商贩
专为真实覆盖而设计
在大型商店和购物中心，全面覆盖通常难以实现。Centroid 整合了多个数据源，以明确的置信水平和验证方法，生成覆盖整个空间的稳定、可用的指标。
衡量人们在入口、区域和部门之间的移动情况，包括方向性流动和关键区域之间的过渡。
你会得到什么
- 各区域之间的人流量
- 入口 → 区域 → 出口流
- 定向运动模式
- 区域间转换率
即使在以下情况下也有效
- 各区域的覆盖范围不完整
- 路径并非持续跟踪
它是如何推导出来的
- 来自多个传感器的聚合转换
- 血流重建（而非个体追踪）
即使并非每一平方米都被覆盖，也要了解每个区域的性能。
你会得到什么
- 区域人流量
- 停留时间（平均值/分布）
- 互动率（访问量与浏览量之比）
- 热点/冷区识别
即使在以下情况下也有效
- 覆盖范围不均衡
- 某些区域依赖于推断数据。
它是如何推导出来的
- 直接计数（如有）
- 区域间的插值+统计建模
监控动态服务区域的队列和服务性能。
你会得到什么
- 平均等待时间
- 服务率（每小时服务顾客数）
- 排队形成模式
即使在以下情况下也有效
- 队列形状变化
- 队列形状变化
- 并非所有排队区域都完全覆盖。
它是如何推导出来的
- 密度 + 运动速度
- 进入/退出率模型
通过将客户流动与服务能力联系起来，找出运营环节出现问题的地方。
你会得到什么
- 拥堵点
- 区域超负荷运转与利用不足
- 员工与顾客比例失衡（如果启用）
- 服务延误指标
即使在以下情况下也有效
- 员工跟踪情况为部分或估计值
- 各部门的覆盖范围有所不同
它是如何推导出来的
- 流量、停留时间和排队指标的相关性
- 跨区域不平衡检测
即使覆盖范围不完整，也要重建人们如何在空间中移动，将零散的观察结果连接成连续的旅程。
你会得到什么
- 端到端旅程估算
- 跨区过渡连续性
- 观测区域之间的下降幅度减小
- 更精确的区域间转换
即使在以下情况下也有效
- 地面覆盖并非连续。
- 运动路径部分可见
- 大片区域存在传感器盲区。
它是如何推导出来的
- 将多个探测点的观测结果联系起来
- 间隙之间的连续性建模
- 基于概率的运动路径重建
必要时，可超出标准报告范围。
你会得到什么
- 自定义KPI
- 行为分割（在适用情况下通过 VLM）
- 广告/展示效果
- 与外部数据（POS、WiFi 等）集成
即使在以下情况下也有效
- 产品交互区
- 活动提升效果衡量
- 类别层面的参与
