CN108664620B - 一种店铺客流量预测方法 - Google Patents

Abstract

本发明公开了一种店铺客流量预测方法，该方法首先通过AP与顾客携带的移动设备的帧交互采集MAC地址和信号强度，接着将信号强度转化为实际距离，经预处理后转换成源记录，然后通过对顾客行为的分析，得到顾客的访问记录，最后基于顾客的访问记录分析得到店铺的客流情况。本方法有效地降低了线下店铺客流分析的成本并提高了分析结果的准确性和多样性，解决了当前线下客流统计方式中不稳定且有效性低的问题。

Description

一种店铺客流量预测方法

技术领域

本发明涉及店铺客流量预测方法，属于客流量分析和预测的技术领域。

背景技术

商业活动中，客流量的采集、分析和预测能力对商业的精细化运营产生重大影响，它为评估经营成效和制定营销方案提供了全方位的数据参考。随着物联网技术的发展和普及，线下店铺如何高效采集客流信息并充分挖掘客流信息正得到重视，但目前国内尚缺乏一套贯穿从客流采集到客流分析预测整个过程的方法。目前主流的线下客流采集方法主要有两种：红外线感应客流统计和重力感应客流统计。

红外线感应客流统计的实现方式是利用人经过红外感应区切断或阻挡红外线使电阻产生变化，或是检测人体发出的特征红外线判断人体经过这两种方式来获取客流量的数据。但由于红外线感应客流统计对环境温度要求较高，所以在实际应用中出错率较高。

重力感应客流统计的实现方式是在客流经过的地板处安装重力感应装置，当人体经过时，计数器计算客流人数。这种方式具有较高的安装成本，并且实际应用环境下，人流的走向具有随意性和反复性，所以重力感应客流统计的稳定性很低，出错率也很高。

需要注意的是，上述两种方式都无法标记顾客，即只能统计一个时段内顾客进出的次数，而细节到每一个顾客的访问时间和访问次数则无法统计实现。无法标记顾客，意味着统计的客流量只能是笼统的、不准确的，还意味着不能将客流采集和客流分析两个过程有机地结合在一起，成为一个完整的过程。这也是目前缺乏一套贯穿客流采集到客流分析的方法的原因。

发明内容

本发明的目的在于克服现有技术中的不足，提供一种店铺客流量预测方法，提高结果的准确性和多样性，解决了当前线下客流统计方法不稳定及有效性低的问题。

为解决上述技术问题，本发明提供了一种店铺客流量预测方法，其特征是，包括以下步骤：

步骤S1，数据采集：基于顾客携带的移动设备与店铺内AP建立连接时的交互信息，采集得到对应此顾客的MAC地址和RSSI信号强度；

步骤S2，数据预处理：对每个顾客，将其对应的RSSI信号强度转换成顾客距离店铺的距离，并添加采集时的时间戳，整合成<MAC地址，时间戳，距离>三元组的源记录；

步骤S3，顾客行为分析：针对源记录中的距离，判断顾客进店出店的行为，并将此顾客的行为整合成顾客访问记录表，此顾客访问记录中至少包括MAC地址、入店时间和出店时间字段；其中，顾客访问记录中还包含驻店时长和访问类型字段，其中驻店时长为出店时间与进店时间之差，访问类型包括“深访”和“跳出”，当驻店时长达到阈值T时，访问类型为“深访”，未达到阈值T时，访问类型为“跳出”；

步骤S4，店铺客流分析：分析所有顾客访问记录得到店铺的客流量；其中，分析所有顾客访问记录还可得到每个顾客的访问次数、平均访问时长和平均访问周期指标；分析所有顾客访问记录还可得到店铺的客流量、深访率、跳出率以及新老顾客比例指标；

步骤S5，客流预测：通过店铺客流量的历史数据，预测未来时间段的客流量数据。

进一步的，步骤S2中，针对源记录中的距离，判断顾客进店出店的行为的具体过程为：

将该MAC地址对应的距离与店铺范围相比较，判断出顾客是处于店外还是店内的状态；

如果是店内的状态，查找顾客访问记录表：情况一，如果没有包含该MAC地址的记录或是包含此MAC地址的记录中入店时间和出店时间均存在，则插入一条记录，记录该MAC地址并添加时间戳为进店时间；情况二，如果包含此MAC地址的最近一次的记录，记录中进店时间存在，而出店时间为空，则忽略该源记录；

如果是店外的状态，查找顾客访问记录表：情况一，如果没有包含该MAC地址的记录或是包含此MAC地址的记录中入店时间和出店时间均存在，则忽略该源记录；情况二，如果包含此MAC地址的记录中入店时间存在而出店时间为空，则更新此记录的出店时间为源记录的时间戳。

进一步的，步骤S4，新老顾客的定义为，当顾客总访问次数超过2次且访问记录不都在同一天时标记为老顾客，其余均标记为新顾客；

其中店铺的客流量为当日顾客访问次数的总和，深访率为深访类型访问记录占总访问记录的百分比，跳出率为跳出类型访问记录占总访问记录的百分比，新老顾客比例为新顾客和老顾客分别占当日访问顾客总数的百分比。

进一步的，步骤S5中，客流预测的过程如下：

步骤1，取最近一段时期T天的客流量数据，记该客流量序列为{x_t}；

步骤2，对序列{x_t}做平稳性检验，如果没有通过平稳性检验，则对此时的序列做一次差分，差分过程如下，

x′_t-1＝x_t-x_t-1

差分后得到新的序列，通过平稳性检验以后可以得到关于客流量序列的新序列{y_t}，

{y_t}＝{y₁，y₂，y₃，…，y_T-d}

其中d代表得到平稳序列所做的差分次数；

步骤3，对序列{y_t}做自回归和偏自回归分析，提取客流量数据的变化趋势特征，确定序列{y_t}的自相关函数和偏自相关函数分别在u步和v步后拖尾或衰减或震荡，其中u代表自回归项数，v代表移动平均项数；

步骤4，对序列{y_t}建立自回归滑动平均过程进行预测，

其中，

为自回归系数多项式，{θ_i}为移动平均系数多项式，{∈_t}～WN(0，σ²)，

和{θ_i}的计算方式如下。

步骤5，将序列{y_t}的预测通过d次差分还原，最终得到客流量数据{x_t}的预测值。

与现有技术相比，本发明所达到的有益效果是：

1、本发明基于MAC地址来标记顾客，较大程度地降低了客流数据采集的成本，提高了采集数据的准确性和稳定性。

2、本发明在分析店铺客流情况之前，先分析了顾客的访问记录，为每个顾客建立了对应的访问信息表，相比于现有技术，拓展了并具体客流量的分析结果。

3、本发明基于对顾客的访问记录来分析和预测客流情况，提高了客流量统计以及客流量预测的准确性。

附图说明

图1为本发明方法的结构框图；

图2为本发明中数据采集场景的示意图；

图3为本发明中顾客行为分析的流程图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

本发明解决的问题是针对目前线下店铺客流量的采集和分析预测不准确并且不能有机统一的问题。在目前移动设备已经普及的前提下，利用顾客携带的移动设备与店铺内AP(无线访问接入点，例如WIFI热点)之间连接交互的信息，识别出移动设备的MAC地址，并依据此MAC地址来标识顾客。本发明的技术方案思路是：通过对移动设备采集的信息以及采集的时间戳，分析判别得到顾客的访问记录，通过对每天到访的顾客行为进行分析统计，得到店铺每天的客流量情况，根据店铺历史的客流量时间序列特征，预测未来一段时间的客流量走向。从而解决了顾客的标记问题，并降低了客流采集的成本，提高了客流采集的准确度以及预测的准确定，达到了为经营提供准确的数据参考的目标。

本发明的一种店铺客流量预测方法，其结构框图如图1所示，包括以下步骤：

步骤S1，数据采集：基于顾客携带的移动设备与店铺内AP建立连接时的交互信息，采集得到对应此顾客的MAC地址和RSSI信号强度。

参见图2，顾客携带的移动设备与店铺内AP建立连接时，店铺内AP以固定频率发送Beacon广播帧，告知周围的移动设备此AP的存在，当顾客达到此AP通信有效范围内时，顾客携带的移动设备接收到此广播帧后，向AP发送Probe帧用来向AP请求连接。在这些probe帧中，包含着设备的MAC地址，而MAC地址是具有唯一性的，因此可以利用此MAC地址作为顾客的标识码。在AP与移动设备交互帧时，AP收集这些probe帧，还可以获取此移动设备数据帧交互时的RSSI信号强度数据。本发明基于MAC地址来标记顾客，较大程度地降低了客流数据采集的成本，提高了采集数据的准确性和稳定性。

步骤S2，数据预处理：对每个顾客，将其对应的RSSI信号强度转换成顾客距离店铺的距离，并添加采集时的时间戳，整合成<MAC地址，时间戳，距离>三元组的源记录。

通过对采集得到的数据进行预处理，得到直接有价值的客流信息记录。具体过程为：

先针对每个MAC地址，将其对应的RSSI信号强度I转换为顾客距离店铺的实际距离R(单位：米),得到一个<MAC地址，距离>的二元组。

信号强度I与实际距离R之间存在如下的关系。

其中，参数p代表距离为1米时的信号强度，q代表信号强度的衰减因子，实际中，由于RSSI信号会受到墙体、门窗等的影响，为了距离转换的精确，此两个参数p和q需要实地多次测量确定；

为了方便后面分析顾客的访问记录，将此二元组加上时间戳，数据结构改为<MAC地址，时间戳，距离>的三元组；在数据库中创建源数据的表，用来存放以上建立的源记录。设置主键为MAC地址与时间戳的组合。

至此，完成了数据的预处理工作。

步骤S3，顾客行为分析：通过对源记录的分析，判断顾客进店出店的行为，分析得到顾客的访问记录以及相关指标值。

通过对以上获得的源记录分析，从空间和时间的角度，将其中冗余的、不明确的采集记录转换为对应每个顾客的记录，并对一些指标做出分析。

顾客行为分析的过程如图3所示，包括：

步骤1，在数据中创建顾客访问记录表，该表包含字段MAC地址、入店时间、出店时间、驻店时长以及访问类型；访问类型包含“深访”和“跳出”两种类型。

步骤2，每隔一段时间(如5分钟)，对获取的源记录按照时间先后顺序逐一处理；处理过程见步骤3，

步骤3，将该MAC地址对应的距离与店铺范围相比较，判断出顾客是处于店外还是店内的状态。

如果是店内的状态，查找顾客访问记录表。情况一，如果没有包含该MAC地址的记录或是包含此MAC地址的记录中入店时间和出店时间均存在，则插入一条记录，记录该MAC地址和进店时间；情况二，如果包含此MAC地址的最近一次的记录，记录中进店时间存在，而出店时间为空，则忽略该源记录。这里最近一次的记录指对某固定的MAC地址，在顾客访问记录表中搜索包含该MAC地址的记录项，以入店时间的先后逆序排列，排列第一位的记录即最近一次的记录。

如果是店外的状态，查找顾客访问记录表。情况一，如果没有包含该MAC地址的记录或是包含此MAC地址的记录中入店时间和出店时间均存在，则忽略该源记录；情况二，如果包含此MAC地址的记录中入店时间存在而出店时间为空，则更新此记录的出店时间为源记录的时间戳，并计算驻店时长。

访问类型设置“深访”和“跳出”，分别代表访问时间较长的顾客和访问时间较短的顾客，用来补充描述顾客访问记录。设置阈值T，阈值T与店铺相关，可以取历史客流平均驻店时长数值的5％至10％。当驻店时长达到T时，访问类型设置为“深访”，未达到T时，访问类型设置为“跳出”。

步骤4，当处理完这批源记录后，反复重复步骤2和步骤3，直至源记录处理完毕。

步骤5，在数据库中建立顾客信息表，顾客信息表包含顾客MAC地址、访问次数、平均访问时长、平均访问周期这些字段。完成以上步骤完善了顾客访问记录表，依据此记录表中更新的信息来更新此顾客信息表中每个顾客的访问次数，平均访问时长和平均访问周期的信息。

其中平均访问周期C的计算公式如下。

其中N代表该顾客的访问次数，Δd代表最近一次访问的日期与首次访问的日期的相差的天数。

步骤S4，店铺客流分析：通过对顾客访问记录表和顾客信息表来分析得到客流量、深访率、跳出率和新老顾客比例等指标。

店铺的客流量的值为当日顾客访问次数的总和，深访率为深访类型访问记录占总访问记录的百分比，跳出率为跳出类型访问记录占总访问记录的百分比，新老顾客比例为新顾客和老顾客分别占当日访问顾客总数的百分比。当顾客总访问次数超过2次且访问记录不都在同一天时标记为老顾客，其余均标记为新顾客。

由于目前市场上客流量的统计都统计的访问次数，不能够描述细节的客流情况，而本方法的客流统计是基于对顾客行为分析的。

步骤S5，客流预测：通过历史数据，对未来时间段的客流量数据做出预测。

通过分析得到的历史店铺客流数据，主要对未来一段时间的客流量情况做出预测。

具体的，客流预测的过程如下：

步骤1，取最近一段时期(至少2个星期)T天的客流量数据，记该客流量序列为{x_t}；

步骤2，对序列{x_t}做平稳性检验，如果没有通过平稳性检验，则对此时的序列做一次差分，差分过程如下，

x′_t-1＝x_t-x_t-1

差分后得到新的序列，通过平稳性检验以后可以得到关于客流量序列的新序列{y_t}，

{y_t}＝{y₁，y₂，y₃，…，y_T-d}

其中d代表得到平稳序列所做的差分次数；

步骤3，对序列{y_t}做自回归和偏自回归分析，提取客流量数据的变化趋势特征，确定序列{y_t}的自相关函数和偏自相关函数分别在u步和v步后拖尾或衰减或震荡，其中u代表自回归项数，v代表移动平均项数；此过程参见现有技术；

步骤4，对序列{y_t}建立自回归滑动平均过程进行预测，

其中，

为自回归系数多项式，{θ_i}为移动平均系数多项式，{∈_t}～WN(0，σ²)，

和{θ_i}的计算方式如下。

步骤5，将序列{y_t}的预测通过d次差分还原，最终得到客流量数据{x_t}的预测值。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (2)

1.一种店铺客流量预测方法，其特征是，包括以下步骤：

步骤S1，数据采集：基于顾客携带的移动设备与店铺内AP建立连接时的交互信息，采集得到对应此顾客的MAC地址和RSSI信号强度；

步骤S2，数据预处理：对每个顾客，将其对应的RSSI信号强度转换成顾客距离店铺的距离，并添加采集时的时间戳，整合成<MAC地址，时间戳，距离>三元组的源记录；

步骤S3，顾客行为分析：针对源记录中的距离，判断顾客进店出店的行为，并将此顾客的行为整合成顾客访问记录表，此顾客访问记录中至少包括MAC地址、入店时间和出店时间字段；其中，顾客访问记录中还包含驻店时长和访问类型字段，其中驻店时长为出店时间与进店时间之差，访问类型包括“深访”和“跳出”，当驻店时长达到阈值T时，访问类型为“深访”，未达到阈值T时，访问类型为“跳出”；

步骤S4，店铺客流分析：分析所有顾客访问记录得到店铺的客流量；其中，分析所有顾客访问记录得到每个顾客的访问次数、平均访问时长和平均访问周期指标；分析所有顾客访问记录得到店铺的客流量、深访率、跳出率以及新老顾客比例指标；

步骤S5，客流预测：通过店铺客流量的历史数据，预测未来时间段的客流量数据；

其中：步骤S2中，针对源记录中的距离，判断顾客进店出店的行为的具体过程为：

将该MAC地址对应的距离与店铺范围相比较，判断出顾客是处于店外还是店内的状态；

如果是店内的状态，查找顾客访问记录表：情况一，如果没有包含该MAC地址的记录或是包含此MAC地址的记录中入店时间和出店时间均存在，则插入一条记录，记录该MAC地址并添加时间戳为进店时间；情况二，如果包含此MAC地址的最近一次的记录，记录中进店时间存在，而出店时间为空，则忽略该源记录；

如果是店外的状态，查找顾客访问记录表：情况一，如果没有包含该MAC地址的记录或是包含此MAC地址的记录中入店时间和出店时间均存在，则忽略该源记录；情况二，如果包含此MAC地址的记录中入店时间存在而出店时间为空，则更新此记录的出店时间为源记录的时间戳；

步骤S5中，客流预测的过程如下：

步骤1，取最近一段时期T天的客流量序列，记该客流量序列为{x_t}；

步骤2，对序列{x_t}做平稳性检验，如果没有通过平稳性检验，则对此时的序列做一次差分，差分过程如下，

x′_t-1＝x_t-x_t-1

差分后得到新的序列，通过平稳性检验以后得到关于客流量序列的新序列{y_t}，

{y_t}＝{y₁，y₂，y₃，…，y_T-d}

其中d代表得到平稳序列所做的差分次数；

步骤3，对序列{y_t}做自回归和偏自回归分析，提取客流量序列的变化趋势特征，确定序列{y_t}的自相关函数和偏自相关函数分别在u步和v步后拖尾或衰减或震荡，其中u代表自回归项数，v代表移动平均项数；

步骤4，对序列{y_t}建立自回归滑动平均过程进行预测，

其中，

为自回归系数多项式，{θ_i}为移动平均系数多项式，{∈_t}～WN(0，σ²)，

和{θ_i}的计算方式如下；

步骤5，将序列{y_t}的预测通过d次差分还原，最终得到客流量序列{x_t}的预测值。

2.根据权利要求1所述的一种店铺客流量预测方法，其特征是，步骤S4，新老顾客的定义为，当顾客总访问次数超过2次且访问记录不都在同一天时标记为老顾客，其余均标记为新顾客；

其中店铺的客流量为当日顾客访问次数的总和，深访率为深访类型访问记录占总访问记录的百分比，跳出率为跳出类型访问记录占总访问记录的百分比，新老顾客比例为新顾客和老顾客分别占当日访问顾客总数的百分比。

Images