打通线下数据孤岛，构建统一客户视图
本报告深入研究线下零售门店如何将多源、异构的客户信息归并到同一个真实顾客ID。核心结论是，未来趋势是构建一个动态、弹性的 ID-Graph（身份图谱），它综合运用多种归并技术，特别是利用 **多模态 AI** 连接海量的匿名数据，构建更完整的客户行为旅程。
核心挑战
大多数顾客是匿名的，他们的数据分散在视频、POS、Wi-Fi 等多个“孤岛”中，无法有效关联。
核心方案
构建 ID-Graph（身份图谱），通过确定性、概率性、规则和 AI 等方法，将数据点连接到统一 ID。
前沿技术
利用多模态 AI 分析步态、体态、行为等“软特征”，极大提高匿名顾客的“重识别”准确性。
挑战：线下零售的数据“孤岛”
线下门店的数据天然呈现“多源”和“异构”的特性。关键挑战在于：如何证明来自不同系统、不同时间的匿名数据指向的是同一个人？
📷 客流摄像头
体貌、路径、行为
💳 POS 系统
交易、支付ID、会员
📶 Wi-Fi / 蓝牙
MAC地址、场内定位
📱 智能展品
App体验、交互
点击上方的“数据孤岛”卡片，查看该数据源的详细信息。
核心方案：构建 ID-Graph
ID-Graph (身份图谱) 是一种数据模型，它通过图数据库的形式，将所有分散的数据点（节点）通过“身份关联”（边）连接起来，最终汇聚到一个统一的客户 ID 上。
-
节点 (Nodes)
代表身份标识或数据点。例如：
会员ID、MAC地址、摄像头人脸ID、交易单号、步态特征。 -
边 (Edges)
代表归并的“证据”或“关系”。例如：
[使用]、[同时出现于]、[高概率是]。
归并方法对比与深度解析
身份解析没有银弹，必须是多种方法的组合拳。下方的雷达图直观对比了四种核心方法，您也可以点击按钮查看每种方法的详细解析。
门店的实用应用场景
构建 ID-Graph 的最终目的是驱动业务增长。以下是基于不同归并深度的典型应用场景。
基础场景 (基于确定性/概率性)
全渠道会员画像
顾客在门店 Wi-Fi 登录会员（确定性），其 MAC 地址被记录。该 MAC 地址后续的 Wi-Fi 路径（概率性）被自动关联到该会员，丰富其线下行为画像。
高价值匿名客户识别
通过概率性归并，发现某个匿名 MAC 地址或人脸 ID 在30天内5次到店，且每次都在高价区停留。导购可优先服务此“高价值匿名潜客”。
V2.0 进阶场景 (多模态 AI 驱动)
跨访问匿名旅程
AI 通过步态和体态，将周一“只逛不买”（匿名）的顾客与周五“到店购买”（匿名）的顾客识别为同一人，实现更准确的营销归因。
完整交互漏斗分析
AI 实时合成“会话”：顾客（视频）拿起A商品（传感器）-> 观看介绍（屏幕）-> 放下商品（传感器）。通过分析此类事件，发现商品介绍的流失节点。
情境感知个性化
AI 通过步态和行为将某匿名顾客识别为“研究型”。当他靠近屏幕时，自动推送“专业规格对比”而非“促销信息”，全程无需登录。
✨ 您的专属场景生成器
输入您的门店类型（例如：咖啡店、高端服装店、电子产品卖场），Gemini AI 将结合本报告的数据归并理念，为您生成定制化的应用场景。