隊列分析是了解速食店等各產業顧客滿意度的關鍵指標[1]， 超級市場[2] 和機場[3]。企業經營者迫切需要 實時數據 客戶流量和排隊等待時間，以便他們可以優化所需的服務收銀員數量、服務 SOP 和收銀員培訓。滿意的顧客是指不需要在隊列中等待太長時間結帳的顧客。
透過了解和回應客戶行為模式，企業可以顯著增強購物體驗，從而提高客戶滿意度、忠誠度，並最終提高獲利能力。這符合創建無縫且積極的客戶旅程的整體業務需求，這是當今競爭激烈的商業環境中不可或缺的一部分。
在當前市場上，有大量基於感測器的隊列分析解決方案來追蹤客戶在隊列中的旅程。例如， FootfallCam 3D Pro2 立體視覺攝影系統 安裝在天花板上，進行客戶檢測、追蹤和隊列計數， 全部集中在一個 設備。
當前的挑戰
雖然 FootfallCam 3D Pro2 達到同類最高的 99% 計數精度[4]，它仍然不是 100% 準確。事實上，沒有 人流量統計器 由於現實生活中人類行為的動態變化，具有完美的計數精度。舉些例子：
- 顧客暫時將手推車留在隊列中並退出設備覆蓋視圖
- 顧客彎腰去拿銷售點商品或衝動購買的商品
其結果是無法連續有效地追蹤顧客在隊列中等待的時間，並影響平均隊列等待時間的準確性。
重新思考排隊中的人類行為
為了克服這個限制，我們必須重新思考顧客如何在單一佇列中排隊，以及如何根據資料統計來建模平均佇列等待時間。基本上，
- 當隊列中的第一位顧客到達空的服務收銀台時，根本不需要等待。
- 後面的顧客需要在隊列中等待，直到他/她前面的所有顧客都得到服務後才離開隊列。
- 換句話說，重要的是要注意 服務收銀員為顧客服務的速度有多快和 隊列有多長 當顧客加入隊列時。
創新的資料建模方法
在大數據分析的本質中，我們利用中心極限定理[5] 和隊列理論[6] 在上述排隊行為建模的指導下，根據第一原理推導出平均佇列等待持續時間公式。
這個革命性的公式突破了上述限制和挑戰，因為我們不需要持續追蹤每個排隊的顧客。我們所需要的只是佇列服務持續時間和佇列長度數據，這兩個數據我們都可以確保高精度。
結果比較
我們將平均隊列等待時間與真實情況進行比較，以驗證我們的資料模型。舊方法容易受到人類行為動態的影響，而新方法是統計建模。
此測試取自 1 小時長的數據，每 5 秒對佇列長度進行採樣。本次測試自然有1000名顧客排隊。
結果表明，新的指標 性能優於 舊指標，從 99% 提高到 企業排放佔全球 99.9% 準確性。對於設備計數精度可能較低的惡劣環境，預計精度改進會更大。
結論
這是使用現代數據驅動的統計方法來解決隊列分析中的老問題的展示。這將有助於所有行業更好地衡量 客戶滿意度, 服務收銀KPI 以及浮現任何 運營效率低下.
借助更好的數據指標和可見性，企業現在可以更有效地降低成本並增加銷售。
常見問題 :
1. 哪些設備支援這項新的平均隊列等待時間指標？
所有具有佇列計數功能的設備都支援此新指標，以獲得更準確的平均佇列等待持續時間。這些設備包括 FootfallCam 3D Pro2, 3D Prowave, 3D 延伸 和 質心。請聯繫 [電子郵件保護].
2. 我可以同時擁有新舊指標嗎？
當然，但是我們強烈鼓勵使用新指標，因為它具有卓越的準確性。
參考文獻：
