1.1传统统计方案的固有缺陷（为什么数据失真，无法做停留分析）

1. 红外光栅客流计数器
仅能识别进出动作，无法绑定同一顾客；多人并行、遮挡场景识别失效；无任何停留计算能力，只能统计人次，完全不能用于停留时长分析。

2. Wi-Fi探针采集
依靠手机MAC地址识别，关闭Wi-Fi、虚拟MAC、多人共用手机都会造成大量漏算；只能抽样统计，无法全量覆盖；无法区分顾客/员工，无法拆分年龄、性别人群，停留数据误差高达30%以上，仅能做粗略参考，不能用于精细化运营。

3. 普通单目视频简易跟踪
无行人重识别（ReID）能力，顾客走出镜头、被货架遮挡后会被判定为新访客，单次进店停留直接截断；顾客多次进店无法合并总时长，统计结果严重偏低，人群分层能力极弱。

1.2行业主流标准：ReID边缘计算采集方案（项目落地成熟技术）

1.2.1设备端原生预处理逻辑（附真实设备报文数据逻辑）

AI摄像头本地完成人体检测、轨迹跟踪、进出配对计算，边缘端直接输出结构化停留数据，无需后端二次运算，不上传原始视频，满足隐私合规要求。
设备单条核心报文关键字段：

• global_id：匿名行人全局唯一ID（提取体态、衣着向量，不存储人脸）；

• pairs：顾客单次进店进出数组，每组内置dwell_time（单次停留秒数）、毫秒级进店/离店时间戳；

• extra_info：同步携带性别、年龄区间、人员类型（顾客/员工）标签。
设备自动完成单次停留基础计算：单次停留时长=离店时间戳-进店时间戳。

1.2.2后端统一聚合清洗规则

1. 单人累计停留：同一global_id下所有进出记录dwell_time求和，解决顾客当日多次进出门店时长拆分问题；

2. 平均停留时长计算公式：当日全部有效顾客总停留秒数÷去重访客UV（唯一global_id总量）；

3. 三层数据清洗过滤机制（剔除干扰脏数据）

￮ 短噪点过滤：单次停留＜10秒判定设备误识别，直接剔除；

￮ 超长异常屏蔽：单次停留超过4小时自动标记员工、保洁、驻场人员，支持全局过滤，避免拉高平均停留均值；

￮ 人员隔离：通过person_type标签单独隔离员工数据，所有经营分析仅保留真实消费客群。

1.2.3四类采集方案核心能力对比

2.1两套行业统一分层标准（适配不同经营业态）

标准一：单品牌门店（服饰、美妆、便利店、家电，精细化运营首选）

适用于独立专柜、单店零售，4层分层定义，对应清晰顾客行为信号：

标准二：购物中心/综合商超

适配多业态复合逛购场景，6段分层：0-5min、5-30min、30-60min、1-2h、2-4h、4h+。

2.2全维度可拆解停留指标（支持日/周/月/年同比、环比）

2.2.1基础六维核心指标（客流分析底层基准）

经过客流、进店总人次、去重访客UV、平均停留时长、性别分布、年龄分层占比。
衍生核心转化指标：进店进入率=去重UV÷经过人数，衡量门头引流能力。

2.2.2人群分层停留指标

1. 性别维度：男性平均停留时长、女性平均停留时长；

2. 年龄维度：青年(17-30)、中年(31-45)、中老年(46-60)、老年(60+)各群体平均停留；

3. 时段维度：早间/下午/晚间平均停留；工作日VS周末平均停留。

2.2.3分布与排行指标

1. 分布数据：各停留区间访客人数、人数占比；支持任意区间下钻，查看该人群年龄、性别、到访时段分布；

2. 三大经营排行榜（连锁对标核心工具）

• 门店排行榜：按平均停留、总停留时长双维度排序，横向对比门店运营能力；

• 时段排行榜：每日各时段平均停留排名，优化人力排班；

• 增幅排行榜：周期内停留时长上涨/下滑门店，快速定位标杆门店与问题门店。