队列分析是了解快餐店等各行业客户满意度的关键指标[1]， 超级市场[2] 和机场[3]。企业经营者迫切需要 实时数据 客户流量和排队等待时间，以便他们可以优化所需的服务收银员数量、服务 SOP 和收银员培训。满意的顾客是不需要在队列中等待太长时间结账的顾客。
通过了解和响应客户行为模式，企业可以显着增强购物体验，从而提高客户满意度、忠诚度，并最终提高盈利能力。这符合创建无缝且积极的客户旅程的总体业务需求，这是当今竞争激烈的商业环境中不可或缺的一部分。
在当前市场上，有大量基于传感器的队列分析解决方案来跟踪客户在队列中的旅程。例如， FootfallCam 3D Pro2 是一个 立体视觉摄像系统 安装在天花板上，进行客户检测、跟踪和队列计数， 全部集中在一个 。
当前的挑战
虽然 FootfallCam 3D Pro2 达到同类最高的 99% 计数精度[4]，它仍然不是 100% 准确。事实上，没有 人流量统计器 由于现实生活中人类行为的动态变化，具有完美的计数精度。举些例子：
- 顾客暂时将手推车留在队列中并退出设备覆盖视图
- 顾客弯腰去拿销售点商品或冲动购买的商品
其结果是无法连续有效地跟踪顾客在队列中等待的时间，并影响平均队列等待时间的准确性。
重新思考排队中的人类行为
为了克服这个限制，我们必须重新思考顾客如何在单个队列中排队，以及如何根据数据统计来建模平均队列等待时间。基本上，
- 队列中的第一位顾客到达空的服务收银台时，根本不需要等待。
- 后面的顾客需要在队列中等待，直到他/她前面的所有顾客都得到服务后才离开队列。
- 换句话说，重要的是要注意 服务收银员为顾客服务的速度有多快及 队列有多长 当顾客加入队列时。
创新的数据建模方法
在大数据分析的本质中，我们利用中心极限定理[5] 和队列理论[6] 在上述排队行为建模的指导下，根据第一原理推导出平均队列等待持续时间公式。
这一革命性的公式突破了上述限制和挑战，因为我们不需要持续跟踪每个排队的顾客。我们所需要的只是队列服务持续时间和队列长度数据，这两个数据我们都可以确保高精度。
结果比较
我们将平均队列等待时间与真实情况进行比较，以验证我们的数据模型。旧方法容易受到人类行为动态的影响，而新方法是统计建模。
该测试取自 1 小时长的数据，每 5 秒对队列长度进行采样。本次测试自然有1000名顾客排队。
结果表明，新的指标 性能优于 旧指标，从 99% 提高到 99.9% 准确性。对于设备计数精度可能较低的恶劣环境，预计精度改进会更大。
结论
这是使用现代数据驱动的统计方法来解决队列分析中的老问题的展示。这将有助于所有行业更好地衡量 客户满意度, 服务收银KPI 以及浮现任何 运营效率低下.
借助更好的数据指标和可见性，企业现在可以更有效地降低成本并增加销售额。
常见问题 :
1. 哪些设备支持这一新的平均队列等待时间指标？
所有具有队列计数功能的设备都支持此新指标，以获得更准确的平均队列等待持续时间。这些设备包括 FootfallCam 3D Pro2, 3D Prowave, 3D 延伸 和 形心。请联系 [电子邮件保护].
2. 我可以同时拥有新旧指标吗？
当然，但是我们强烈鼓励使用新指标，因为它具有卓越的准确性。
参考文献：
