要点速览
- WiFi 分析有两种模式：到场分析（匿名，基于传感器）和互动分析（可识别身份，基于强制门户）。大多数场所两者都需要，各自回答不同的问题。
- MAC 随机化改变了这一领域。适应了这一变化的平台通过统计校正和经同意的身份识别，与摄像头基准真值相比仍保持 ±3-7% 的准确度；忽视这一变化的平台则已失去准确度。
- 核心指标包括客流量、停留时长、回访率、区域流转、新老访客比例和采集率。如实的解读应以带置信区间的校正值为准，而不是原始探测计数。
- 通过以下方式可以实现符合 GDPR 的分析：到场分析采用哈希化并轮换的 MAC，互动分析在门户上获取明确同意，完成 DPIA，并在场所设置清晰的告示。英国信息专员办公室（ICO）和欧盟的 CNIL 都对这一模式发布了积极的指导意见。
- 应用效果最好的行业是零售、购物中心、机场、体育场馆、博物馆和企业办公室。它们使用同一数据模型，只是上层的解读框架不同。
大多数场所都坐拥一个早已付费购买的传感器网络：为访客 WiFi 安装的接入点。同样的硬件、同样的射频事件、同样的关联日志，换一种用法，就能可靠地说明谁走了进来、停留了多久、去了哪里、是否再次光临。
这就是 WiFi 分析。它不能完美替代门口的闸机计数器或收银台上的计算机视觉摄像头，但它成本低得多，覆盖的是整个场所而非单个关口，还能呈现摄像头无法提供的移动和停留数据。
本指南是为正在考虑或已在运行 WiFi 分析的场所和营销团队编写的操作参考。内容涵盖两种模式（到场与互动）、关键指标、MAC 随机化带来了哪些破坏以及这一领域如何适应、与其他人数统计技术的比较、UK GDPR 的合规要求，以及行之有效的行业应用。
两种模式：到场与互动
几乎所有关于 WiFi 分析的混乱讨论，都源于把这两种模式混为一谈。它们使用不同的数据，回答不同的问题，依据的法律基础也不同。
到场分析
匿名、基于传感器，数据来自探测请求和关联日志。统计某个时间窗口内某一区域中的唯一设备数。以哈希化并轮换的 MAC 作为技术性隐私控制措施。
回答的问题：有多少人进来、停留了多久、如何在各区域之间移动，以及总体客流是增是减。
合法依据：正当利益，并配合 DPIA、告示和退出机制。
互动分析
可识别身份、基于强制门户，数据来自登录和持续会话。将到访与联系人记录关联起来，是细分、旅程和生命周期营销的基础。
回答的问题：谁进来了、多久来一次、在一天中的什么时段、去了多站点品牌的哪些门店，以及可供营销采取行动的群组行为。
合法依据：在门户登录时获取的明确同意。
大多数场所两者都需要。到场分析提供核心的客流和停留数据，可在各站点之间进行同口径比较；互动分析提供可识别的群组，营销团队可以真正针对他们设计旅程。两者在强制门户处汇合：访客一旦登录，其本次到访就从到场数据集转入互动数据集。
MAC 随机化及其为何改变了这一领域
在 2010 年代的大部分时间里，WiFi 分析都建立在一个悄然失效的假设之上：设备的 MAC 地址在多次到访之间保持不变。iOS 14（2020 年）打破了 iPhone 上的这一假设，Android 10 打破了 Android 上的这一假设，Windows 11 和 macOS Sonoma 又将这一变化扩展到笔记本电脑。到 2026 年，绝大多数消费设备在关联前发送探测请求时都会使用随机化、不断轮换的 MAC。
把每个唯一 MAC 视为一台唯一设备的简单计数方式开始出现重复计数。回访率骤降，新访客占比飙升，群组留存曲线变得毫无意义。
这一领域通过两种方式加以适应。第一是统计校正：按设备类别考虑预期随机化率和轮换频率的概率模型，并在已知站点以摄像头基准真值进行校准。第二是通过强制门户进行识别：登录的访客会呈现一个稳定的身份，完全不受随机化影响。
2026 年，经校正的到场数据流加上经同意的互动数据层，其综合准确度与 2018 年的客流分析水平相当，而且隐私保护更有保障。做了校正工作的厂商保持了准确度，没有做的厂商则失去了准确度。在评估时值得专门核实这一点。
想了解 MAC 轮换如何影响您的指标？使用我们免费的 MAC 随机化模拟器（来自免费的 WiFi 工具库），模拟原始设备计数、基准真值访客计数以及校正后的计数。
随机化时间线
- 2014 年： iOS 8 引入随机化探测（实际上默认关闭）。
- 2020 年： iOS 14 默认按 SSID 随机化。
- 2020 年： Android 10 及以上版本默认按 SSID 随机化。
- 2022 年： Windows 11 将随机化扩展到所有 WLAN 探测。
- 2023 年： macOS Sonoma 在笔记本电脑上采用与 iOS 相同的行为。
- 2026 年： 随机化成为默认前提，静态 MAC 反倒成了特例。
值得汇报的六项指标
WiFi 分析平台可以产出上百项衍生指标，但几乎所有决策分量都集中在其中六项上。
客流量
某个时间窗口内进入指定区域的唯一访客数。是零售和场所运营方的核心 KPI。
停留时长
每次到访在区域内停留时长的中位数、p25/p75 和 p95。用于区分随便逛逛的人和购买者。
回访率
某个时间窗口内的访客中，在之前 N 天内也曾到访的比例。是忠诚度信号。
区域流转
指定区域之间的起点 - 终点流向。是动线分析和布局测试的基础。
新访客与回头客
获客与留存的比例。有助于营销归因，也有助于如实汇报客流增长。
采集率
检测到的到场设备中转化为强制门户登录的比例。是连接到场与互动的桥梁。
WiFi、摄像头与门禁传感器对比
WiFi 分析并不是唯一的人数统计技术。对大多数场所而言，正确答案是两者结合使用：在正门设置高准确度的关口计数器，在整个场所使用 WiFi 获取停留和动线数据。
| 方式 | 准确度 | 覆盖范围 | 成本 | 隐私 | 动线 |
|---|---|---|---|---|---|
| WiFi 到场分析 | ±3-7% | 整个场所 | 利用现有 AP | 哈希 MAC、可退出、告示 | 原生支持 |
| 计算机视觉 | 门口 ±1-3% | 仅限视野范围 | 按摄像头 + 算力 | 在欧盟最受关注 | 有限 |
| 门禁传感器（红外 / 3D） | ±2-4% | 仅限门口 | 按门计费 | 低 | 无 |
行业应用
各行业的数据模型相同，变化的是上层的解读框架。六个行业承担了大部分应用。
合规：UK GDPR、CNIL、CCPA、ISO 27001
尊重隐私的 WiFi 分析是一个已经解决的问题。下面的模式已获得 CNIL 的明确认可，也一直为英国信息专员办公室（ICO）所允许。Pizza Express、AGS Airports 和 University of Sheffield 都在 Purple 上运行场所分析。
四项运营要求：完成 DPIA；到场数据流采用哈希化并轮换的 MAC；互动数据流在强制门户上获取明确同意；在场所设置醒目的告示，说明测量内容以及如何退出。Purple 为每一项都提供模板和场所告示素材。合规是产品的一部分，而不是事后补救。
如何评估 WiFi 分析平台
面向采购、运营和数据团队的八项检查清单。
在 2026 年，不对随机化 MAC 进行校正的平台根本测不准客流。请索取其方法论以及与摄像头基准真值的验证结果。
您既需要匿名的全场所模式，也需要经同意的可识别模式。只支持其中一种的平台是不够的。
区域定义应在仪表板中编辑，而不是重新拉线。包括覆盖区域、主力店和各部门。
多站点运营方需要在规模和客流特征各异的站点之间使用标准化 KPI。原始数字行不通。
每小时批量导出到 S3 / BigQuery / Snowflake。原生 Looker / Tableau 连接器。数据应落在分析师日常工作的地方。
平台应为您提供所需的隐私文件和场所告示。从零开始制作会让部署推迟数周。
Cisco Meraki、HPE Aruba、Ruckus、Juniper Mist、Ubiquiti UniFi、Cambium、Extreme、Fortinet。分析层的寿命应长于 AP 的更新周期。
可按数据类别配置保留期限。可识别数据采用站得住脚的最短保留期，汇总数据则按您的报告需求保留。
常见问题
什么是 WiFi 分析？
+
WiFi 分析是指将场所现有的无线网络用作传感器，以测量客流量、停留时长和顾客移动。它有两种模式：到场分析（匿名，基于传感器，受 MAC 随机化影响）和互动分析（可识别身份，基于强制门户，经用户同意）。大多数运营方两者都会运行，各自回答不同的问题。
WiFi 客流统计有多准确？
+
在零售环境中，针对 MAC 随机化进行统计校正的现代 WiFi 分析，与基于摄像头的基准真值相比准确度为 ±3-7%。这一准确度足以用于同口径比较、趋势追踪和基准对标，但不足以用于收银对账。您汇报的数字应是带置信区间的校正值，而不是原始探测计数。
MAC 随机化是否已让 WiFi 分析失效？
+
没有失效，但它改变了这一领域。iOS 14 及以上版本、Android 10 及以上版本、Windows 11 和 macOS Sonoma 在关联前发送探测请求时会使用随机化的 MAC 地址。把每个唯一 MAC 视为一台唯一设备的简单计数方式如今已不再正确。现代平台通过统计校正模型，并结合经同意的强制门户身份识别用于互动分析，来保持准确度。忽视这一变化的平台已失去准确度，适应了变化的平台则没有。
到场分析和互动分析有什么区别？
+
到场分析统计实际在场但未认证的设备；它以匿名方式测量客流和停留时长，在完成 DPIA 的前提下，可依据正当利益满足 GDPR 的要求。互动分析衡量在强制门户登录并给予同意的访客的行为；它将到访与身份关联，支持细分，并以明确同意为依据。大多数场所两者都需要。
WiFi 分析是否符合 GDPR？
+
是的，只要设计得当。对于到场分析，应在客户端对 MAC 进行哈希化并轮换，记录正当利益评估，完成 DPIA，并设置醒目的告示。对于互动分析，应以强制门户上的明确同意为依据。在满足这些条件的情况下，英国信息专员办公室（ICO）和欧盟的 CNIL 都对 WiFi 分析发布了积极的指导意见。本支柱页面链接了一份完整的合规手册。
人数统计用 WiFi 好还是用摄像头好？
+
二者分工不同。采用计算机视觉的摄像头在单个门口计数时更准确（与基准真值相比 95% 以上），但成本更高，只能看到视野范围内的情况，引发的隐私担忧也更大。WiFi 能以低成本覆盖整个场所，原生支持停留时长和区域间流转分析，并能通过统计方式识别回头客。大多数大型零售和场所运营方会两者兼用：门口用摄像头保证准确度，场内用 WiFi 实现覆盖。
停留时长通常是多少？
+
Purple 数据集中的停留时长中位数：快餐 9-14 分钟，休闲餐饮 35-55 分钟，服装零售 18-32 分钟，购物中心 55-95 分钟，机场禁区内 75-130 分钟。这些数字可用作基准，但更有用的衡量方式是您自己的停留时长逐月趋势，并与同店数据进行对比。
WiFi 分析能追踪顾客动线吗？
+
在单个场所内可以。区域间流转、区域内停留时长、常见路径和流失点都可以测量。在同一品牌的不同场所之间，则取决于访客是经过认证（互动分析）还是未经认证（到场分析）；在考虑 MAC 随机化之后，仅基于到场数据的跨站点动线信号非常弱。
WiFi 分析适用于办公室占用率统计吗？
+
适用。认证员工设备的同一套基础设施，可以按楼层、按星期和按小时报告使用率。常见做法是与工位预订系统（Robin、Envoy、Microsoft Places）集成。办公室占用率是置信度较高的应用之一，因为人群大多经过认证，设备数量也比零售客流更稳定。
如何与我现有的 BI 技术栈集成？
+
支持直接 API 访问、每小时批量导出到 S3 / BigQuery / Snowflake、原生 Looker 和 Tableau 连接器，以及 Webhook 事件流。数据模型有完整文档且保持稳定。大多数大型运营方会将 WiFi 数据导入与 POS 和会员数据相同的数据仓库，然后在自己选择的工具中构建报告。