預測性客流量與 AI：利用 WiFi 數據預測訪客行為模式

播客腳本：預測性客流量與 AI — 利用 WiFi 數據預測訪客行為模式 長度：約 10 分鐘 | 語音：英式英語，資深顧問語氣 --- [第 1 區段 — 導言與背景 — 約 1 分鐘] 歡迎收聽。如果您負責管理場館、零售物業或餐旅營運，您可能聽說過您的 WiFi 網路正坐擁數據金礦。這確實是真的 — 但前提是您必須知道如何運用它。 今天我們將探討預測性客流量分析：它在實務中究竟代表什麼、機器學習如何運作、您需要哪些數據來使其保持可靠，以及 — 至關重要的是 — 企業目前如何利用這些預測來驅動實際的營運決策。 這並非理論練習。從 WiFi 衍生客流量預測中獲得最大價值的組織，正利用它來降低人力成本、減少庫存浪費，並將行銷推廣精準定時在一個小時之內。這就是我們今天要剖析的內容。 --- [第 2 區段 — 技術深挖 — 約 5 分鐘] 讓我們從數據層開始，因為這是大多數實作在開始之前就決定成敗的地方。 您的 WiFi 基礎架構 — 無論是運行 802.11ax 基地台的託管網路，還是較舊的 802.11ac 設備 — 都在持續收集範圍內每台裝置的探測請求 (probe requests) 和關聯事件。每個事件都帶有時間戳記、訊號強度讀數（即 RSSI，接收訊號強度指示），以及歷史上的裝置 MAC 位址。現在，從 iOS 14 和 Android 10 開始積極引入的 MAC 位址隨機化，使裝置級別的追蹤變得複雜。但關鍵在於：對於客流量預測，您實際上不需要持續性的裝置識別。您需要的是彙整計數、停留時間分佈和區域轉移模式。去識別化且彙整的數據既符合 GDPR 規範，又完全足以滿足我們將要討論的預測模型。 那麼，數據管道是什麼樣子的？在擷取時，您的基地台會將探測和關聯事件串流傳輸到中央控制器或雲端平台。預處理層處理重複數據刪除 — 因為單一裝置每分鐘會產生數十個探測請求 — 並套用去識別化。從那裡，特徵工程會擷取實際饋送至模型的指標：每個區域的每小時訪客計數、平均停留時間、進入和離開率，以及至關重要的外部協變量，如星期幾、國定假日、當地活動和天氣數據。 現在，關於模型選擇的問題。這是我們在市場上看到最多混淆的地方。組織要麼預設使用簡單的移動平均線（這對於超過 24 小時範圍的預測基本上毫無用處），要麼在沒有足夠數據量支持的情況下直接跳向深度學習。 這是一個實用的框架。如果您有六個月乾淨的每小時數據，且您的場域具有相對穩定的季節性模式 — think a commuter-facing coffee shop or a supermarket — SARIMA，即季節性自我迴歸整合移動平均模型，將為您提供可靠的 7 天預測，其平均絕對百分比誤差 (MAPE) 在 8% 到 12% 之間。這足以用來驅動人力配置決策。 如果您有十二個月或更長時間的數據，且您正在處理不規則的突增 — 音樂會、國定假日、促銷活動 — Facebook 的 Prophet 模型就非常值得部署。Prophet 能原生處理轉折點和假日效應，且其具備足夠的可解釋性，讓您的營運團隊能夠理解為什麼模型會預測某個特定星期六會出現客流激增。 對於具有豐富特徵集的場域 — 例如大型零售物業，您在其中將促銷活動行事曆、競爭對手活動和會員計劃數據與 WiFi 訊號一同輸入 — 像 XGBoost 這樣的梯度提升模型表現始終優於統計方法。憑藉十二個月的訓練數據 and 良好的特徵工程，您可以期待平均絕對百分比誤差在 3% 到 6% 之間。這正是您可以真正自動化庫存補貨觸發機制的精確度水準。 然後是 LSTM — 長短期記憶神經網路。這些在捕捉長期時間依賴性方面非常強大，但它們至少需要十八個月的數據才能可靠地進行訓練，且重新訓練的計算成本很高。我會向大型部署推薦 LSTM — 例如多據點零售連鎖店或體育場營運商 — 在這些地方您擁有足夠的數據量和工程資源來維護模型。 有一點常讓組織措手不及：WiFi 連線訪客計數與真實客流量之間的差異。並非每位訪客都會連線到您的 WiFi。擷取率差異極大 — 從快速服務餐廳的約 30% 到房客主動尋求連線的飯店大廳的 80% 以上。在您信任絕對數值之前，您需要根據真實來源（門口計數器、POS 交易量或人工計數）校準 WiFi 衍生的計數。相對模式 — 高峰、低谷、星期幾的規律 — 幾乎可以立即信賴。絕對計數則需要該校準層。 在基礎架構方面，基地台密度比大多數人想像的更重要。為了獲得區域級別的客流量粒度 — 意味著您可以區分樓層的不同區域 — 您需要將基地台之間的距離控制在 15 公尺以內，並具有重疊的覆蓋範圍。這不僅僅是為了連線效能，更是為了定位層的三角定位精確度，該定位層會提供您的區域轉移數據。如果您想深入了解，Purple 部落格上的室內定位系統指南詳細介紹了 UWB、BLE 和基於 WiFi 的定位技術。 --- [第 3 區段 — 部署建議與陷阱 — 約 2 分鐘] 讓我告訴您決定預測性客流量部署是能真正帶來投資報酬率 (ROI)，還是最終變成一個沒人看的昂貴儀表板的三個關鍵因素。 第一：數據品質重於模型複雜度。我曾見過組織花費六個月的時間在髒數據上選擇和調整 LSTM 模型，而如果使用乾淨數據上的良好校準 Prophet 模型，本可以在六週內提供更好的預測。請先投資於您的數據管道。具體來說：做好重複數據刪除邏輯，使用基於工作階段的計數而非裝置級別的追蹤來處理 MAC 隨機化，並在接觸模型之前建立針對實體計數來源的校準基準。 第二：在建立模型之前先定義下游決策。除非與行動相連結，否則預測是毫無價值的。我見過最成功的部署都是從營運問題開始 —「在 12 月的某個星期二下午 2 點，我需要多少員工在場？」— 然後逆向推導出模型規格。這決定了您的預測範圍、粒度以及可接受的誤差容許度。人力配置決策需要每小時粒度的 7 天預測。配送中心的庫存補貨決策可能需要每日粒度的 14 天預測。這些是具有不同數據要求的不同模型。 第三：為模型漂移做好準備。訪客行為會改變。附近開了新的競爭對手、交通路線關閉、您的場地進行了翻新。在變更前的數據上訓練的模型將會退化。在您的營運流程中建立重新訓練的頻率 — 大多數場域為每月一次，如果您處於活動或交通樞紐等高波動性環境中，則為每週一次。 GDPR 的角度值得特別指出。經適當去識別化且彙整的 WiFi 衍生客流量數據，在英國 GDPR 或歐盟 GDPR 下不構成個人數據。您並非在追蹤個人，而是在計算裝置。但您的隱私聲明仍應提及將 WiFi 訊號用於場域分析，且您應確保您的數據保留政策涵蓋您所持有的歷史訓練數據。 --- [第 4 區段 — 快速問答 — 約 1 分鐘] 讓我快速瀏覽一下我最常被問到的問題。 「我實際上需要多少歷史數據？」對於實用的 SARIMA 模型，最少需要六個月。十二個月可以捕捉完整的季節性週期。如果要使用 LSTM，則需要十八個月。 「我應該期待什麼樣的精確度？」對於具有良好特徵且實作良好的 XGBoost 模型，在 7 天範圍內實現 3% 到 6% 的 MAPE 是可以做到的。對於較短範圍內的較簡單模型，8% 到 12% 是切合實際的。 「我可以僅使用 WiFi 數據嗎？」可以，用於相對模式預測。對於絕對計數預測，您需要一個校準來源。 「區域級分析的最小 AP 密度是多少？」基本區域計數為每 150 至 200 平方公尺一個基地台。若要獲得可靠的停留時間和轉移數據，則為每 80 至 100 平方公尺一個。 「完整部署需要多長時間？」在基礎架構乾淨且使用案例明確的前提下，從數據稽核到首次生產預測需要八到十二週。 --- [第 5 區段 — 總結與後續步驟 — 約 1 分鐘] 總結來說：利用 WiFi 數據進行預測性客流量分析已是成熟的技術。模型切實有效，精確度足以用於營運決策，且投資報酬率顯而易見 — 通常在部署的第一季度內即可體現在人力配置效率和庫存最佳化上。 您眼前的後續步驟：稽核您現有的 WiFi 基礎架構以確保數據完整性 — 您是否正在記錄探測和關聯事件？建立您的校準基準。定義您想要自動化或改進的營運決策。並根據您的數據量選擇模型，而不是根據聽起來最令人印象深刻的模型。 如果您正在運行 Purple 的 WiFi 分析平台，數據管道和去識別化層已經就緒。問題在於您是否正在利用已擁有的歷史數據來做出前瞻性決策，或者您是否仍在使用上週的儀表板。 這就是被動式分析與預測性智慧之間的區別。而這正是真正的營運價值所在。 感謝您的收聽。完整技術指南、架構圖和部署清單的連結都在節目資訊中。 --- 腳本結束 總估計長度：以每分鐘 140 字的速度計算約為 10 分鐘（腳本約為 1,380 字）