níveis de pessoal. Essa correlação é a base do caso de ROI para o investimento em analítica de localização.

Alinhe com os Requisitos de Privacidade e Conformidade. Garanta que sua implantação esteja em conformidade com a GDPR (em o Reino Unido e a UE), e quaisquer regulamentações específicas do setor relevantes para sua indústria. Em ambientes de Saúde , dados de localização de pacientes podem estar sujeitos a requisitos adicionais de proteção de dados. Implemente princípios de minimização de dados — colete apenas o que é necessário, anonimize sempre que possível e defina políticas claras de retenção de dados.

Resolução de Problemas e Mitigação de Riscos

A tabela a seguir resume os modos de falha mais comuns em implantações de tempo de permanência de WiFi e as etapas de remediação recomendadas.

Modo de Falha	Causa Provável	Remediação
Contagens de visitantes inflacionadas, tempos de permanência curtos	Randomização de MAC em dispositivos não autenticados	Incentivar a autenticação de Guest WiFi; usar fingerprinting heurístico para dados passivos
Dados de localização erráticos (dispositivos pulando entre zonas)	Densidade de AP insuficiente ou desvanecimento por múltiplos caminhos	Aumentar a densidade de APs; ajustar algoritmos de suavização; recalibrar modelo de RF
Zonas capturando transeuntes	Limite de Permanência (Dwell Threshold) muito baixo	Aumentar o limite mínimo de permanência para a zona afetada
Zona de checkout capturando tráfego de entrada	Definições de zona sobrepostas ou superdimensionadas	Apertar os limites da geocerca; garantir que as zonas não se sobreponham
Dados do painel desatualizados ou atrasados	Latência do pipeline de dados ou limitação de taxa da API	Revisar a integração do controlador; aumentar a frequência de sondagem da API
Baixa precisão em ambientes de vários andares	Trilateração 2D aplicada a espaço 3D	Implementar discriminação por nível de andar usando dados de elevação de AP

ROI e Impacto nos Negócios

A implementação de análises de localização WiFi transforma espaços físicos em ambientes mensuráveis e otimizáveis. O caso de negócios opera em três dimensões: geração de receita, eficiência operacional e experiência do cliente.

No lado da receita, dados de tempo de permanência permitem decisões de merchandising baseadas em evidências. Saber que uma exibição de ponta de gôndola específica gera um tempo de permanência médio de 9,2 minutos — versus 1,6 minutos na entrada — permite que os gerentes de categoria priorizem produtos de alta margem em zonas de alto engajamento. Para operadores de Transporte , entender os padrões de permanência em concessões de varejo informa diretamente as negociações de locação e acordos de participação na receita.

No lado operacional, análises de permanência em tempo real permitem uma equipe dinâmica. Um sistema de gerenciamento de filas que aciona um alerta para a equipe quando o tempo de permanência no checkout excede um limite definido pode reduzir os tempos de espera sem o custo de excesso de pessoal permanente. Isso contribui diretamente para a melhoria da satisfação do cliente — um tópico explorado em profundidade em Como Melhorar a Satisfação do Cliente: O Guia Definitivo .

No lado da experiência, a inteligência de localização permite um engajamento contextualmente relevante. Quando integrados à plataforma WiFi Analytics da Purple, os dados de permanência podem acionar notificações personalizadas — uma oferta de desconto entregue a um cliente que passou mais de cinco minutos na seção de calçados, por exemplo. Essa capacidade é cada vez mais relevante à medida que os locais exploram modelos de acesso sem senha que reduzem o atrito de autenticação enquanto mantêm a qualidade dos dados.

Para organizações do setor público e iniciativas de cidades inteligentes, as análises de permanência fornecem a base de evidências para decisões de investimento em infraestrutura — compreendendo como os cidadãos usam espaços públicos, centros de transporte e edifícios cívicos. A crescente capacidade da Purple no setor público, conforme destacado na nomeação de Iain Fox como VP de Crescimento para o Setor Público , reflete a crescente demanda por esse tipo de inteligência espacial em ambientes governamentais e municipais.

O custo total de propriedade para uma implantação de análise de localização WiFi é tipicamente baixo em relação ao valor operacional gerado, particularmente onde a camada de análise é implantada sobre uma infraestrutura WLAN existente. O custo marginal é principalmente a licença da plataforma de análise e o tempo de engenharia necessário para integração e calibração — não um investimento em hardware greenfield.

Definições principais

Wifi Dwell Time

The measured duration a WiFi-enabled device remains within a defined physical zone, calculated from the delta between an entry event and an exit event as detected by the wireless infrastructure.

The primary metric for spatial engagement analytics. Used by retail operators, venue managers, and healthcare administrators to understand how people use physical spaces.

Received Signal Strength Indicator (RSSI)

A measurement of the power level of a received radio signal, expressed in decibels relative to one milliwatt (dBm). Values typically range from 0 dBm (maximum signal) to -100 dBm (minimum detectable signal).

The raw input for distance estimation in WiFi location analytics. RSSI of -75 dBm or better at three or more APs is the minimum requirement for reliable trilateration.

Trilateration

A mathematical technique for determining the position of a point by measuring its distance from three or more known reference points. In WiFi analytics, the reference points are Access Points and the distances are estimated from RSSI readings.

The core positioning algorithm used by WiFi location analytics platforms. Distinct from triangulation, which uses angles rather than distances.

MAC Randomization

A privacy feature implemented in modern mobile operating systems (iOS 14+, Android 10+) where a device uses a temporary, randomized MAC address when probing for networks, rather than its permanent hardware address.

The primary technical challenge for passive WiFi analytics. Causes a single physical device to appear as multiple unique visitors, inflating footfall counts and fragmenting dwell time sessions. Mitigated by encouraging Guest WiFi authentication.

Geofencing

The creation of a virtual geographic boundary — defined as a polygon on a floor plan — that triggers analytical events (entry, exit, dwell) when a tracked device crosses the boundary.

Used within the analytics dashboard to define specific areas for localized dwell time measurement. Zone size and placement are critical configuration decisions that directly impact data quality.

Dwell Threshold

The minimum duration a device must remain within a geofenced zone before the analytics platform registers an entry event and begins counting dwell time.

Essential for data quality. A threshold that is too low will count passersby as dwellers; a threshold that is too high will miss genuine short-duration engagements. Must be tuned per zone based on expected behaviour.

Multipath Fading

A phenomenon where a radio signal reaches a receiving antenna via two or more paths — direct line-of-sight and one or more reflected paths — causing constructive or destructive interference that distorts the received signal strength.

The primary source of RSSI inaccuracy in complex indoor environments such as warehouses, retail stores, and hospitals. Mitigated through AP densification, smoothing algorithms, and RF fingerprinting.

Probe Request

An 802.11 management frame broadcast by a client device to discover available wireless networks. Contains the device's MAC address (which may be randomized), supported data rates, and other capability information.

The fundamental data packet captured by APs to detect the presence of devices in a venue. The raw input for all passive WiFi location analytics.

Deterministic Identification

The ability to identify a specific device or user with certainty, typically achieved through an authentication event where the device's true hardware MAC address is revealed to the network.

Achieved when a user authenticates to the Guest WiFi network. Enables accurate long-term dwell tracking that is immune to MAC randomization, and allows spatial data to be tied to a known user profile for conversion attribution.

Free-Space Path Loss (FSPL)

The attenuation of radio signal strength that occurs as the signal propagates through free space, increasing with distance and frequency according to a logarithmic model.

The theoretical basis for RSSI-to-distance conversion in trilateration. Real-world environments deviate significantly from the FSPL model due to obstacles and reflections, which is why calibration and smoothing algorithms are essential.

Exemplos práticos

A national retail chain with 150 stores wants to measure the effectiveness of a new end-cap promotional display. The marketing team needs to know how long shoppers are stopping at the display, and whether high dwell time correlates with increased sales of the promoted SKU.

Step 1 — Zone Creation: Define a tight geofence (approximately 4m x 3m) around the end-cap display within the Purple analytics dashboard, distinct from the broader aisle zone. Step 2 — Threshold Configuration: Set a minimum dwell threshold of 20 seconds to filter out customers simply walking past the aisle end. Step 3 — Baseline Period: Run the analytics for two weeks before the promotion launches to establish a baseline dwell time for that zone. Step 4 — Promotion Period Measurement: Activate the promotion and monitor dwell time daily. Export the dwell time data via the analytics API. Step 5 — Correlation: Join the dwell time dataset with PoS transaction data for the promoted SKU, segmented by time of day and day of week. Calculate the Pearson correlation coefficient between average zone dwell time and hourly SKU sales volume. Step 6 — Reporting: Present the correlation data to the category management team with a recommendation to replicate the display format in high-footfall stores.

Comentário do examinador: The critical design decision here is the tight geofence around the specific display, rather than the broader aisle. This isolates the behaviour of interest. The 20-second threshold is appropriate for a retail browsing context — short enough to capture genuine engagement, long enough to exclude transit. The correlation with PoS data is what transforms the dwell metric into a business insight. Note that if the store relies entirely on passive analytics, MAC randomization may undercount repeat visitors; correlating with loyalty card data or encouraging Guest WiFi authentication would improve the precision of the individual-level analysis.

A large NHS trust needs to monitor patient wait times in the Emergency Department triage area to ensure compliance with the four-hour SLA target. The IT team has an existing Cisco Meraki deployment but no current analytics capability.

Step 1 — Infrastructure Audit: Conduct an RF site survey of the triage waiting area. Verify that a minimum of three Meraki APs hear devices in all seating areas at -70 dBm or better. The ED environment typically has high RF interference from medical equipment; densify if necessary. Step 2 — Meraki Location API Integration: Enable the Meraki Scanning API on the relevant APs and configure it to POST location data to the Purple analytics platform endpoint at 30-second intervals. Step 3 — Zone Definition: Define the triage waiting area as a distinct zone within Purple. Set the dwell threshold to 60 seconds and the timeout to 10 minutes (to account for patients who may be briefly taken to a side room). Step 4 — Real-Time Alerting: Configure a webhook alert to notify the duty charge nurse via the hospital's operational messaging system (e.g., Microsoft Teams or Vocera) if the average dwell time in the triage zone exceeds 45 minutes. Step 5 — Reporting: Generate weekly dwell time reports segmented by time of day and day of week to identify peak pressure periods for staffing optimisation.

Comentário do examinador: In healthcare, dwell time directly impacts patient outcomes and regulatory compliance. The critical step is the infrastructure audit — location accuracy must be sufficient to distinguish the waiting area from adjacent clinical corridors, which may be separated by only a few metres. The 10-minute timeout is deliberately generous to account for the non-linear movement patterns of patients in an ED. Real-time alerting is what transforms retrospective analytics into a proactive operational tool. Data governance is paramount in this context: ensure all location data is processed in compliance with NHS data protection policies and UK GDPR, and that patient data is anonymised at the point of collection.

Questões práticas

Q1. You are deploying location analytics in a large warehouse with high metal racking throughout. Initial tests show device locations jumping erratically between aisles, and average dwell times are inconsistent. What is the most likely root cause and what remediation steps would you recommend?

Dica: Consider how the physical structure of the environment affects RF signal propagation, and what this means for the reliability of RSSI-based distance estimation.

Ver resposta modelo

The erratic location data is caused by severe multipath fading. Metal racking reflects and scatters RF signals, meaning the RSSI values received by APs are heavily distorted by reflected paths rather than representing true line-of-sight distances. This makes the trilateration engine's distance estimates unreliable. Recommended remediation: (1) Densify the AP deployment, positioning APs at the end of each aisle to maximise line-of-sight coverage down the aisle length. (2) Consider directional antennas focused down specific aisles to reduce cross-aisle interference. (3) Implement RF fingerprinting — pre-map RSSI signatures at known grid points throughout the warehouse to create a calibrated location model that accounts for the specific RF characteristics of the environment. (4) Tune the analytics platform's Kalman filter smoothing parameters to reduce the impact of transient RSSI spikes on the location estimate.

Q2. A retail operations director reports that the analytics platform is showing total daily visitor counts that are three times higher than the manual door counter, and average dwell times of under two minutes across all zones. The deployment relies entirely on passive probe request monitoring. What is the architectural issue and how would you resolve it?

Dica: Think about what happens to a device's identifier over the course of a one-hour shopping visit on a modern smartphone.

Ver resposta modelo

The issue is MAC randomization. Modern smartphones rotate their randomized MAC address periodically — in some cases every few minutes. Because the platform is relying entirely on passive probe requests, each new MAC address is interpreted as a new, unique visitor. A single shopper who spends an hour in the store may generate ten or more unique MAC addresses, each appearing as a separate visitor with a short dwell time. The resolution is twofold: (1) Implement a Guest WiFi authentication flow to drive users onto the network, providing a persistent hardware MAC address and a known user identity. Even a 30–40% authentication rate will significantly improve data quality. (2) For the remaining passive data, implement heuristic fingerprinting to probabilistically link probe requests from the same device based on Information Element patterns, reducing (though not eliminating) the inflation caused by MAC rotation. Communicate clearly to stakeholders that passive visitor counts are trend indicators, not absolute figures.

Q3. You have deployed location analytics in a shopping centre and defined a zone around a specific food court seating area. The data shows that the zone has an unusually high average dwell time of 45 minutes, but the food court operator reports that most customers are only seated for 15–20 minutes. What configuration issue might explain this discrepancy?

Dica: Consider how the analytics platform handles devices that stop sending probe requests while remaining physically present in the zone.

Ver resposta modelo

The most likely cause is an incorrectly configured Timeout Period. When a customer finishes eating and puts their phone in their pocket or bag, the device may enter a low-power state and stop broadcasting probe requests. If the Timeout Period is set too long — for example, 30 minutes — the platform will continue the dwell session for 30 minutes after the last detected probe, even if the customer has already left. This artificially inflates the reported dwell time. The fix is to reduce the Timeout Period to a value that reflects the typical gap between probe broadcasts in the environment — usually 3–5 minutes is appropriate for a busy public venue. Additionally, review whether the geofence boundary for the food court zone is inadvertently capturing adjacent areas (e.g., a corridor or queue) where customers may linger after leaving the seating area.