El rápido desarrollo de técnicas de localización en interiores, como Wi-Fi y RFID, hace posible obtener datos de seguimiento de la posición de los usuarios en espacios interiores. Los datos de seguimiento de posición en interiores, también conocidos como trayectorias de movimiento en interiores, ofrecen muchas nuevas oportunidades para extraer conocimiento en la toma de decisiones. En este artículo, estudiamos la detección de posiciones altamente influyentes a partir de datos de seguimiento de posición en interiores, por ejemplo, para detectar posiciones altamente influyentes en un centro de negocios o para identificar las tiendas más populares en un centro comercial según los datos de seguimiento de posición en interiores de los usuarios. Primero describimos tres soluciones base para este problema, que son algoritmos basados en conteo, basados en densidad y basados en duración. Luego, motivados por el índice H para evaluar la influencia de un autor o una revista en el ámbito académico, proponemos un nuevo algoritmo llamado H-Count, que evalúa la influencia de una posición en interiores de manera similar al índice H. Además, presentamos una mejora del H-Count al tomar un paso de filtrado para eliminar registros de seguimiento de posición no calificados. Esto se basa en la observación de que muchas visitas a una posición, como una puerta, son irrelevantes para la detección de posiciones influyentes en interiores. Finalmente, simulamos 100 objetos en movimiento en un edificio real equipado con 94 lectores RFID durante 30 días para generar 223,564 trayectorias de movimiento en interiores y realizamos experimentos para comparar nuestro H-Count propuesto y H-Count* con tres algoritmos base. Los resultados muestran que H-Count supera a todas las soluciones base y que H-Count* puede mejorar aún más la medida F del H-Count en un 113% en promedio.