TL;DR / 重點摘要
- WiFi 分析有兩種模式：到場分析（匿名、以感測為基礎）與互動分析（可識別身分、以強制入口為基礎）。多數場域兩者都需要，各自回答不同的問題。
- MAC 位址隨機化改變了這個領域。順應變化的平台運用統計校正與取得同意的身分識別，與攝影機實測值相比仍維持 ±3-7% 的準確度；忽視這項變化的平台則已失去準確度。
- 核心指標包括人流、停留時間、回訪率、區域轉換、新舊訪客比例與擷取率。誠實的解讀方式是看附有信賴區間的校正後數字，而不是原始探測次數。
- 要做到符合 GDPR 的分析，到場分析需採用經雜湊並定期輪替的 MAC 位址，互動分析需在入口取得明確同意，並完成 DPIA 與在場域設置清楚的告示。英國資訊專員辦公室（ICO）與歐盟的 CNIL 都已針對此模式發布正面的指引。
- 最能發揮效益的產業應用是零售、購物中心、機場、體育場館、博物館與企業辦公室。各產業使用相同的數據模型，只是在上層採用不同的詮釋框架。
多數場域其實坐擁一套早已付費的感測網路：為訪客 WiFi 所安裝的基地台。同樣的硬體、同樣的射頻事件、同樣的連線紀錄，換個方式運用，就能清楚呈現誰走了進來、停留多久、去了哪裡，以及是否再次造訪。
這就是 WiFi 分析。它無法完全取代門口的閘門計數器或收銀台上的電腦視覺攝影機，卻是便宜得多的替代方案，能涵蓋整個場域而不只是單一出入口，並呈現攝影機無法產生的移動與停留數據。
本指南是供考慮導入或正在運用 WiFi 分析之場域與行銷團隊使用的營運參考，涵蓋兩種模式（到場與互動）、重要的指標、MAC 位址隨機化破壞了什麼以及這個領域如何因應、與其他人流計數技術的比較、UK GDPR 的法規要求，以及確實有效的產業應用。
兩種模式：到場與互動
幾乎所有關於 WiFi 分析的混淆討論，都源自於把這兩者搞混。它們使用不同的數據、回答不同的問題，並依據不同的法律基礎運作。
到場分析
匿名、以感測為基礎，數據來自探測請求與連線紀錄。計算特定時段內某區域中的不重複裝置數，並以經雜湊且定期輪替的 MAC 位址作為技術性隱私控制。
可回答：有多少人進來、停留多久、如何在各區域之間移動，以及整體人流是增加還是減少。
法律依據：正當利益，並搭配 DPIA、告示與退出機制。
互動分析
可識別身分、以強制入口為基礎，數據來自登入與持續中的工作階段。將造訪連結至聯絡人紀錄，是分眾、旅程與生命週期行銷的基礎。
可回答：誰進來了、多久來一次、在一天中的什麼時段、造訪多據點品牌的哪些據點，以及可供行銷運用的族群行為。
法律依據：在入口登入時取得明確同意。
多數場域兩者都需要。到場分析提供人流與停留時間的核心數字，可在各據點之間進行同店比較；互動分析則提供可識別的族群，讓行銷團隊實際據以規劃旅程。兩者在強制入口交會：登入的訪客，在該次造訪中便會從到場數據集移轉至互動數據集。
MAC 位址隨機化，以及它為何改變了這個領域
在 2010 年代的大部分時間裡，WiFi 分析都建立在一個悄悄錯誤的假設上：裝置的 MAC 位址在每次造訪時都是固定的。iOS 14（2020 年）打破了 iPhone 的這個假設，Android 10 打破了 Android 的，Windows 11 與 macOS Sonoma 則將此變化延伸到筆電。到了 2026 年，絕大多數消費性裝置在連線前發出探測請求時，都會使用隨機且定期輪替的 MAC 位址。
將每個不重複 MAC 位址視為一台不重複裝置的簡單計數方式，開始出現高估。回訪率大幅下滑，新訪客比例暴增，族群留存曲線也變得毫無道理。
這個領域以兩種方式因應。第一是統計校正：以機率模型考量各類裝置預期的隨機化比例與輪替頻率，並在已知據點以攝影機實測值進行校準。第二是透過強制入口識別身分：登入的訪客會呈現一個完全不受隨機化影響的穩定身分。
在 2026 年，校正後的到場數據加上取得同意的互動數據，其整體準確度可媲美 2018 年人流分析的水準，而且隱私保護更完善。做了校正工作的廠商維持了準確度，沒做的廠商則已失去準確度。評估時值得特別確認這一點。
想了解 MAC 位址輪替如何影響您的指標嗎？使用我們免費的 MAC 位址隨機化模擬工具（收錄於免費的 WiFi 工具庫），模擬原始裝置數、實際訪客數與校正後的數字。
隨機化時間軸
- 2014： iOS 8 導入隨機化探測（實務上預設為關閉）。
- 2020： iOS 14 預設依 SSID 進行隨機化。
- 2020： Android 10 以上版本預設依 SSID 進行隨機化。
- 2022： Windows 11 擴及所有 WLAN 探測。
- 2023： macOS Sonoma 在筆電上採用與 iOS 相同的行為。
- 2026： 隨機化已是主流假設，固定 MAC 位址反而成為例外。
值得報告的六項指標
WiFi 分析平台可以產出上百種衍生指標，但幾乎所有決策份量都集中在其中六項。
人流
特定時段內進入特定區域的不重複訪客數。這是零售與場域營運商的核心 KPI。
停留時間
每次造訪在區域內停留時間的中位數、p25/p75 與 p95。可區分隨意逛逛的人與實際購買者。
回訪率
某時段內的訪客中，在前 N 天內也曾造訪的比例。這是忠誠度訊號。
區域轉換
特定區域之間的起訖流向，是旅程分析與動線配置測試的基礎。
新舊訪客比例
獲客與留客的比例。有助於行銷成效歸因，也能誠實呈現人流的提升。
擷取率
偵測到的到場訪客中，轉換為強制入口登入的比例，是到場分析與互動分析之間的橋樑。
WiFi、攝影機與門口感測器的比較
WiFi 分析並非唯一的人流計數技術。對多數場域而言，正確的做法是兩者並用：在正門設置高準確度的出入口計數器，並以 WiFi 涵蓋整個場域，用於分析停留時間與動線。
| 方法 | 準確度 | 涵蓋範圍 | 成本 | 隱私 | 動線 |
|---|---|---|---|---|---|
| WiFi 到場分析 | ±3-7% | 整個場域 | 使用現有基地台 | 雜湊 MAC、退出機制、告示 | 原生支援 |
| 電腦視覺 | 出入口處 ±1-3% | 僅限視野範圍 | 依攝影機數量 + 運算成本 | 在歐盟最受關注 | 有限 |
| 門口感測器（紅外線 / 3D） | ±2-4% | 僅限出入口 | 依出入口數量 | 低 | 無 |
產業應用
各產業的數據模型相同，改變的是上層的詮釋框架。以下六個產業是主要的應用領域。
法規遵循：UK GDPR、CNIL、CCPA、ISO 27001
尊重隱私的 WiFi 分析是一個已經有解答的問題。以下模式是 CNIL 明確核准、英國資訊專員辦公室（ICO）也一貫允許的做法。Pizza Express、AGS Airports 與 University of Sheffield 都在 Purple 上運行場域分析。
四項營運要求：完成 DPIA、到場數據採用經雜湊並定期輪替的 MAC 位址、互動數據在強制入口取得明確同意，以及在場域設置醒目的告示，說明量測的內容與退出方式。Purple 為每一項都提供範本與場域告示素材。法規遵循是產品的一部分，而不是事後補救。
如何評估 WiFi 分析平台
供採購、營運與數據團隊使用的八項檢查清單。
在 2026 年，不針對隨機化 MAC 位址進行校正的平台，量測的根本不是人流。請要求對方提供方法論，以及與攝影機實測值的驗證結果。
您需要匿名、涵蓋整個場域的模式，也需要取得同意、可識別身分的模式。只提供其中一種的平台並不足夠。
區域定義應該在儀表板中編輯，而不是重新拉線。包括涵蓋範圍、主力店鋪與各部門。
多據點營運商需要在規模與流量型態各異的據點之間，使用標準化的 KPI。原始數字無法做到這一點。
每小時批次匯出至 S3 / BigQuery / Snowflake，並提供原生 Looker / Tableau 連接器。數據應該直接送到分析師已在使用的地方。
平台應提供您所需的隱私文件與場域告示。從零開始製作，會讓部署延誤數週。
Cisco Meraki、HPE Aruba、Ruckus、Juniper Mist、Ubiquiti UniFi、Cambium、Extreme、Fortinet。分析層的壽命應該比基地台的汰換週期更長。
可依數據類別設定保存期限。可識別身分的數據採用最短且站得住腳的期限，彙總數據則依您的報告需求保存。
常見問題
什麼是 WiFi 分析？
+
WiFi 分析是將場域現有的無線網路作為感測器，用於量測人流、停留時間與顧客移動。它有兩種模式：到場分析（匿名、以感測為基礎、受 MAC 位址隨機化影響）與互動分析（可識別身分、以強制入口為基礎、取得同意）。多數營運商兩者並用，各自回答不同的問題。
WiFi 人流計數有多準確？
+
在零售環境中，具備 MAC 位址隨機化統計校正的現代 WiFi 分析，與攝影機實測值相比的誤差為 ±3-7%。這個準確度足以用於同店比較、趨勢追蹤與基準比較，但不足以用於收銀對帳。您報告的數字應該是附有信賴區間的校正後數字，而不是原始探測次數。
MAC 位址隨機化是否讓 WiFi 分析失效了？
+
它改變了這個領域。iOS 14 以上、Android 10 以上、Windows 11 與 macOS Sonoma，都會在連線前的探測請求中使用隨機化的 MAC 位址。將每個不重複 MAC 位址視為一台不重複裝置的簡單計數方式，如今已不再正確。現代平台透過統計校正模型，再加上互動分析中取得同意的強制入口身分識別，來維持準確度。忽視這項變化的平台已失去準確度，順應變化的平台則沒有。
到場分析與互動分析有什麼不同？
+
到場分析計算實際在場但未經驗證的裝置，以匿名方式量測人流與停留時間，並可在搭配 DPIA 的正當利益基礎上符合 GDPR。互動分析則量測已登入強制入口並給予同意之訪客的行為，將造訪連結至身分、支援分眾，並以明確同意為依據運作。多數場域兩者都需要。
WiFi 分析符合 GDPR 嗎？
+
只要設計得當，就符合。到場分析應在用戶端對 MAC 位址進行雜湊並定期輪替、記錄正當利益評估、完成 DPIA，並設置醒目的告示。互動分析則以強制入口取得的明確同意為依據。英國資訊專員辦公室（ICO）與歐盟的 CNIL 都已針對符合這些條件的 WiFi 分析發布正面的指引。本主題頁面另有連結一份完整的法規遵循手冊。
人流計數用 WiFi 還是攝影機比較好？
+
兩者的用途不同。搭配電腦視覺的攝影機在單一出入口計數上更準確（與實測值相比達 95% 以上），但成本較高、只能看到視野範圍內的情況，也引發更多隱私疑慮。WiFi 能以低成本涵蓋整個場域，原生支援停留時間與區域間分析，並能以統計方式辨識回訪訪客。多數大型零售與場域營運商兩者並用：門口使用攝影機確保準確度，場內使用 WiFi 擴大涵蓋範圍。
停留時間大概會是多少？
+
Purple 數據集中的停留時間中位數：速食餐飲 9-14 分鐘、休閒餐飲 35-55 分鐘、服飾零售 18-32 分鐘、購物中心 55-95 分鐘、機場管制區 75-130 分鐘。這些數字可作為基準參考，但更有用的指標，是您自己的停留時間相對於同店比較的逐月趨勢。
WiFi 分析能追蹤顧客動線嗎？
+
在單一場域內可以。區域間轉換、區域內停留時間、常見路徑與流失點都能量測。至於同一品牌的不同場域之間，則取決於訪客是否經過驗證（互動）或未經驗證（到場）；在考量 MAC 位址隨機化後，僅靠到場數據的跨據點動線訊號非常薄弱。
WiFi 分析適用於辦公室使用率嗎？
+
適用。用於驗證員工裝置的同一套基礎設施，可依樓層、星期與時段報告使用率。與工作空間預約系統（Robin、Envoy、Microsoft Places）整合是常見做法。辦公室使用率是可信度較高的應用之一，因為使用者大多經過驗證，裝置數量也比零售人流穩定。
這如何與我現有的 BI 工具整合？
+
提供直接 API 存取、每小時批次匯出至 S3 / BigQuery / Snowflake、原生 Looker 與 Tableau 連接器，以及 Webhook 事件串流。數據模型有完整文件且穩定。多數大型營運商會將 WiFi 數據與 POS 及會員數據匯入同一個資料倉儲，再以自己偏好的工具建立報表。