Korrelation Besucherfrequenz und Umsatz: Methodik, Rauschen, Erwartungen

Warum die Korrelation zwischen Besucherfrequenz und Umsatz die Leitkennzahl ist

Wenn Sie einem Retail-Analytics-System nur eine einzige Frage stellen könnten, lohnt es sich zu fragen, ob Besucher, die den Laden betreten, auch zu Umsatz werden. Jede andere Kennzahl fließt in diese eine ein. Die Erfassungsrate erklärt, wie viele Menschen das Schaufenster hereingeholt hat. Die Conversion-Rate erklärt, wie viele davon gekauft haben. Die Verweildauer erklärt, wie lange sie überlegt haben. Die Korrelation zwischen Besucherfrequenz und Umsatz ist die Beziehung, die die ganze Kette zusammenhält, und ein Händler, der sie versteht, kann Marketingausgaben verteidigen, eine Layoutänderung beurteilen und entscheiden, ob schwache Wochen ein Frequenz- oder ein Verkaufsproblem sind.

Die Beziehung klingt einfach. Mehr Besucher heißt meist mehr Umsatz. In der Praxis ist die Korrelation zwischen stündlichen Besuchern und stündlichem Umsatz in einer einzelnen Filiale selten die saubere Linie, die ein CFO erwarten würde. Sie ist verrauscht, sie variiert nach Warenkategorie und bei kleinen Stichproben kann sie irreführend schwach aussehen. Dieser Beitrag handelt davon, wie man die Korrelation so aufsetzt, dass sie die Frage wirklich beantwortet, welche Stärken bei welchem Datenvolumen zu erwarten sind und warum manche Händler echte schwache Korrelationen sehen, obwohl das System funktioniert.

Die Zahlen in diesem Beitrag sind illustrativ, nicht gemessen. Sie spiegeln die Muster wider, die Retail-Analysten, die mit Personenzählung und Kassendaten arbeiten, typischerweise berichten, und sie sind als Bereiche und grobe Größenordnungen geschrieben, nicht als Befunde. Es geht um die Methodik, nicht um die Zahlen.

Was die Korrelation tatsächlich misst

Die Korrelation zwischen Besucherfrequenz und Umsatz ist ein statistisches Maß dafür, wie eng sich zwei Zeitreihen gemeinsam bewegen: die Zahl der Besucher, die in einem bestimmten Fenster den Laden betreten, und der Brutto-Umsatz, der im selben Fenster an der Kasse gebucht wird. Die am häufigsten verwendete Kennzahl ist der Pearson-Korrelationskoeffizient, der von minus eins bis plus eins reicht. Ein Koeffizient von eins würde bedeuten, dass der Umsatz im perfekten Gleichschritt mit der Frequenz läuft. Null würde bedeuten, dass die Frequenz nichts über den Umsatz aussagt. Negative Werte würden bedeuten, dass mehr Besucher mit weniger Umsatz einhergehen, was im Einzelhandel selten ist, aber in spezifischen Grenzfällen vorkommt (eine vollere Filiale kann schlechter konvertieren, weil das Personal überlastet ist).

Den meisten operativen Retail-Teams ist der exakte Koeffizient weniger wichtig als seine Implikation. Eine starke, stabile Korrelation gibt der Führungsebene eine nützliche Schlussfolgerung: Wenn Sie Frequenz bewegen können, können Sie den Umsatzhebel innerhalb einer sinnvollen Bandbreite vorhersagen. Eine schwache oder instabile Korrelation bedeutet, dass Frequenz für sich genommen kein verlässlicher Hebel ist, und das Geschäft muss auf Conversion, Warenkorb oder Sortimentsmix schauen, um seine Umsatzlinie zu erklären.

Die Leitzahl ist also nur der Anfang der Analyse. Die interessante Arbeit liegt in dem Aufbau, der sie hervorbringt.

Die Korrelation aufsetzen: Matching-Fenster

Die erste Entscheidung ist das Zeitfenster, über das Sie korrelieren. Die Wahl verändert das Ergebnis stärker als jeder andere Teil der Methodik, und sie ist die Stelle, an der die meisten internen Analysen in die Irre gehen.

Stündlich

Stündliche Fenster sind am diagnostischsten. Eine Filiale mit 200 Besuchern am Samstag und 80 am Dienstag erzeugt zwei tagesbezogene Punkte; dieselbe Filiale erzeugt über einen Monat hunderte Stundenpunkte. Die stündliche Korrelation erfasst auch die Dynamik innerhalb des Tages, die für Personalentscheidungen wichtig ist. Der Preis ist Rauschen: eine einzelne Transaktion über mehrere hundert Euro landet in einer Stunde und nicht in der nächsten, was die Umsatzvarianz im Verhältnis zum darunterliegenden Muster aufbläht. Verwenden Sie stündliche Werte, wenn Sie genug Volumen haben, um das Rauschen zu absorbieren, was typischerweise eine stark frequentierte Filiale oder eine Stichprobe über mehrere Monate bedeutet.

Täglich

Tagesfenster glätten die Ausschläge und sind der Standard für die meisten Betriebsreviews. Ein einzelnes Jahr ergibt rund 300 Handelstage, genug für eine stabile Korrelation in den meisten Kategorien. Der Nachteil ist, dass die tagesbezogene Aggregation die Muster innerhalb des Tages verbirgt. Eine Filiale kann eine starke Vormittags-Conversion und eine schwache Nachmittagsphase fahren, sich zu einem normalen Tag mitteln und eine saubere Korrelation zeigen, die eine Chance verdeckt.

Wöchentlich

Wöchentliche Fenster sind für das Reporting an die Geschäftsführung nützlich, weil sie Tages- und Wetterrauschen entfernen, aber sie hinterlassen so wenige Datenpunkte (52 pro Jahr, weniger wenn eine Filiale erst seit ein paar Monaten gemessen wird), dass die Korrelation statistisch dünn wird. Verwenden Sie wöchentliche Werte für das Narrativ, nicht für die Inferenz.

Ein sinnvoller Arbeits-Standard für eine einzelne Filiale ist die tagesbezogene Korrelation als Leitzahl, mit der stündlichen Korrelation als Diagnose, die das Tagesbild erklärt. Der Vergleich beider zeigt oft mehr als jede einzelne für sich.

Der Daypart-Join: auf Minuten matchen, nicht auf Tage

Die stündliche Korrelation erfordert, dass die beiden Datenströme auf demselben Zeitraster liegen, und dies ist die Stelle, an der die meisten internen Analysen einen subtilen Fehler einbauen. Kassensysteme zeitstempeln eine Transaktion in dem Moment, in dem sie an der Kasse gebucht wird, was das Ende eines Besuchs ist. Personenzähler zeitstempeln einen Eintritt, wenn der Besucher die Tür passiert, was der Anfang des Besuchs ist. Die beiden Ereignisse sind durch die Verweildauer des Besuchs getrennt, die in den meisten Retail-Formaten zwischen wenigen Minuten und einer halben Stunde liegt.

Wenn Sie die Datenströme naiv auf die Stunde joinen, wird eine Transaktion um 11:55 mit den Besuchern korreliert, die zwischen 11:00 und 12:00 hereinkamen, obwohl der tatsächliche Käufer den Laden um 11:30 in der vorherigen Stunde betrat. Der Effekt an einem einzelnen Fenster ist klein. Der Effekt am Anfang und Ende des Handels ist größer, weil die Eintrittskurve und die Umsatzkurve um die durchschnittliche Verweildauer versetzt sind. Die sauberste Korrektur ist, die Umsatzreihe vor dem Korrelieren um die durchschnittliche Verweildauer zurück zu verschieben, sodass der Umsatz eines Besuchs der Stunde zugeschrieben wird, in der der Besucher eintrat. Dort, wo die Verweildauer kurz und einheitlich ist (ein Convenience-Store, ein Café), ist die Korrektur klein. Dort, wo die Verweildauer lang und variabel ist (ein Modegeschäft, ein Möbelhaus), zählt die Korrektur und kann eine Korrelationsstärke spürbar verändern.

Eine konservativere Variante derselben Idee ist die Aggregation nach Halbtag statt nach Stunde. Der intra-tagesbezogene Verweilversatz wird innerhalb des Halbtagsfensters absorbiert, und die Korrelation ist robust, ohne eine Lag-Korrektur zu brauchen. Dies ist der Ansatz, den man verwenden sollte, wenn Verweildaten unzuverlässig oder nicht vorhanden sind.

Saisonalitätskontrolle: der Teil, der die Zahl leise aufbläht

Eine rohe Korrelation zwischen täglichen Besuchern und täglichem Umsatz in einer typischen Filiale wird stark aussehen, oft im Bereich 0,7 bis 0,9. Der größte Teil dieser Stärke ist nicht das, was die Analyse zu zeigen versucht. Es ist der Tageszyklus. Samstage haben mehr Besucher und mehr Umsatz als Dienstage, also steigen und fallen die beiden Reihen jede Woche gemeinsam. Eine Korrelation, die nur dieses Muster erfasst, sagt der Führungsebene nicht, dass Frequenz Umsatz treibt. Sie sagt ihr, dass Wochenenden geschäftiger sind als Werktage, was sie ohnehin schon wusste.

Die Standardkorrektur besteht darin, die vorhersagbaren saisonalen Komponenten aus beiden Reihen zu entfernen, bevor korreliert wird. Das Mindestmaß an Kontrollen, das angewendet werden sollte:

• Wochentag. Die tägliche Besucherzahl und der Umsatz werden jeweils als Abweichung vom Mittelwert für diesen Wochentag über den Zeitraum ausgedrückt.
• Jahreszeit. Dezember, Schulferien, Sale-Phasen und Back-to-School bringen alle systematische Bewegungen mit sich. Eine einfache Monatskorrektur reicht für viele Kategorien; Mode und Spielwaren brauchen einen feineren Kalender.
• Änderungen der Öffnungszeiten. Eine späte Abendöffnung führt Stunden ein, in denen es zuvor keinen Verkehr und keinen Umsatz gab. Korrelieren Sie nur über Stunden, in denen die Filiale geöffnet ist, nicht über die 24-Stunden-Uhr.
• Nur Handelstage. Lassen Sie geschlossene Tage ganz fallen, statt Null zu imputieren, was zwei Nullen korrelieren und die Leitzahl aufblähen würde.

Nach diesen Kontrollen ist die verbleibende Korrelation die innerwöchentliche, innersaisonale Beziehung zwischen den Besuchern, die eine Filiale an einem bestimmten Tag erhält, und dem Umsatz, den sie an diesem Tag bucht. Das ist die Zahl, auf die es ankommt. Sie ist meist deutlich niedriger als die Rohzahl und deutlich nützlicher.

Ausreißerbehandlung: die Tage, die die Linie verbiegen

Retail-Daten haben eine erkennbare Verteilung ungewöhnlicher Tage. Sale-Starts, Feiertage, Wetterereignisse, Umbauten, Systemausfälle und einmalige Marketingkampagnen erzeugen alle Punkte, die weit vom darunterliegenden Muster entfernt liegen. Eine kleine Zahl solcher Tage kann einen Korrelationskoeffizienten um 0,1 oder mehr in eine der beiden Richtungen verschieben, je nachdem, ob der Ausreißer den Trend verstärkt oder ihm widerspricht. Sie drinzulassen ist irreführend. Sie still fallenzulassen ist schlimmer, weil der Analyst dann entscheidet, welche Tage zählen, ohne es zu sagen.

Arbeitsweise: Ausreißer explizit identifizieren und kennzeichnen, dann zwei Versionen der Korrelation rechnen, eine mit und eine ohne. Sind sich die beiden Versionen einig, ist die zugrundeliegende Beziehung robust. Weichen sie ab, sollte die Leitzahl mit dem Vorbehalt berichtet werden. Eine nützliche Schwelle sind tägliche Besucher- oder Umsatzwerte, die mehr als drei Standardabweichungen vom saisonbereinigten Mittelwert entfernt sind, was die wirklich ungewöhnlichen Tage erfasst, ohne normale Varianz zu kappen.

Welche Korrelationsstärken bei welchem Datenvolumen typisch sind

Wenn die obige Methodik steht, welche Korrelation sollte ein Händler erwarten? Die ehrliche Antwort lautet: es kommt auf die Kategorie, die Reife der Filiale und die Dauer der Datensammlung an. Die unten genannten Bereiche sind illustrativ, abgeleitet aus häufigen Mustern in der Retail-Analytics-Literatur und aus Feldwissen, nicht aus einer einzelnen gemessenen Studie. Sie sind ein Ausgangspunkt zur Plausibilitätsprüfung Ihrer eigenen Zahlen, keine zu erreichende Benchmark.

Kategorien mit kurzen Besuchen und kleinen Warenkörben

Convenience-Stores, Apotheken, Quick-Service-Food, Cafés. Besuche sind kurz, die Conversion ist hoch (die meisten, die hereinkommen, kaufen etwas), und der Warenkorb ist eng. Die tagesbezogene Korrelation zwischen Besuchern und Umsatz liegt nach Saisonkontrolle oft etwa im Bereich 0,6 bis 0,8 bei drei oder mehr Monaten Daten. Frequenz ist hier ein starker Prädiktor, weil sich nicht viel anderes bewegt.

Kategorien mit mittlerem Warenkorb und mittlerer Verweildauer

Mode, Beauty, Accessoires, Wohnen. Die Conversion ist niedriger, der Warenkorb variiert stärker, und ein einzelner Besucher mit hohem Wert kann die Umsatzlinie unabhängig von der Frequenz verschieben. Nach Saisonkontrolle und einem verweildauer-versetzten Join liegt die tagesbezogene Korrelation oft im Band 0,4 bis 0,7. Ein Wert unter 0,4 ist hier es wert, untersucht zu werden; ein Wert über 0,7 deutet manchmal darauf hin, dass die Saisonalität nicht vollständig entfernt wurde.

Kategorien mit hohem Ticket und geringer Frequenz

Möbel, Schmuck, Premium-Elektronik, Autohäuser. Ein Besuch kann an dem Tag einen Verkauf bringen oder auch nicht, und die Verkäufe, die zustande kommen, sind groß. Die tagesbezogene Korrelation ist strukturell schwächer, oft im Bereich 0,2 bis 0,5, weil die Varianz des Umsatzes von wenigen Transaktionen pro Tag dominiert wird statt von der Frequenz. Das ist kein Messfehler. Es ist eine Eigenschaft der Kategorie. Für diese Formate sind wöchentliche oder monatliche Korrelationen oder die Korrelation der Frequenz mit Leads / Angeboten / Aufträgen statt mit Umsatz diagnostischer.

Alle drei Bereiche setzen mindestens einige hundert Handelstage sauberer Daten, die oben beschriebenen Saisonkontrollen und eine einzelne Filiale voraus. Multi-Filial-Rollups erzeugen andere Zahlen, weil das Aggregieren über Filialen einen Teil des Einzelfilialrauschens entfernt und neue Quellen hinzufügt (Einzugsgebietsunterschiede, Conversion auf Filialebene). Dieselbe Methodik gilt; die erwarteten Stärken verschieben sich.

Warum manche Händler schwache Korrelationen sehen

Nicht jede Filiale wird eine saubere Frequenz-zu-Umsatz-Linie zeigen, und es lohnt sich, die strukturellen Gründe zu kennen. Wenn die Korrelation schwach ist, liegt die Ursache fast immer in einem der folgenden Punkte, und die Lösung liegt selten im Analytics-Aufbau selbst.

1. Conversion ist der dominante Hebel, nicht Frequenz. Manche Filialen holen bereits den größten Teil der Besucher ab, die ein Einzugsgebiet bieten kann, und zusätzliche Frequenz hebt den Umsatz nicht, weil die Besucher, die kaufen würden, ohnehin schon kommen. In diesen Filialen sind Conversion und Warenkorb die Hebel, und eine flache Korrelation zwischen Frequenz und Umsatz ist echte Information, kein Messfehler.
2. Die Kategorie sieht seltene, hochwertige Transaktionen. Wie oben angemerkt, können Möbel- oder Schmuckgeschäfte ein vollkommen gesundes Geschäft und eine niedrige tagesbezogene Korrelation haben, einfach weil wenige große Käufe die Umsatzlinie dominieren.
3. Die Personalkapazität ist die bindende Grenze. Wenn die Filiale regelmäßig mehr Besucher erhält, als das Personal bedienen kann, trägt Frequenz oberhalb einer Schwelle nicht mehr zum Umsatz bei, und die Korrelation flacht oben ab. Das zeigt sich als nichtlineare Beziehung, die ein geradliniger Pearson-Koeffizient untertreibt; ein Streudiagramm zeigt es sofort.
4. Loyalty und Online-Attribution. Besucher stöbern im Laden, kaufen online, und der In-Store-Frequenzzähler sieht den Umsatz nie. Die Filiale wirkt mit schwächerer Korrelation, als sie tatsächlich hat. Die Lösung liegt hier auf der Datenseite, nicht in der Messung: Loyalty-IDs über Kanäle hinweg verknüpfen und die kanalübergreifende Attribution im Umsatz berücksichtigen, oder mit der Conversion zu erfassten Leads statt zu kassenseitig gebuchtem Umsatz arbeiten.
5. Falsches Fenster oder falscher Join. Eine naiv aggregierte stündliche Korrelation ohne Verweil-Lag-Korrektur oder eine tagesbezogene Korrelation ohne Saisonbereinigung kann Zahlen erzeugen, die in eine Richtung schwach und in die andere stark wirken. Bevor Sie schließen, dass die Beziehung selbst schwach ist, bestätigen Sie, dass die Methodik sie nicht unterschätzt hat.

Der fünfte Punkt ist der, den es am ehesten zuerst zu prüfen lohnt, weil er der einzige ist, der vollständig in der Hand des Analysten liegt.

Wie man das Ergebnis liest, ohne zu viel zu behaupten

Ein Korrelationskoeffizient ist keine kausale Aussage. Eine tagesbezogene Korrelation von 0,7 zwischen Frequenz und Umsatz bedeutet nicht, dass ein zusätzlicher Besucher einen vorhersagbaren Umsatzbetrag bringt. Sie bedeutet, dass an geschäftigen Tagen der Umsatz tendenziell höher ist als an ruhigen, nachdem die offensichtlichen saisonalen Muster herausgerechnet sind. Der richtige nächste Schritt ist, die Korrelation in die operativen Fragen zu übersetzen, die sie tatsächlich beantworten kann:

• Verteidigung von Marketing. Bewegt eine Kampagne gemessene Frequenz, gibt die historische Korrelation eine verteidigbare Bandbreite für den Umsatzhebel, den Sie erwarten sollten. Liegt der tatsächliche Umsatzhebel innerhalb dieser Bandbreite, hat die Kampagne über die Frequenz gewirkt. Liegt er deutlich darüber oder darunter, haben sich Conversion oder Warenkorb gleichzeitig verschoben.
• Layout und Merchandising. Bleibt die Frequenz flach, die Korrelation aber stärker nach einer Anpassung der Umkleiden oder einem Kategoriewechsel, hat sich die Conversion verbessert, was die Art von operativem Befund ist, auf den ein Filialteam reagieren kann. Ariadne Analytics hält die beiden Reihen genau für diesen Vergleich nebeneinander.
• Einzugsgebiet vs. Betrieb. Eine Filiale, die in einer gesunden Kategorie schwach bei der Frequenz-zu-Umsatz-Korrelation abschneidet, sagt Ihnen meist, dass der Hebel im Betrieb liegt, nicht im Einzugsgebiet. Das ist eine andere Roadmap als bei einer Filiale, die hoch abschneidet.

Die Frequenzseite sauber messen

Die Methodik funktioniert nur, wenn die Besucherzahl genau ist und der Filiale korrekt zugeordnet wird, nicht aufgebläht durch Mitarbeiterbewegungen, doppelt gezählte Wiederbesucher oder Gruppen-Eintritte (eine vierköpfige Familie, die als vier separate Entscheidungsträger gezählt wird). Ungenaue Frequenz an einer der beiden Seiten der Korrelation drückt den Koeffizienten aus Gründen, die nichts mit der zugrundeliegenden Beziehung zu tun haben.

Ariadne misst dies mit Hybrid Fusion, der patentierten kamerafreien Methode. Time-of-Flight-Tiefensensorik zählt an den Eingängen jeden Besucher und erfasst Geometrie statt Bilder, während die patentierte Signalerfassung die Bewegung im Innenraum verfolgt und die Signale erkennt, die ein Telefon aussendet, selbst im Flugmodus. Der Sensor streamt beide Datenströme an Ariadne, wo Hybrid Fusion sie zu einer Trajektorie pro Besuch zusammenführt und Zählwerte, Verweildauer und Wege berechnet. Die Datenströme tragen keine Identifikatoren: keine MAC-Adresse, keine Geräte-ID, keine biometrischen Daten, und es ist keine Kamera beteiligt. Identifikatoren werden nur gespeichert, wenn ein Besucher ausdrücklich zustimmt, was die Methode datenschutzfreundlich und außerhalb des biometrischen Bereichs hält.

Für eine Einzelhandelsfiliale ist der praktische Aufbau ein Sensor an jedem Eingang, Gruppengrößenerkennung aktiviert, sodass eine Familie oder ein Paar als die Entscheidungseinheit gezählt wird, die für den Umsatz zählt, und Zonen im Laden, um Stöber-Verkehr von Mitarbeiterbereichen zu trennen. Die Daten fließen direkt in dieselbe stündliche oder tagesbezogene Reihe ein, auf der die oben beschriebene Korrelationsmethode arbeitet. Keine Kameras, keine MAC-Adressen, keine Gesichter, was die Messung außerhalb der DSGVO-Perimeter hält und die In-Store-Conversion-Penalty vermeidet, die sichtbare Videoüberwachung erzeugen kann. Die Hardware ist im Ariadne-Sensorportfolio dokumentiert, und die Datenverarbeitung ist in der Datenschutzerklärung dargelegt.

Von dort aus ist die Korrelation eine Standard-Analytics-Übung, und die interessantere Arbeit beginnt: zu prüfen, ob Layoutänderungen die Conversion verschieben, ob Marketingkampagnen die Frequenz verschieben und ob die Beziehung zwischen beiden stabil genug ist, um darauf zu prognostizieren. Die Leitzahl ist ein Ausgangspunkt, nicht die Antwort. Siehe die breitere Sicht zu Retail-Store-Analytics für den Aufbau der übrigen Kennzahlen rund um sie.

FAQ

Was ist eine gute Korrelation zwischen Besucherfrequenz und Umsatz?

Es gibt keinen einzelnen Benchmark, weil Kategorie und Filialtyp die Obergrenze setzen. Als grobe Orientierung sind nach Saisonkontrolle und verweildauer-versetztem Join tagesbezogene Korrelationen im Bereich 0,6 bis 0,8 für Convenience- und Quick-Service-Kategorien üblich, 0,4 bis 0,7 für Mode und Beauty mit mittlerem Warenkorb und 0,2 bis 0,5 für Hochpreis-Kategorien, in denen wenige Transaktionen den Umsatz dominieren. Die Zahlen sind illustrative Bereiche auf Basis üblicher Retail-Analytics-Muster, keine gemessenen Benchmarks. Die nützlichere Frage ist, ob die Korrelation Ihrer Filiale über die Zeit stabil und konsistent mit ihrer Kategorie ist.

Warum ist meine Korrelation schwächer als erwartet?

Die häufigsten Ursachen liegen in der Methodik, nicht in der Messung: ein stündlicher Join, der nicht um die Verweildauer verschoben wurde, eine rohe Korrelation, aus der Wochentag und Saisonalität nicht entfernt wurden, oder eine Stichprobe, die für die Kategorie zu kurz ist. Sind diese Punkte adressiert, deutet eine echte schwache Korrelation meist auf ein reales Geschäftsmuster hin: eine Filiale, die bei jedem Frequenzniveau gut konvertiert, eine Kategorie, deren Umsatz von wenigen großen Transaktionen getrieben wird, oder eine bindende Personal-Kapazitätsgrenze. Jeder dieser Punkte ist Information, kein Versagen der Analytik.

Wie viele Daten brauche ich, um die Korrelation zu berechnen?

Lang genug, um die Saisonalität abzudecken, die das Geschäft treibt. Für die meisten Retail-Formate sind drei Monate ein Arbeits-Minimum und zwölf Monate sind vorzuziehen, weil letztere den vollen Kalender von Sale-Events, Feiertagen und Wettermustern abdecken. Stündliche Korrelationen brauchen weniger verstrichene Zeit als tagesbezogene, weil jeder Handelstag viele Datenpunkte beisteuert, aber sie brauchen eine längere Spanne, um den vollen Mix aus Werktags- und Wochenendmustern zu erfassen. Weniger als ein Monat Daten ist für jede verlässliche Schlussfolgerung zu dünn.

Brauche ich Kameras, um die Besucherfrequenz für diese Analyse zu messen?

Nein. Ariadne zählt mit Hybrid Fusion: Time-of-Flight-Tiefensensorik plus patentierte Signalerfassung, nie mit Kameras. Time-of-Flight erfasst Geometrie statt Bilder, und die Signalerfassung erfasst standardmäßig keine MAC-Adresse, sodass die Messung ohne Video, ohne Gesichter und ohne biometrische Daten auskommt.