门店应⽤
绝⼤多数的消费者购物的⾏为顺序都遵循“逛街—进店—挑选—试⽤—决策—付款—离 店”的规律律，而交易数据仅仅只记录了“付款”这⼀个时间点发生的动作，但是在“付款”动作发生之前，也就是交易数据产⽣之前，店铺的经营者并不知道消费者到底什么时候来的？他考虑了多久才决定下单？有多少人进店之后经过反复挑选却没有下单就离开了？⽽当客流数据与交易数据打通之后，我们可以一个更更全⾯的视⻆角观察每⼀个消费者，很多过去模棱两可的问题都可以以数据的形式表现出来，例如：
- 消费者下单次数和到店次数的⽐例例是怎样的？
- 哪些区域的商品转化率更高？
- 在⼀次营销活动结束后，到底有多少人被影响后到店，这些⼈中哪些⼈发⽣生了交易易⽽哪些人⼜离开了？
- 消费者平均进店多久后才会发⽣购买⾏为？
- 每个收银台前的平均等待时间是多少？
- 上⽂提到的购物行为顺序的漏斗模型，每个环节的时间点和⼈群规模是多少？哪个环节的损耗最⼤？
基于WiFi探针的客流数据就可以很好解决以上经营中的问题，助力门店运营与营销，同 时还可以帮助品牌进一步解答如下问题：
- ⻔店客流量怎么样？成交转化到底有多少？
- 新⽼顾客占⽐如何？回头客有多少？
- 顾客如何构成？他们有什么特征？
- 如何更精准触达？如何监测有效性？
商场应⽤
随着商业地产⾏业的快速发展，2016年年全国新开业的⼤中型商业项⽬多达511家，商业总体量超过4600万平⽅米，且该数据尚不包含各类专业市场及商业⾯积在3万平⽅米以下的小型商业项⽬。整体看来，全国新开业购物中⼼心体量庞⼤且同质化严重。利用WiFi探针数据以及相应的⼤数据算法，以场内客流为本质对商场架构进⾏调整，利用⼤数据⼯具以客流为基础，以对顾客的精细化运营，打造智慧商场突破同质化并提升⽤户体验为⽬目标，一些基于WiFi探针数据应用的互联⽹公司提出了一些新的应⽤方向，如商场内⽆线AP及探针数据的混合处理，基于场内顾客逛店⾏为产出标签，基于⾏为协同过滤算法打造场内顾客系统推荐算法，搭建顾客⽣命周期价值智能识别模型等等。
图3.1 探针的商场景应⽤
意见反馈