案例 | 数不清就赚不到,AI如何帮门店精准统计客流

划重点

 与AI协作,拆分问题比改提示词更重要


这两天,得到AI学习圈的同学朱剑跟我分享了一个案例,我听完之后觉得很有意思,和你分享一下。

他说的事儿特别简单:用AI数进店的人。但你别小看这个“数人”的活儿,这事儿要是干不好,开店的老板基本上就是在蒙着眼睛做生意。

我问你一个问题:如果你开实体店,你知道昨天有多少人进了你的店吗?

你可能觉得这问题太简单了,不就是“数人头”嘛。但说实话,大多数门店老板真答不上来。让店员记?忙起来根本顾不上,最后都是凭感觉估算。买设备统计?员工进进出出被算进来,路过看热闹的也被算进来,误差能到50%以上。

你可能会说,这数据不就是个参考嘛,差不多就行了。但问题是,这个数据要是不准,你的很多决策都会出问题。

你想想,排班怎么安排?客流高峰期人手够不够?淡季是不是养了一堆闲人?什么时候搞促销效果最好?这家店的转化率到底怎么样?

更关键的是,人流数据是计算门店转化率的分母。如果进店人数都统计不准,你怎么知道哪家店的销售效率更高?怎么制定合理的业绩目标?

简单和你介绍下,朱剑负责的是海外电信运营商在多伦多和温哥华的6家门店。他用AI把人流统计准确率从50%提升到90%以上,每月成本从1500-2000加币降到25加币,成本下降超过98%。

这个改进幅度让我特别想知道他到底是怎么做到的,如果你也开实体店,也被人流统计问题困扰过,今天这个案例值得你花时间看完。

01 传统方案的困境

先来看看过去他们是怎么统计人流的?和大多数实体门店一样,他们一开始是让店员在纸质表格上记录每天的进店人数。

但你想想,店员本来就忙,接待客户、处理业务、整理货品,哪有时间专门盯着门口数人?通常都是下班前根据印象估算,如果逼得急了就随便填一些数字交差。

意识到人工统计不靠谱后,朱剑他们开始尝试技术手段。红外感应统计器、基于手机Wi-Fi信号的人流统计设备、人流监控摄像头,该试的都试了。

朱剑告诉我,他们试过的人流监控摄像头,镜头端本身就有基本的AI识别功能,但实际部署后的效果远远达不到产品宣传的效果。

最终,他们采用的是人工统计加设备辅助的混合方式。但这个方案依然不理想。

核心问题到底在哪?朱剑发现,不管是人工统计还是设备统计,问题都是一样的:分不清谁是客户,数不准有多少人。

什么叫分不清谁是客户?员工上班下班被算进来了,路过的行人被算进来了,橱窗外看热闹的也被算进来了。系统根本分不清谁是真正的潜在客户。

什么叫数不准有多少人?同一个客户上午来一次下午又来一次,被算成两个人;一家三口一起进来,可能只识别出一个人;设备稍微装歪一点,进店的客户就被当成路过的了。

整体而言,统计出来的数据与实际差异高于50%。

这个误差率意味着什么?你看,到店客户的转化率一般在20-30%之间,这本身就是门店运营效率的重要指标。但当到店用户数的统计差异可以达到50%的情况下,你根本算不出各店的实际完成情况,更不要说用来考核了。

更要命的是成本问题。人工统计加设备辅助,每个月要花1500-2000加币。管理层的质疑很直接:“花这么多人工成本统计数据,结果还不准,这个工作还有必要吗?”

朱剑当时面临的就是这样的困境:一边是业务需要准确数据做决策,一边是成本控制的要求。

02 AI方案的设计思路

转机出现在2024年。谷歌发布Gemini 2.0模型后,朱剑开始尝试用AI的图片理解能力来完成数客户的任务。

他的想法很直接:既然门店本来就有监控摄像头,能不能让AI直接看监控图片,识别出哪些是客户、有多少人?

一开始,朱剑的思路是让AI直接批量判断一批图片的人数。说实话,这个思路在5月版本的时候效果已经超出了预期,准确率有70%。

后来他沿着这个思路不断优化提示词,比如给每家门店设置单独的提示词,根据门店的布局特点告诉AI如何处理——封闭式门店有明确的进出口,开放式门店则是开放的街面店。

经过这样的优化,封闭式门店的效果逐渐提升到80%…

— 以上为试看内容(约 40%),开通会员后阅读全文 —