Un centro commerciale registra lo stesso numero di ingressi di tre mesi fa. Eppure i negozi si lamentano: meno persone tornano. Il dato aggregato racconta una storia tranquilla. Il KPI giusto, invece, ne racconta una diversa e più urgente. Ecco quali sono i KPI di Location Analytics che fanno davvero la differenza, come si leggono e cosa conviene sapere prima di fidarsene ciecamente.
Che cos'è la Location Analytics (e perché non è solo una mappa)
Ogni volta che qualcuno entra in un negozio, in un aeroporto o in un ospedale, lascia una traccia: dove si ferma, quanto resta, se è già passato di lì prima. La Location Analytics è l’insieme di tecnologie che raccolgono e interpretano questa traccia, trasformando la presenza fisica delle persone in informazioni utili al business.
Non si tratta di sapere dove si trova esattamente una persona in un dato istante, quello è un obiettivo diverso, e spesso nemmeno raggiungibile con le tecnologie più diffuse. Si tratta di capire come vengono usati gli spazi: quali aree ricevono più traffico, in quali orari, con quale frequenza le persone tornano. È la dimensione “dove” che si aggiunge alla Business Intelligence tradizionale, ed è proprio questa aggiunta a rendere visibili pattern che i soli dati di vendita o di accesso non mostrerebbero mai da soli.
Pensiamo a un centro commerciale che vuole capire perché un’ala dell’edificio genera meno passaggio delle altre: la risposta non è nei dati di cassa, è nei dati di movimento.
Che differenza c'è tra Location Analytics e Location Intelligence?
I due termini vengono usati quasi come sinonimi, ma non lo sono. La Location Analytics è operativa: fotografa quello che sta succedendo ora, o che è successo di recente, e lo traduce in indicatori misurabili. La Location Intelligence guarda più lontano, incrocia i dati di posizione con altre fonti, demografiche o di mercato, per orientare decisioni strategiche di lungo periodo, come dove aprire un nuovo punto vendita.
In pratica: la prima risponde a “cosa succede nei miei spazi oggi”, la seconda a “dove dovrei investire domani”. Conoscere la differenza evita di aspettarsi da un cruscotto operativo risposte che appartengono a un altro tipo di analisi.
Nei paragrafi che seguono si parla proprio della soluzione di Location Analytics via WiFi: come raccoglie i dati, quali KPI restituisce e dove si ferma la sua precisione.
Come funziona: tecnologie e fonti di dati
Non esiste una tecnologia di localizzazione universalmente migliore. WiFi, Bluetooth, RTLS, sistemi dedicati, GPS negli spazi aperti: ognuna ha un suo equilibrio tra precisione, costo, infrastruttura necessaria e quanto è disposto a “collaborare” chi viene tracciato, nel senso di installare un’app, accettare un consenso, portare con sé un dispositivo dedicato. La scelta giusta dipende sempre dal caso d’uso, non dalla tecnologia più sofisticata sulla carta.
Wi-Fi analytics: come il segnale wireless diventa dato comportamentale
Per la maggior parte degli scenari indoor su larga scala retail, aeroporti, centri commerciali, il WiFi resta il punto di partenza più naturale, perché sfrutta una rete già presente. Ma il modo in cui il WiFi genera dati utili è cambiato parecchio negli ultimi anni, ed è qui che vale la pena rallentare.
Storicamente bastava intercettare i segnali emessi dagli smartphone nelle vicinanze per stimare quante persone c’erano, per quanto tempo si fermavano, se erano già passate di lì. Poi Android e iOS hanno introdotto la randomizzazione del MAC Address: l’identificativo della scheda WiFi di ogni dispositivo cambia automaticamente, e il comportamento varia da produttore a produttore. Su iPhone, ad esempio, l’indirizzo casuale resta legato a una rete specifica per circa due settimane prima di rigenerarsi. Il risultato pratico è che oggi, con il solo ascolto passivo del WiFi, si ottengono pochissime informazioni davvero affidabili: il sistema non può più dare per scontato che il dispositivo di oggi sia lo stesso di ieri.
Le cose cambiano quando è l’utente a collegarsi volontariamente alla rete, tipicamente attraverso un Captive Portal quella pagina di benvenuto che compare prima di navigare. Lì l’utente si autentica, accetta le condizioni, fornisce un consenso al trattamento dei dati. Da quel momento il sistema ha un’identità certa, e può riconoscere la stessa persona anche alle visite successive, senza bisogno di ripetere la registrazione ogni volta.
Un ulteriore salto di qualità arriva con la tecnologia Passpoint: dopo la prima autenticazione, viene installato sul dispositivo un profilo che sposta il riconoscimento dalla persona randomizzata al dispositivo stesso, e che può restare valido per mesi o anni. Ogni ritorno, da quel momento, viene riconosciuto in automatico.
Vale la pena essere onesti su un punto: la precisione posizionale che si ottiene via WiFi indoor corrisponde, più o meno, alla copertura radio di un singolo access point un margine di errore che si aggira sui 30-40 metri. Perfetto per capire se un passeggero è nell’area partenze o in quella arrivi, o se un visitatore è entrato in un padiglione fieristico. Non abbastanza per guidarlo passo passo fino a un negozio preciso: per quello serve un’altra tecnologia, ed è la ragione per cui la navigazione indoor di VoiSmart (2Guide) si affida ai QR-code invece di chiedere al WiFi più di quanto possa realisticamente dare.
IoT e sensori: tracciamento asset e persone in tempo reale
Quando il caso d’uso cambia non più capire come si muovono i visitatori, ma tracciare in tempo reale un asset specifico, come un’apparecchiatura medicale in ospedale o un pallet in un magazzino entrano in gioco altre famiglie di tecnologie: tag RFID, sensori IoT dedicati, sistemi RTLS pensati apposta per la localizzazione ad alta precisione.
Sono soluzioni più costose e più invasive da installare rispetto al WiFi, perché richiedono infrastrutture proprie invece di appoggiarsi a una rete già esistente. Hanno senso quando la precisione richiesta va oltre quello che una cella WiFi può garantire, o quando l’oggetto da tracciare non è uno smartphone ma un dispositivo dedicato. Per il monitoraggio dei flussi di visitatori il cuore della Location Analytics via WiFi restano comunque l’eccezione, non la regola.
I KPI della Location Analytics che contano davvero
Chi lavora ogni giorno con queste piattaforme nota sempre lo stesso schema: dopo le prime settimane di esplorazione, in cui si guarda un po’ tutto, i clienti finiscono per tornare sempre sugli stessi due o tre indicatori. Le dashboard più ricche di metriche non sono le più usate, anzi, spesso vale il contrario: meno numeri, ma scelti bene, battono venti grafici che nessuno apre più dopo il primo mese.
Dwell Time
Il dwell time è il tempo medio che un visitatore trascorre in un’area, ed è uno dei KPI più citati a ragione, ma con un avvertimento. Lo stesso numero può voler dire cose opposte a seconda del contesto: in un centro commerciale un dwell time alto è spesso un buon segno, indica coinvolgimento; in un aeroporto può essere semplicemente fisiologico, legato ai tempi di attesa del volo; in un ospedale, lo stesso identico dato può segnalare code troppo lunghe. Va sempre letto insieme a chi lo genera e dove.
Tasso di ritorno (Return Rate)
Sapere quante persone sono già state in una struttura, e quante ci tornano, dice qualcosa che il solo conteggio degli ingressi non può dire. Un centro commerciale può avere un traffico totale stabile mese dopo mese, e allo stesso tempo vedere calare i visitatori abituali: un segnale di perdita di attrattività che passerebbe inosservato guardando solo il numero grezzo di accessi. Per essere davvero affidabile, però, questo KPI ha bisogno di un’identità riconoscibile nel tempo, motivo per cui funziona meglio con un WiFi attivo (Captive Portal, Passpoint) che con il solo ascolto passivo della rete.
Heatmap comportamentale
La heatmap è probabilmente lo strumento di visualizzazione più immediato: un colpo d’occhio mostra subito quali aree sono più frequentate e quali restano vuote. Il suo valore, però, non sta tanto nell’immagine in sé, sta nel confronto tra periodi diversi. Una heatmap isolata è una fotografia; messa a confronto con quella del mese scorso, o dello stesso periodo dell’anno precedente, diventa un racconto di come cambia il comportamento delle persone nello spazio.
Footfall e conversion rate spaziale
Il footfall è, semplicemente, quante persone hanno attraversato o visitato un’area in un dato periodo: il dato di partenza di qualsiasi analisi, e probabilmente il numero più richiesto in assoluto durante una demo. Da solo, però, racconta solo metà della storia. La parte che manca è quanti di quei passaggi si trasformano in qualcosa, un ingresso in negozio, una sosta, un acquisto: è quello che nel settore si chiama, informalmente, conversion rate spaziale, il rapporto tra chi passa e chi si ferma davvero. Per calcolarlo servono i dati di footfall incrociati con altre fonti, tipicamente le vendite o gli accessi al punto cassa ed è proprio in quell’incrocio che il dato di flusso diventa una decisione di business.
Path Analysis
L’analisi dei percorsi mostra quali aree vengono attraversate più spesso, quali sequenze di zone si ripetono, quali angoli di uno spazio restano sistematicamente ignorati. È un’informazione preziosa per chi deve decidere dove posizionare un espositore o come ridisegnare un layout. Va usata, però, per letture generali sui flussi, non per ricostruzioni millimetriche del percorso di ogni singola persona: la precisione dipende sempre dalla tecnologia di raccolta, e per il WiFi vale lo stesso margine di errore di cui si parlava sopra, qualche decina di metri.
Zone Transition Rate
Un’evoluzione naturale della path analysis è capire non solo dove si concentrano le persone, ma come si spostano da una zona all’altra: quanti visitatori che entrano nell’area A proseguono verso l’area B, e quanti invece si fermano o tornano indietro. In VoiSmart questo tipo di lettura rientra in quella che viene chiamata flow analytics, direzione e densità degli spostamenti tra le diverse aree di uno spazio. È un indicatore utile soprattutto per misurare quanto funziona bene la segnaletica, fisica o digitale, nel guidare le persone dove serve.
Non esiste, in assoluto, il KPI più importante, dipende sempre dagli obiettivi di chi lo guarda. Un aeroporto punta ad aumentare il tempo trascorso nelle aree commerciali; un centro commerciale vuole più visitatori di ritorno; una fiera cerca una distribuzione più equilibrata tra i padiglioni. La domanda davvero utile, durante una valutazione, non è “quanto è precisa la localizzazione”, è quali decisioni concrete si possono prendere con questi dati.
Esempi pratici per settore
- Retail e GDO L’uso più diretto della Location Analytics resta l’ottimizzazione del layout: sapere quali corridoi vengono attraversati e quali ignorati, quanto tempo ci si ferma davanti a un espositore, come cambia la heatmap prima e dopo un riallestimento. Lo stesso dato di flusso, letto per fasce orarie, aiuta anche a decidere quando aprire una cassa in più, prima che si formi la coda invece che dopo. Sul retail si innesta poi naturalmente il proximity marketing come layer aggiuntivo, un’offerta inviata mentre il cliente è vicino a un reparto specifico, ma è un’estensione del dato di flusso, non il punto di partenza.
- Aeroporti e trasporti Qui la Location Analytics lavora soprattutto sulla gestione dei flussi passeggeri su larga scala: capire dove si concentra la congestione, in quali fasce orarie, tra quali aree. La flow analytics, l’analisi degli spostamenti tra zone di cui si è parlato sopra, permette di individuare i colli di bottiglia vicino ai gate con più anticipo, e i dati di transito tra aree possono orientare dove e quando aggiornare la segnaletica dinamica, così che indichi il percorso più scorrevole invece di quello teorico. ADR Aeroporti di Roma ha costruito proprio su questo tipo di dato, raccolto via WiFi inPiazza, parte del proprio passenger journey digitale.
- Sanità (ospedali e ASL) Qui vale una distinzione tecnica importante, di cui si è già parlato: il tracciamento di asset medicali specifici (un’apparecchiatura, un letto mobile) richiede tecnologie dedicate come RFID o RTLS, non la Location Analytics via WiFi. Quello che il WiFi fa bene, invece, è l’analisi dei flussi di pazienti e visitatori tra i reparti, e il monitoraggio del tempo trascorso nelle sale d’attesa: un dwell time che cresce in una specifica area, ora dopo ora, è un indicatore concreto di dove si stanno allungando i tempi di attesa, prima ancora che arrivi un reclamo. Detto questo, la decisione operativa (aggiungere personale, riorganizzare un percorso) resta quasi sempre in capo a chi gestisce la struttura: il dato accompagna la decisione, raramente la sostituisce.
- Centri commerciali (mall) L’analisi delle aree ad alta e bassa attrattività tramite heatmap è il caso d’uso più immediato: quali zone del centro funzionano, quali restano ai margini del flusso principale. Lo stesso dato, guardato prima, durante e dopo una campagna promozionale in-store, diventa una misura concreta della sua efficacia: un aumento del dwell time o del footfall in un’area specifica, nelle settimane della campagna, è un segnale più affidabile di qualsiasi stima a posteriori.
- Smart City e PA La stessa logica si estende agli spazi pubblici: piazze, biblioteche, uffici comunali con WiFi guest possono essere lette con gli stessi strumenti usati in un centro commerciale (footfall, orari di picco, aree più frequentate) per capire come vengono davvero utilizzati gli spazi e i servizi pubblici. È un’estensione naturale della stessa tecnologia più che un caso già ampiamente documentato: il principio resta comunque identico a quello visto negli altri settori.
Location Analytics nel retail italiano: un caso d'uso concreto
Immaginiamo una catena italiana di una ventina di punti vendita che nota, trimestre dopo trimestre, lo stesso traffico complessivo in ingresso, ma performance di vendita molto diverse da un negozio all’altro. Incrociando footfall e dwell time per area, emerge che nei negozi meno performanti i clienti si fermano a lungo vicino all’ingresso, ma raggiungono raramente il fondo del punto vendita, dove sono esposti i prodotti a marginalità più alta. La heatmap conferma il sospetto: un espositore mal posizionato, vicino alla cassa, “intercetta” l’attenzione prima che il cliente prosegua. Spostarlo, o ridisegnare il percorso, diventa una decisione supportata dal dato, non un’intuizione del category manager.
Location Analytics e AI conversazionale: il binomio emergente
I dati di posizione smettono di essere utili solo a chi guarda una dashboard, e cominciano ad alimentare direttamente l’esperienza di chi si trova fisicamente nello spazio. Sapere in quale area si trova un visitatore permette di attivare notifiche contestuali come un promemoria, un avviso, un’informazione utile in quel momento, offrire un’assistenza proattiva prima ancora che sia lui a chiederla, o guidarlo fisicamente verso la destinazione che cerca. È qui che la Location Analytics smette di essere solo un cruscotto di KPI e comincia a somigliare a quello che si può chiamare un Digital Concierge multimodale: da un lato, un’identificazione di contesto immediata e a bassissimo attrito, basta autenticarsi con WhatsApp al Captive Portal, oppure scansionare un QR-code in un punto preciso dello spazio, perché il sistema sappia già in quale area si trova l’utente quando si apre la conversazione; dall’altro un’intelligenza attiva, un chatbot AI, capace di interpretare la richiesta in linguaggio naturale e rispondere in modo pertinente a quel contesto. Non è un posizionamento passivo, in senso tecnico, richiede comunque un gesto minimo da parte dell’utente, ma resta un’azione immediata: un’autenticazione o una scansione, non una registrazione complessa.
Chatbot AI e dati di posizione: come funziona il Digital Concierge
Un passeggero si collega al WiFi di un aeroporto e apre una chat WhatsApp per chiedere dove si trovi la farmacia più vicina. In questo scenario, tre livelli lavorano in sequenza: la Location Analytics riconosce in quale area si trova il passeggero con la precisione tipica del WiFi, sufficiente a capire la zona, non il metro esatto e attiva la conversazione; il chatbot AI comprende la richiesta e risponde; se serve un’indicazione precisa fino alla destinazione, entra in gioco il sistema di navigazione indoor a QR-code, che guida l’utente passo dopo passo fino al punto esatto. È lo stesso schema, del resto, che rende efficaci gli scenari in cui WiFi guest, assistente conversazionale e navigazione indoor lavorano come un’unica esperienza per il passeggero, invece che come sistemi scollegati tra loro.
Immaginiamo un visitatore che entra in un centro commerciale e scansiona il QR-code all’ingresso, lo stesso meccanismo alla base della navigazione indoor di VoiSmart, trovandosi così davanti una conversazione WhatsApp già avviata. A quel punto può semplicemente chiedere: “dove si trova il negozio di elettronica?”. Il sistema conosce già, dalla scansione appena fatta o dal link da cui è partita la conversazione, in quale punto della struttura si trova; il chatbot AI (OmniCloudCX) interpreta la richiesta e risponde; e se serve un’indicazione precisa fino alla destinazione, la stessa conversazione si integra con il sistema di navigazione indoor a QR-code, che guida il visitatore passo dopo passo. In questo caso, nessuna registrazione WiFi necessaria, nessuna app da scaricare: solo una scansione e una domanda in linguaggio naturale, un dettaglio che conta, soprattutto in contesti come centri commerciali, ospedali, fiere, dove chiedere troppo a chi entra per la prima volta crea più attrito che valore.
Privacy e GDPR: raccogliere dati di posizione in modo conforme
Anche sul piano normativo, la distinzione tra WiFi passivo e attivo di cui si parlava sopra per motivi tecnici pesa parecchio. Nello scenario passivo, a causa della randomizzazione del MAC Address, il dato raccolto è spesso un identificatore casuale che cambia nel tempo: nella maggior parte dei casi non permette di risalire a una persona specifica, e proprio per questo il suo valore analitico, ma anche legale, è oggi piuttosto limitato.
Nello scenario attivo, invece, attraverso il Captive Portal vengono raccolti in modo esplicito e con consenso, conformi al GDPR: dati di autenticazione, consensi al trattamento, eventuali autorizzazioni di marketing, lingua del dispositivo, informazioni sulla sessione WiFi. È un approccio più solido, sia dal punto di vista tecnico sia da quello normativo, perché il trattamento parte da un consenso informato fin dal primo contatto.
Alla base di qualsiasi progetto di Location Analytics conforme restano i principi generali del GDPR: minimizzazione dei dati raccolti, anonimizzazione o pseudonimizzazione dove possibile, una distinzione netta tra dati aggregati non riconducibili a un individuo e dati individuali trattati con consenso esplicito. VoiSmart opera con certificazione ISO 27001 per la gestione della sicurezza delle informazioni, un elemento che pesa in particolare nei contesti regolamentati come sanità e pubblica amministrazione.
I 4 tipi di analytics applicati alla Location Analytics
Un modo utile per orientarsi nella maturità di un progetto di Location Analytics è distinguere quattro livelli di analisi. Quella descrittiva risponde a “cosa è successo”: quante persone hanno visitato una zona ieri. Quella diagnostica risponde a “perché è successo”: perché il dwell time in un’area è calato del 20% rispetto al mese precedente. Quella predittiva prova a rispondere a “cosa succederà”: la previsione dei prossimi picchi di affluenza. Quella prescrittiva, infine, suggerisce “cosa fare”: riallocare il personale, modificare un layout, sulla base dei pattern storici osservati.
Nella pratica, la maggior parte delle piattaforme di Location Analytics oggi disponibili sul mercato copre soprattutto i primi due livelli, descrittivo e diagnostico, perché sono quelli che rispondono in modo più diretto alle domande operative quotidiane. Predittivo e prescrittivo restano l’orizzonte verso cui l’intero settore si sta muovendo, ma richiedono in genere l’integrazione con altre fonti dati aziendali, e un impegno di analisi più esteso nel tempo. E anche quando la tecnologia arriva a suggerire un’azione, resta comunque all’organizzazione il compito di interpretarla e decidere: la piattaforma è uno strumento di supporto, non un sostituto del giudizio umano.
Domande frequenti (FAQ)
Abbiamo raccolto qui le risposte alle domande più frequenti dei nostri utenti.
Che cosa si intende per Location Analytics?
È la pratica di raccogliere ed elaborare dati legati alla posizione fisica di persone, oggetti o eventi, per estrarne informazioni utili al business. Aggiunge la dimensione "dove" alle analisi aziendali tradizionali.
Quali sono i 4 tipi di analytics?
Descrittivo (cosa è successo), diagnostico (perché è successo), predittivo (cosa succederà) e prescrittivo (cosa fare). Si applicano tutti alla Location Analytics, anche se oggi la maggior parte dei progetti si concentra sui primi due livelli.
Qual è un esempio concreto di Location Analytics?
Un centro commerciale che usa il WiFi per misurare il dwell time in ogni area, individua le zone meno frequentate tramite heatmap, e ottimizza la disposizione degli spazi in base ai percorsi osservati.
Conviene investire nella Location Analytics?
Per strutture con flussi fisici rilevanti retail, aeroporti, centri commerciali il ritorno è misurabile quando i dati vengono letti nel contesto giusto: ottimizzazione del layout, migliore comprensione dei visitatori, decisioni meno basate sull'intuizione. Il valore dipende dal volume di dati disponibili e dalla qualità dell'infrastruttura di raccolta già esistente.
La Location Analytics non vale per la quantità di dati che riesce a produrre, ma per la qualità delle decisioni che permette di prendere. Un dwell time, una heatmap o un tasso di ritorno dicono poco se letti fuori contesto; dicono molto se collegati agli obiettivi reali di chi li misura e se raccolti con una tecnologia di cui si conoscono davvero i limiti, non solo i vantaggi promessi.
