Látogatószámlálás kamerák nélkül

Igen, a látogatószámlálás kamerák nélkül is működik. Az épületben már üzemelő Wi-Fi hozzáférési pontok kamera nélkül is meg tudják számolni a látogatókat. Érzékelik a telefonok által kibocsátott jeleket, ezekből látogatószámot és áramlásokat állítanak elő, és csak összesített statisztikát őriznek meg. Kép nem készül, és senkit sem azonosítanak. Azoknál a bejáratoknál, ahol pontos szám kell, LiDAR is használható, amelyhez szintén nem kell kamera.

Röviden

• A meglévő Wi-Fi hozzáférési pontok kamera nélkül számolják a látogatókat az egész épületben, és a lefedettség addig terjed, ameddig a hálózat.
• A telefonok jeleiből látogatószám, tartózkodási idő és zónák közötti útvonal lesz; csak összesített statisztika marad.
• A LiDAR pontos számot ad egy bejáratnál, kamera és kép nélkül.
• A számokat kézi számlálásokkal kalibrálják, így összesített szinten megbízhatók.
• Hogy kell-e adatvédelmi hatásvizsgálat (DPIA), azt az Ön saját adatvédelmi tisztviselője (DPO) vagy megfelelőségi részlege dönti el.

Számolhatjuk-e a látogatókat az eladótérben és az ajtóknál kamerák nélkül?

Igen, és a feladatot két módszer osztja meg. A Wi-Fi-alapú számlálás az épületben már meglévő hozzáférési pontokon keresztül lefedi az eladóteret, és látogatószámot, tartózkodási időt és a zónák közötti útvonalakat ad. A LiDAR azokat a bejáratokat kezeli, ahol pontos számra van szükség, és lézerimpulzusokkal mér, így kép nem is keletkezik.

Ha minden bejáratra, zónahatárra, mozgólépcsőhöz és liftelőtérbe optikai számlálót szerelnek, az projekttervezést, kábelezést és folyamatos eszközkarbantartást igényel. A Wi-Fi-alapú számlálás azokkal a hozzáférési pontokkal dolgozik, amelyeket az üzemeltetés vagy az IT már amúgy is kezel a kapcsolódás miatt, így a lefedettség addig terjed, ameddig a hálózat, és a legtöbb épületben a mennyezetre nem kell új eszköz.

Egy bevásárlóközpont, amelynek öt szintjén több tucat hozzáférési pont van, mind az öt szintről zónaszintű elemzést kap, sokkal többet, mint amit a főbejáratnál mért létszám mutatna. A múzeumok és kulturális intézmények vagy a közlekedési csomópontok számára ez a részletesség általában kábelezési projekt nélkül is elérhető, az adatok pedig gazdagabbak, mert a számlálás az egész épületre kiterjed. Nem kell újabb kamerát indokolni egy engedélyező hatóság előtt, vagy egy sorra irányítani.

Mit érzékelnek a Wi-Fi hozzáférési pontok egy telefonból?

A bekapcsolt Wi-Fi-jű telefon probe requesteket küld: rövid jeleket, amelyekkel azt kérdezi, van-e a közelben ismert hálózat. A hatótávolságon belüli hozzáférési pontok ezeket érzékelik. Régebben minden ilyen jel egyedi hardverazonosítót, MAC-címet hordozott, amely elvben lehetővé tette, hogy egy konkrét eszközt időn és téren át felismerjenek.

Az Apple 2014-ben, az iOS 8-cal vezette be a MAC-cím randomizálását; az Android a 8-as verziótól követte.

Az eszközök ma rögzített hardverazonosító helyett randomizált MAC-címmel küldik a probe requesteket, amelyek időről időre és hálózatonként változnak, így egy rögzített hardvercím már nem kíséri végig az eszközt az időben. Hogy egy számlálórendszer mennyire védi a magánszférát, az továbbra is attól függ, mit kezd utána a jelekkel.

Mi marad meg a jelek feldolgozása után?

A Wi-Fi-alapú látogatószámlálás a gyűjtés pontján anonimizálja a jeleket. A probe requestekből látogatószám és áramlási statisztika lesz, a mögöttes jeladatokat pedig nem tárolja. Ami megmarad, az összesített: hány eszközt érzékeltek egy zónában egy adott órában, mennyi volt az átlagos tartózkodási idő, melyik útvonal volt a leggyakoribb egy térben. Egyetlen adatbázissor sem felel meg egy személynek.

A Wi-Fi-alapú számlálásra épülő GDPR-nek megfelelő látogatottság-elemzés működéséhez nem kell a látogatók hozzájárulása. A hozzájárulás ott releváns, ahol személyes adatot kezelnek, ez a módszer pedig egyet sem kezel. Ezért is ez Európa egyetlen olyan látogatószámlálási módszere, amelyet egy adatvédelmi felügyeleti hatóság jóváhagyott.

Honnan tudjuk, hogy a számok pontosak?

A rendszer soha nem lát egyéneket, ezért a számok ellenőrzéséhez kalibrációra támaszkodik. A Wi-Fi-jelekből kapott számokat kézi számlálásokkal validálják: ismert számú ember halad át egy zónán, és a rendszer becslését ehhez igazítják. A kalibráció azt is korrigálja, hogy a látogatók mekkora része hord magánál Wi-Fi-képes eszközt, ami helyszínenként és időszakonként változik. A többi módszert a hogyan számoljuk a látogatókat oldal veti össze.

Összesített szinten nagy a pontosság, és a működési és stratégiai döntésekhez erre a szintre van szükség. Egy kereskedőnek azt kell tudnia, hogy szombaton 2 000 vagy 4 000 ember fordult-e meg, és ennek megválaszolásához nem kell egyénenként összeírni senkit. A kalibráció a számot helyszínek és évszakok között is összehasonlíthatóvá teszi, és ez az összehasonlíthatóság az, amit egy látogatottsági benchmark ér. A látogatószám egyben az a nevező, amelyet a kassza nem tud megadni: az eladásokkal összevetve adja azt a konverziós rátát, amely miatt a látogatottság és az árbevétel más-más történetet mesél.

A modern eszközökön ma már általános MAC-randomizálást az algoritmusok kezelik, állandó azonosítókhoz való visszatérés nélkül, így a statisztikai eredmény megbízható marad.

Mire terjed ki a Wi-Fi-alapú számlálás adatvédelmi felülvizsgálata?

A GDPR hatálya alá tartozó szervezeteknél a látogatószámláláshoz készített adatvédelmi hatásvizsgálat (DPIA) a hivatalos lépés egy technológia értékelésére a bevezetés előtt. Hogy szükség van-e rá, és mire kell kiterjednie, azt az Ön saját adatvédelmi tisztviselője (DPO) vagy megfelelőségi részlege dönti el. A módszer nem állít elő különleges kategóriájú adatot, nem igényel hozzájárulási mechanizmust, és nem keletkeznek kezelendő érintetti jogok. Az adatvédelmi tisztviselők szokásos kérdéseit azon az oldalon gyűjtöttük össze.

Mit szólnak majd a munkatársak és a szakszervezetük?

A mérés anonim. A Wi-Fi-alapú számlálás során nem keletkezik személyes adat, így az eredményekben senki, sem munkatárs, sem látogató nem azonosítható, és senkit sem követ nyomon az időben. A munkatársak és képviselőik a térről szóló összesített statisztikát látják: hányan voltak ott, hol és mikor, de sosem azt, hogy kik.

Mi változik a látogatóknak, ha nincs kamera?

A kamerás rendszerek olyasmire is képesek, amire a Wi-Fi-alapú számlálás nem: meg tudják különböztetni a felnőtteket a gyerekektől, nagy pontossággal számolják az embereket a képeken, és egyes beállításokban felismerik a visszatérő látogatókat. A közönség kényelmetlenségérzete is éppen ezekből a képességekből fakad. A kiskereskedelmi elemzéshez kapcsolt arcfelismerés egész Európában felkeltette a szabályozók figyelmét, és a látogatók a köztereken egyre inkább észreveszik a kamerákat és kérdéseket tesznek fel, akkor is, ha azok nem futtatnak arcfelismerést. Egy látható kamera akkor is megfigyelésnek tűnhet, ha csak számol, és ez a súrlódás költséggel jár a látogatói élményben, a munkatársak idejében és olykor a sajtóban is.

A Wi-Fi-alapú számlálás nem irányít kamerát a látogatókra, és nem készít róluk képet. Ez ott számít a legtöbbet, ahol a bizalom a látogatás része: kulturális intézményekben, a tömegközlekedésben és az egészségügyi létesítményekben. A kiskereskedelemben is egyre többet számít, ahogy a látogatószámláló vagy elemzőplatform közötti döntéseket egyre alaposabban vizsgálják.

Ahol egy bejáratnál pontos szám kell, de nem látnak szívesen objektívet, a LiDAR-alapú látogatószámlálás kamera nélkül ad pontos számot. A mozgást szemre ártalmatlan lézerfény impulzusaival méri, és az embereket pontfelhőként mutatja a háromdimenziós térben. Kép soha nem készül, így nincs mit tárolni, elmosni vagy kitakarni.

Források

• Apple (2014). iOS Security (white paper, October 2014). https://www.apple.com/mx/privacy/docs/iOS_Security_Guide_Oct_2014.pdf
• Android Open Source Project. Implement MAC randomization. https://source.android.com/docs/core/connect/wifi-mac-randomization
• Martin, J., Mayberry, T., Donahue, C., Foppe, L., Brown, L., Riggins, C., Rye, E. C., & Brown, D. (2017). A study of MAC address randomization in mobile devices and when it fails. Proceedings on Privacy Enhancing Technologies, 2017(4), 365–383. https://doi.org/10.1515/popets-2017-0054
• European Data Protection Board (2020). Guidelines 3/2019 on processing of personal data through video devices, version 2.0. https://www.edpb.europa.eu/documents/guideline/guidelines-32019-on-processing-of-personal-data-through-video-devices_en
• European Parliament and Council of the European Union (2016). Regulation (EU) 2016/679 (General Data Protection Regulation), Recital 26 and Article 35. https://eur-lex.europa.eu/eli/reg/2016/679/oj