下图占比为抽样数据中指定时间内出现在特定地点的流量占比。借助流量占比，结合深圳人口，估算以上地区的流量。下图工作日的设备密度大于周末，如工作日海岸城在下午和晚上密度较大，周末则选择18点后去海岸城。

那么，在配置网点时候可考虑周末在海岸城地区多延长运营时间。

用途2：线下人群聚类，构造用户画像

用途1学会了看热力图，如果我们想了解某个地点的人群画像，一般情况下是通过围栏圈定人群，在根据用户其他属性做分析得到，此处的数据一般互联网公司线上属性都可以收集到，就可以刻画出来。（此步骤本文不做重点分析）

但是我们想多维度的了解用户，给用户分类，标签客户，精准化营销，这时候就需要做聚类

分析步骤如下：

数据获取&数据加工：

案例3：某商业地产客户想了解用户线下访问店铺情况，在精准营销同时，合理配置店铺资源

数据说明：

以某商业地产筛选为目标客户，在为期一周内出现在商场的用户

数据收集根据wifi探针方式，用访问手机设备来假设人流密度情况

筛选规则为访问时间大于半小时，同时排除24点到早6点访问的客户（由于wifi探针缺点，防止将员工作为客户，同时由于wifi的穿墙技术防止用户没到店铺认为访问店铺，故定制筛选规则）

在统计周期内，若该客户访问店铺满足筛选规则，则标记1，否则为0，具体变量（即店铺类型）如下表

客户分群：

根据建模结果，因此将客户分为下图四种类型，左图表示用户对品类倾向性，取值范围在0-1，倾向性由弱变强。例如人群1的特点是美体美发相对于人群II-IV数值偏弱，同时对比自己其他品类，例如西餐快餐，明显表达出访问频次少的特点。因此可以判断他的性别为男性为主。同时，对中餐访问的倾向性高于其他人。故给人群I定位为传统生活型用户。

由于其他人的自身特点，按照左边表格得出的数值，依据下图故命名为四类人群

分析解读：

我们根据聚类了解了用户的线下访问店铺特点，那么这些用户线上特点是什么样呢？我们由于抓取的是mac地址，因此可以得知用户的设备，根据数据公司匹配，可以了解用户的线上特性，例如机型、活跃设备，这样可以结合线下数据&线上数据的打通，定制化营销

例如： 快捷消费型用户偏重XX宝钱包，以及某银行支付，那么可考虑和某包合作，在某宝页面中增加此商业地产宣传，增加优惠等信息。

同时，根据用户匹配线上资源我们得到营销建议。

具体的聚类方法的实现过程，和细节会在之后的文章中涉及到欢迎各位订阅我的运营号

用途3：线下圈人,预测潜客

我们现在了解已知客户的人群，如何来找的潜在客户人群，了解相似人群分布，便于我们在招商引资过程中合理配置资源，比如偏爱中餐的用户中我们通过预测得知他们在北京角门东分布集中，那么如果在角门东某商业地产多引资西餐显然并不合理。