Kişi Sayımda Çalışan Filtreleme
Mağaza personelinin ziyaretçi sayımına dâhil olması; dönüşüm oranı ve trafik ölçütlerini bozar. Rapor24; üniforma, kart ve davranış desenlerine dayalı filtreyle personel-müşteri ayrımı sağlar.
Çalışan-Müşteri Ayrımının Önemi
Mağaza personeli gün içinde defalarca giriş çıkış yapar: sigara molası, kantin, dış görev, lojistik teslim. Bu hareketler ziyaretçi sayımına dâhil olursa:
- Trafik rakamı şişer (gerçek müşteri sayısı daha azdır)
- Dönüşüm oranı düşük görünür (POS işlemi ziyaretçi sayısına bölündüğünde)
- Personel verimlilik ölçütleri yanıltıcı olur
- Mağaza-şube karşılaştırmalarında haksız sapmalar oluşur
Doğru filtreleme, ziyaretçi sayımının gerçek müşteri davranışını yansıtmasını sağlar.
Üniforma Tabanlı Tanıma
Yapay zekâ tabanlı sayım sistemleri üniformayı anonim bir özellik olarak algılar. Üniformanın rengini ve modelini öğrenen model, personeli müşteriden ayırt eder. Bu yöntem yüz tanıma değildir — kişisel kimlik kaydı tutulmaz, yalnızca "bu giysili kişi personeldir" sınıflandırması yapılır.
Üniformanız standart bir renk veya logo içeriyorsa filtre kurulumu hızlıdır (3-5 gün). Üniforma yoksa diğer yöntemler devreye girer.
Saatlik Filtre Kuralları
Bir mağaza tipik olarak resmi açılış saatinden 30-90 dakika önce personel girişi yapar. Bu saat aralığında giriş yapanları otomatik olarak personel sayan bir kural tanımlanabilir:
- 08:30 öncesi giriş = personel
- Açılıştan 30 dakika sonra giriş = ziyaretçi
Bu kural, üniforma tanıma yöntemiyle birleştirildiğinde %96+ doğruluk sağlar.
Wi-Fi / BLE Etiketi Tabanlı Seçenekler
Yüksek hassasiyet gerektiren ortamlar (banka şubeleri, hastaneler) için personel kartına entegre Wi-Fi veya BLE etiketi kullanılabilir. Personel kapıdan geçtiğinde sistem etiket sinyalini algılar ve kişiyi personel olarak işaretler. Doğruluk %99+'a yaklaşır.
Bu yöntem ek donanım (etiket) gerektirir; standart paketin ötesinde isteğe bağlı bir modüldür.
KVKK Uyumluluğu
Personel filtreleme yöntemleri tamamen anonimdir:
- Yüz tanıma yoktur.
- Personelin bireysel kimlik bilgisi sistemde saklanmaz.
- Yalnızca sınıflandırma (personel mi müşteri mi) yapılır; kim olduğu kaydedilmez.
İşveren-çalışan veri ilişkisi açısından KVKK aydınlatma metni şablonumuz bu modül için ayrıca hazırlanmıştır.
Sayılmayan Personelin Gerçek Maliyeti: KPI Bozulması ve Yanlış Kararlar
Dönüşüm oranı (işlem ÷ ziyaretçi) ve Ziyaretçi Başına Satış (ciro ÷ ziyaretçi) ziyaretçi sayısına bölündüğünden, sayıma karışan her personel hareketi bu iki kritik metriği sessizce düşürür.
- Etki en çok düşük trafikli ve lüks mağazalarda: Az ziyaretçili bir günde, beş çalışanın gün boyu girip çıkması onlarca sahte sayım ekleyebilir ve gerçek bir %25 dönüşümü ~%18'e çekebilir (örnek hesap).
- Bozuk dönüşüm, yanlış çözüme yöneltir: Aslında iyi dönüşen bir mağaza zayıf görünür; yönetici floor personeli eklemek yerine trafiğe/pazarlamaya harcama yapar.
- Karşılaştırmayı (benchmarking) bozar: Personelin sayımdaki payı büyük olduğu için küçük mağazalar büyüklere göre yapay biçimde kötü görünür; eşit koşulda karşılaştırma anlamsızlaşır.
- Filtreleme yöntemleri eşit değildir: Giyilebilir BLE/IR etiketi kişi bazında kesinlik verir ama takılmasına bağlıdır; yapay zekâ üniforma tanıma pasiftir ama belirgin üniforma ister; çalışma saati/bölge ve uzun kalış kuralları (ör. 3 saat+ kalışı işaretlemek) ucuzdur ama vardiya kayınca zayıflar.
- Doğruluk gerçeği: Üretici '%98' rakamları laboratuvar değeridir; teslimat, gelip geçen ve personel hareketiyle dolu canlı bir mağazada kullanılabilir doğruluk ~%70–75'e inebilir — temiz personel ayıklama, güvenilir KPI ile yanıltıcı KPI'yı ayıran şeydir.