RetailNext — 首页 https://retailnext.net/zh-cn 人工智能的优劣取决于其背后的数据质量。RetailNext 每年监测数十亿次购物行程——这是零售业中最丰富的店内数据集——而该平台的对话层 Pulse AI 让用户只需提出一个问题，即可获取这些智能信息：用户用自然语言询问有关其门店的情况，便能获得基于其仪表盘背后相同可靠指标的答案。 Pulse AI 已包含在每份 RetailNext 订阅中，无需额外付费，所有用户均可使用。管理员可通过控制功能限制每位用户的可见范围或完全关闭该功能，系统会尊重每位用户现有的角色权限，且客户数据绝不会被用于训练 AI 模型。 RetailNext 成立于 2007年，旨在将电子商务式的分析能力引入实体零售领域。该公司总部位于加利福尼亚州坎贝尔市，为遍布 100 多个国家的 600 多家零售客户提供服务，拥有约 240 名员工，与客户的平均合作时间超过 10年。 该平台围绕四大核心产品构建，其中 Pulse AI 作为对话层贯穿所有产品。Traffic Analytics 提供准确率达 95% 至 99% 的人流计数，并将这些数据转化为人员配置建议和真实的转化率测量。 Insights 使商品陈列和门店设计团队能够在少数几家门店试点新的布局、陈列或概念，并在全网推广前验证结果。Asset Protection 将人工智能驱动的行为分析与销售点系统集成相结合，在损失发生前识别防损威胁，并缩短调查时间。 这三项功能均由 Aurora® 提供支持，这是 RetailNext 自主研发的天花板式物联网传感器，可通过单一设备实现人流统计、行为数据采集以及高分辨率视频录制。 除核心产品外，RetailNext 还针对服装与鞋类、百货商店、便利店、珠宝、餐饮、零售银行、购物中心及设施管理等零售品类发布行业专属解决方案，并为商业智能、营销与客户体验、商品陈列、安防、门店设计及门店运营团队提供针对具体应用场景的解决方案。 RetailNext 还运营着一个“基准中心”（基准对比中心），每月更新北美、欧洲、中东及非洲（EMEA）和亚太（APAC）地区数千家零售门店的人流量数据，为零售商提供评估自身业绩的外部参考基准。 --- Traffic Analytics https://retailnext.net/zh-cn/platform/traffic-analytics “客流分析”（Traffic Analytics）是 RetailNext 推出的一款客流监测与人员配置产品。大多数零售商在做出人员配置、排班和营业时间等成本最高的运营决策时，往往依赖于猜测而非数据。“客流分析”正是为取代这种猜测而设计的。 该产品依托 RetailNext 的 AI 驱动型 Aurora® 传感器，可提供准确率达 95% 至 99% 的人流量统计数据，并将原始计数数据转化为可操作的智能洞察：包括在合适的时间安排恰当人数的员工配置建议、将门店客流量与实际销售额关联起来的真实转化率测量，以及整个门店网络的绩效对比数据。 由于 RetailNext 全线产品采用相同的底层传感器硬件，Traffic Analytics 数据可与该公司的其他产品无缝整合，包括用于店铺布局和商品陈列分析的 Insights，以及用于防损场景的 Asset Protection，且无需部署额外硬件。 该产品面向零售运营、门店规划和人力管理团队，帮助他们摆脱对门店业绩的轶事性观察，转而采用量化且可基准化的方式，衡量每个门店的客流量和转化率。 RetailNext 将此定位为一种转变方式：不再将人员配置和排班决策视为“赌博”，而是将其视为基于数据的决策，其背后依托的传感器网络据该公司描述，能在覆盖多个国家的庞大零售客户群中提供业界领先的计数精度。 页面引用了 The Container Store 业务洞察与分析高级总监马特·埃文斯（Matt Evans）的言论，描述了这一技术带来的转变： --- Insights https://retailnext.net/zh-cn/platform/insights Insights 是 RetailNext 专为商品陈列和门店设计团队打造的“试错学习”型零售分析产品。 在经过测试之前，每一项门店调整通常都是一种赌博。Insights 的设计初衷正是为了消除这种猜测：它允许零售商在少数几家门店中试点新的布局、陈列或商品陈列方案，利用 RetailNext 的 Aurora® 传感器数据精准观察顾客的反应，并在决定全网推广之前验证结果。 Insights 不仅限于基本的客流统计，还能绘制完整的顾客旅程，揭示哪些区域能吸引顾客、哪些布局能提升转化率，以及顾客在到达收银台前在何处流失，而非仅仅报告整个门店的单一汇总客流或转化数据。 同一底层产品还支持 RetailNext 的商业智能应用场景，该功能被描述为超越了基础客流仪表盘：它将购物者行为数据与人工智能驱动的分析、预测建模以及基于 RetailNext 更广泛零售客户群构建的基准数据集相结合，从而使零售商不仅能了解店内发生了什么，还能理解其含义以及下一步应测试的内容。 Insights 与 Traffic Analytics 和 Asset Protection 运行在相同的 Aurora 传感器硬件上，因此已使用上述任一产品的零售商无需安装新硬件即可添加 Insights。该产品面向商品陈列、门店设计以及零售分析或商业智能团队，这些团队需要在少数几个地点测试某个概念，衡量实际的顾客反应， 随后才决定是否在整个零售网络中推广。这将取代 RetailNext 所称的“基于猜测的门店规划”，转而采用“基于证据的测试与验证流程”，从而在向整个门店网络投入资金或人力进行变革之前，确保决策的合理性。该页面引用了雅诗兰黛集团（The Estée Lauder Companies）的阿道夫·罗德里格斯（Adolfo Rodríguez）的发言： Q0 --- Asset Protection https://retailnext.net/zh-cn/platform/asset-protection Asset Protection 是 RetailNext 推出的防损与门店安防产品。目前，大多数防损团队仍采取被动应对的方式，即在事件已造成经济损失后才回看监控录像，而非在风险发生时及时发现。Asset Protection 通过将基于人工智能的行为分析与销售点数据整合相结合，旨在改变这一现状。 该产品能在威胁演变为实际损失之前，识别出预示风险的可疑行为和交易模式；其设计旨在通过直接呈现相关的视频片段和交易异常，从而减少调查人员翻查录像所花费的时间。 其明确目标是让防损团队减少事后调查的时间，将更多精力投入到预防工作中，同时能够证明其安防投资带来了可量化的回报。 Asset Protection 运行在 RetailNext 平台通用的 Aurora® 传感器硬件上，因此已使用 Traffic Analytics 或 Insights 的零售商无需额外硬件即可增加资产保护功能。 该产品面向负责减少库存损耗、保护库存和员工的防损、风险管理及门店运营团队，其定位是零售安防领域更广泛转型的一部分——即从被动的录像审查转向与销售点系统集成的、主动且数据驱动的威胁检测。 该页面引用了 UNTUCKit 公司布伦特·保尔森（Brent Paulsen）的发言：Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0Q0 --- Aurora® 传感器 https://retailnext.net/zh-cn/platform/aurora-sensor Aurora® 是 RetailNext 自主研发的物联网传感器硬件：这是一款由 RetailNext 自主设计和制造（而非从第三方采购）的单体吊顶式设备，为该平台中的所有其他产品提供支持。 一台 Aurora 设备可同时实现人流计数（官方标称准确率为 95% 至 99%）、采集行为分析数据以及录制高清视频，从而取代了原本需要并排安装的独立计数、分析和摄像头硬件。 由于 Traffic Analytics、Insights 和 Asset Protection 均读取同一 Aurora 传感器的数据流，零售商无需安装新硬件，即可将上述任何一款产品添加到现有的 Aurora 部署中；同时，可以先从一个用例开始，随后扩展到其他用例，而无需再次进行现场访问。 RetailNext 将 Aurora 定位为专为跨国大型门店网络的全球部署而设计，该公司将其与遍布 100 多个国家、超过 600 家零售商的广泛客户群相连接。 产品页面将 Aurora 定位为整个平台赖以运行的物理基础：传感器生成基础的人流计数、行为及视频数据，而 Traffic Analytics、Insights 和 Asset Protection 则是将原始传感器数据分别转化为人员配置、商品陈列和防损决策的软件层。 对于正在评估 RetailNext 的零售商而言，Aurora 实际上是这套以软件为主导的产品线中唯一需要做出的硬件决策，它也是让零售商日后无需重新部署设备即可添加新产品的关键纽带。页面引用了 Bluebell Group 的 Jacky Leung 的发言：Q0 --- 我们的 AI 优势 https://retailnext.net/zh-cn/platform/our-ai-advantage “我们的 AI 优势”是 RetailNext 用来阐释其 AI 为何能给出竞争对手只能估算的答案的论点，而这一论点所依据的并非模型，而是数据：AI 只能对已测量的内容给出答案。 RetailNext 每年在 100 多个国家/地区测量数十亿次购物旅程，涵盖从路过店面、进店、店内路径、停留时间、互动到交易的整个过程，并将其称为零售业规模最大的店内购物者数据集。 该页面围绕四大差异化优势展开论述：一个将客流量、销售额和人员配置整合于同一系统的零售操作系统，使 AI 能够精准识别实际推动转化率的因素，而非通过三个互不关联的工具进行推断；其他平台无法捕捉的深度测量数据； 无法补全的历史数据——因为新平台仅从零售商签约之日起开始收集数据，这使得年同比比较和可信的异常检测成为可能；以及以情境为核心，因为 Pulse AI 部署在平台的几乎每个页面，并能识别用户当前所在的页面。 AI 在产品中贯穿三个环节：Aurora® 传感器利用设备端的 AI 驱动计算机视觉技术，在数据离开门店之前就区分出顾客、员工和物体，该技术自 2017年起便在边缘端部署 AI，每处安装点的人员计数准确率经审计均达 95% 至 99%； 一种插值模型利用数周的历史数据模式来填补连接缺口，确保网络中断绝不会影响同比分析；而“预测客流”功能则基于零售商自身的历史门店数据生成 45 天的预测报告，该功能已包含在标准订阅中。Pulse AI 是对话层： 它通过 RetailNext API 直接查询零售商自身的指标而非进行推断，当数据无法支持特定问题时会拒绝回答；作为深谙转化率、进店率、停留时间和顾客收益的零售与分析专家，该系统经过专门调校，并继承每位用户现有的 RetailNext 权限，因此不会超出用户被授权的查看范围。 它可回答关于门店、区域及门店网络层面的客流量、转化率、销售额、停留时间和顾客收益率等问题；针对产品设置和故障排除问题，会从官方 RetailNext 知识库中提供答案并附上源文章链接；支持 50 多种语言，可在网页平台和 iOS 端使用。 Pulse AI 已包含在每项订阅中，无需额外费用且可无限使用，并向所有用户开放；管理员可在“管理设置”中按用户限制可见范围或完全禁用该功能。 RetailNext 还提供模型上下文协议（MCP）连接器，因此零售商可以从其团队已使用的 AI 环境中查询数据，该查询通过每位用户的自有登录信息进行身份验证，并受其现有权限范围限制，且无需额外费用。 关于信任与安全，该页面说明 RetailNext 符合 SOC 2 Type II 标准；仅汇总后的仪表盘级指标会传输至 AI 服务商，而非原始或敏感的业务数据；服务商为 Anthropic（此处特意指名）；且 RetailNext 不允许其第三方 AI 服务商在未获得明确授权的情况下，使用客户数据训练模型。 该页面还介绍了公司范围内的 AI 应用情况：每位 RetailNext 员工均可使用 Anthropic 的 Claude，并配有内部培训课程和已发布的熟练度评估框架。TFG 的 Nirvani Dhevcharran 在引述中表示：Q0 --- 专为零售而设计 https://retailnext.net/zh-cn/platform/built-for-retail “专为零售打造”是 RetailNext 的定位页面，旨在阐明零售商为何在众多零售分析方案中选择 RetailNext。 其核心论点在于：零售分析平台是一项长期投入——零售商在人员配置、店铺布局、营销活动及资产保护方面的决策效果，完全取决于底层数据平台的质量，因此供应商的选择所带来的价值或成本将随时间推移而累积，其影响以年计，而非以月计。 RetailNext 将自己定位为实体零售领域的领先零售智能平台，其客户涵盖 100 多个国家的 600 多家零售商；自 2007年成立以来，已拥有超过 19年的专门针对零售分析的开发经验；并以该公司所称的“业内最精准的基础传感器数据”作为其根基。 该页面围绕四个主题组织了案例： Aurora® 传感器网络提供的业界领先的人流计数精度；一个集人流、行为和资产保护于一体的集成平台，而非分散的点解决方案；在大型跨国门店网络中经过企业级规模验证的部署；以及 RetailNext 所称的、由其自身客户群汇总的人流数据构建而成的业界最大零售基准数据集。 该页面收录了数家具名企业级零售客户的推荐语，描述了他们使用该平台取得的成果：Sharaf DG 首席执行官 Nilesh Khalkho 表示：Q0Q1Q2 “专为零售而设计”是 RetailNext 的核心“选择我们”论据，区别于描述平台功能的单个产品页面，以及为评估 RetailNext 与其他零售分析方案提供更结构化框架的“解决方案对比”页面。 --- 客户案例 https://retailnext.net/zh-cn/platform/customer-stories “客户故事”是 RetailNext 的案例研究索引页面，汇集了其零售客户群中以成果为导向的案例研究。该页面指出，来自 100 多个国家的 600 多家零售商正在使用 RetailNext，客户范围涵盖全球奢侈品牌到区域性专业连锁店，并围绕可量化的成果而非功能来阐述其价值主张： 更高的转化率、更智能的排班、更有效的防损措施，以及更符合顾客需求的门店设计——每一项都与具体的客户案例相关联，而非泛泛而谈。该页面链接的案例研究涵盖了 Boggi Milano、The Vitamin Shoppe、Daniel's Jewelers、Dave & Buster's、Hurley、Camper、UNTUCKit、Sharaf DG 和 Megane No Tanaka 等具名客户，业务领域横跨服装、专业零售、珠宝、娱乐与餐饮、鞋类以及多品牌零售。 每份案例研究都详细描述了具体客户如何应用 RetailNext（例如利用 Traffic Analytics 进行人员调度，或利用 Asset Protection 进行防损），并展示了其取得的量化成果，而非泛泛的产品描述。 “客户案例”作为“专为零售打造”和“解决方案对比”页面的实证补充：前两页主要阐述 RetailNext 的整体优势，而“客户案例”则通过来自不同零售领域和地区的、可追溯至具体客户的成果来佐证这些优势，旨在为希望在进一步评估该平台前，先参考同类零售商实际案例的采购决策者提供依据。 --- 解决方案对比 https://retailnext.net/zh-cn/platform/solution-comparison “解决方案对比”是 RetailNext 为零售商提供的页面，旨在帮助他们在选择供应商或方法之前，评估如何开展零售分析工作。该页面将决策框架归纳为四种主要方法：采用来自单一供应商的、涵盖客流、行为分析和资产保护的集成平台；从不同供应商处分别采购用于客流统计、热力图分析、防损和分析的点解决方案； 利用内部工程资源构建定制化分析系统；或者维持现状，继续依赖销售点数据、人工计数和推测，而不进行专门的店内分析投资。 针对每种方法，该页面列出了零售商应权衡的利弊：对于点解决方案，需承担管理多家供应商以及核对原本并非为协同工作而设计的数据所带来的负担； 对于自主开发，则需考虑时间周期、持续的工程成本，以及与经过验证的供应商平台相比，内部构建系统所面临的风险；而对于维持现状，则会因缺乏专门的分析支持，导致人力配置失当、错失转化机会、商品陈列决策未经验证以及库存损耗失控等隐性成本。 该页面还提供了一份对比表，根据一系列明确的标准对集成式零售分析平台进行评估：客流计数准确率——RetailNext 声称其准确率为 95%-99%，而对比表中列出的其他方案则为 75%-85%； 员工排除功能，RetailNext 方面描述为基于先进 AI 的技术，而其他平台则采用手动或基础方法；行为分析的广度，全套功能与基础功能或需依赖第三方供应商的对比；资产保护功能是否集成于同一平台，还是需要单独的供应商；预测分析和 AI 功能的可用性，已包含与不可用或受限的对比； 底层基准数据集的规模，RetailNext 描述为数十亿次交互，而其他方案则数据有限或无数据；企业级可扩展性，RetailNext 在 100 多个国家拥有 600 多家零售商；IT 部署复杂度，RetailNext 声明需 4-6 周，而其他方案则时间不固定或部署复杂； SOC 2 Type II 合规性；以及平均客户合作年限，据称超过 10年。本表中的替代方案并非指名道姓的竞争对手——比较是以一般性术语针对各类替代方案进行的。本页面旨在帮助仍在权衡“自主开发”、“购买单一平台”或“拼凑点解决方案”的买家做出决策。 --- 服装与鞋类 https://retailnext.net/zh-cn/solutions/apparel-footwear “服装与鞋类”是 RetailNext 为时尚零售商提供的行业解决方案。该页面指出，这一领域正面临着购买前浏览时间延长、潮流变化迅速、季节性客流量剧烈波动，以及来自线上和线下渠道的双重竞争。 RetailNext 将其购物者行为和客流数据定位为将浏览者转化为购买者的工具，用于优化商品陈列布局和展示效果以实现最大影响力，并根据每个季节的客流模式精准规划库存和人员配置，而非事后被动应对。 该解决方案专为页面中明确列出的各类零售商量身打造：奢侈品精品店、快时尚连锁店和鞋类专卖店。它采用与 Aurora® 传感器数据相同的底层技术，该技术同样驱动着 RetailNext 的核心产品，包括用于客流统计和人员配置的 Traffic Analytics、用于测试商品陈列和布局调整的 Insights，以及用于防损的 Asset Protection。 该页面所述的功能主要集中在三个方面：将浏览行为转化为可衡量的转化率，而非将浏览视为错失的机会；量化特定商品陈列决策的回报，而非仅依赖视觉判断；以及建立按季客流预测，而非使用单一的历史假设。 该页面面向服装和鞋类零售领域的领导者——无论是在商品策划、门店运营还是高管层面——他们需要基于购物者行为的证据来做出决策，而该页面将这一品类描述为相对于其他零售业态而言波动性异常大且变化迅速的领域。 页面引用了 Calvin Klein 门店财务副总裁达伦·鲍登（Darren Bowden）的发言：Q0 --- 便利店 https://retailnext.net/zh-cn/solutions/convenience-stores “便利店”是 RetailNext 为便利店零售及“加油+零售”运营商提供的行业解决方案。该页面将便利店零售定义为一种利润微薄、销量巨大的业务，其中每一笔交易都至关重要，而精简的人员配置模式不容许任何低效或凭空猜测，尤其是因服务缓慢或陈列不当导致的销售损失。 RetailNext 的客流与行为数据旨在帮助便利店运营商：最大化每次到店收入；将更多加油顾客转化为店内消费者；针对早晚高峰等高峰时段优化人员配置和商品陈列；并在整个门店网络中（而非逐店）实现更精简、更一致的运营。 与 RetailNext 的其他行业页面一样，其基础数据来源于平台共享的 Aurora® 传感器网络，因此便利店零售商可以添加 Traffic Analytics 进行客流统计和人员配置，Insights 测试陈列调整，或使用 Asset Protection 进行防损管理，而无需为每项功能单独添置新硬件。 本页面列出的功能重点在于：将已进入门店的客流（无论是为加油还是办理简短事务）转化为额外消费；应对高峰时段客流量的剧烈波动；以及通过基于实际购物者行为数据（而非假设）的更优店内陈列决策来提升客单价。 该解决方案面向管理大型多门店网络的便利店运营及商品陈列负责人，对于这类网络而言，每个门店微小的效率提升在整个门店网络中将产生显著的累积效应。页面引用了 BFL 集团的 Ayman Beydoun 的发言：Q0 --- 百货公司 https://retailnext.net/zh-cn/solutions/department-stores “百货商店”是 RetailNext 为大型多部门零售运营商提供的行业解决方案。该页面指出，百货商店面临着该业态特有的挑战：运营商并非仅管理一家门店，而是实际上在同一屋檐下管理着数十个专业部门，每个部门都拥有不同的顾客行为、客流模式和业绩动态。 RetailNext 的客流与行为数据旨在为百货公司运营商提供部门级的可视化分析，而非仅提供全店总客流量数据，从而能够按品类逐一优化业绩。 其列举的功能包括：在大型卖场内实现部门级业绩可视化；绘制顾客在比典型专业零售商更复杂、规模更大且布局更复杂的商场中的购物路径；以及针对拥有多个入口的门店优化入口和客流策略。 与 RetailNext 的其他行业解决方案一样，该方案运行在共享的 Aurora® 传感器数据平台上，这意味着百货公司运营商可以整合 Traffic Analytics（用于部门级客流统计和人员配置）、Insights（用于逐部门测试布局或陈列调整）以及 Asset Protection（用于大卖场范围内的防损管理），而无需为每项功能配备独立的硬件。 该解决方案面向大型零售商的运营和商品管理负责人，他们需要的是部门或品类层面的可视化数据，而不仅仅是全店范围的数据——因为汇总后的客流量数据可能会掩盖各部门之间截然不同的业绩动态，例如，一家商店的化妆品部门与家居用品部门之间就可能存在显著差异。 该页面引用了梅西百货（Macy's）首席门店官马克·马斯特罗纳尔迪（Marc Mastronardi）的发言： ָQ0ָ --- 设施 https://retailnext.net/zh-cn/solutions/facilities “设施管理”是 RetailNext 面向设施及办公场所管理团队推出的解决方案，其应用场景与 RetailNext 核心零售行业页面相比略有不同。该页面指出，设施及办公场所管理团队往往需要同时承担多项任务：降低房地产成本、支持混合办公策略、确保安全及人员容量合规，并提升使用者体验。 RetailNext 的占用率和空间利用率数据源自其零售产品中通用的 Aurora® 传感器平台，旨在通过实测的占用数据而非主观臆测来满足上述需求： 了解空间的实际使用情况而非设计初衷；通过持续监测确保人员占用合规，而非依赖定期人工检查；并借助实际考勤数据（而非仅凭刷卡估算）支持混合办公策略。 该页面指出，该解决方案适用于企业园区、办公楼或综合用途设施，将 RetailNext 底层的人员计数和行为分析技术从传统的零售销售应用场景扩展到更广泛的占用智能应用场景。该解决方案旨在服务于设施、 办公场所战略及房地产管理团队，这些团队需要持续、准确的空间利用率数据来为房地产决策提供依据、证明合规性或制定混合办公政策。该方案采用与公司零售类产品相同的传感器硬件及基础计数精度（据称达 95% 至 99%）。 该页面引用了 Ulta Beauty 的 Prama Bhatt 的发言：Q0 --- 珠宝 https://retailnext.net/zh-cn/solutions/jewelry “珠宝”是 RetailNext 为珠宝零售商提供的行业解决方案。该页面指出，珠宝零售与其他零售业态的运营方式不同，因为该类商品单价高、购买决策经过深思熟虑，且往往需要专业咨询，顾客的购买旅程可能跨越数周或数月，期间需多次到店。 该页面还指出了珠宝零售中存在的一个具体运营矛盾：在满足安保需求与维持温馨、从容的店内氛围之间取得平衡，而页面指出，标准零售分析工具并未能解决这一问题。 RetailNext 的行为和客流数据旨在帮助珠宝零售商优化咨询区的利用率和人员配置，以满足预约驱动的需求；理解并支持多访客的购物旅程，而非将每次到店视为独立事件；同时在不破坏该行业赖以生存的刻意营造的从容购物体验的前提下，有效管理安保工作。 该页面列出的具体功能包括：深入理解多访客旅程，认识到同一顾客可能在进行高价值购买前多次回访；优化咨询区，使之成为员工协助、深思熟虑的销售发生地；以及在不损害客户体验的前提下维护安全。 与 RetailNext 的其他行业解决方案一样，该方案基于通用的 Aurora® 传感器平台运行，因此珠宝零售商可以利用相同的底层硬件，整合 Traffic Analytics、Insights 和 Asset Protection 功能。 该解决方案面向珠宝零售运营商，其经营的商品类别通常具有考虑周期长、平均交易金额高、以及需要在防损与服务体验之间取得平衡的特点——这种服务体验的关键在于让顾客感觉不到被监视。页面中引用了 Daniel's Jewelers 的 David Sherwood 的发言： --- 餐厅 https://retailnext.net/zh-cn/solutions/restaurants “餐饮”是 RetailNext 为餐饮及食品服务运营商提供的行业解决方案。该页面指出，餐饮业绩的优劣取决于能否同时做好三件事：在正确的时间安排恰当的人员配置、在每次互动中都提供始终如一的优质顾客体验，以及对人员和资产提供充分的保护。 RetailNext 的客流智能解决方案旨在同时解决这三个方面，而非将其作为独立的举措：通过精准的客流预测和排班管理，使人员配置与实际测得的需求相匹配，而非遵循固定的排班表；同时借助视频安防和促销效果监测，利用同一套基础数据来解答防损与营销效果相关的问题。 该页面指出，无论运营商经营一家门店还是数百家门店，这一方案均适用，并将 RetailNext 源自其 Aurora® 传感器平台的客流与行为数据，定位为区分高绩效餐厅运营与普通餐厅运营的运营智能层。 列出的功能包括：根据实际测得的需求而非固定排班表或主观臆测来安排人员配置；在高峰期缩短顾客等候时间并提高服务吞吐量；以及将人员安全与资产保护功能与用于客流统计的同一传感器数据相结合，从而使餐饮运营商无需为人员配置分析和安防分别部署独立系统。 该解决方案面向餐饮运营负责人——无论其管理的是单店还是多店企业——帮助他们利用单一共享的店内数据源，在劳动力成本、顾客体验和安全之间取得平衡。该页面引用了 Tanaka Megane 首席执行官达米安·霍尔（Damian Hall）的发言：Q0Q --- 零售银行业 https://retailnext.net/zh-cn/solutions/retail-banking “零售银行业”是 RetailNext 为银行网点运营商提供的行业解决方案。该页面指出，网点运营正面临多方面的压力：客户期望不断提升、数字渠道的普及改变了网点到访模式，以及持续降低运营成本的压力。 RetailNext 基于其 Aurora® 传感器平台提供的网点客流智能分析，旨在帮助零售银行业务负责人优化柜员、交易平台或咨询台的人员配置，使其与实际测得的到访模式相匹配，而非遵循固定的排班计划； 缩短客户在分行内的等待时间；并就分行设计及更广泛的分行网络转型（包括哪些分行需要重新设计、调整规模或合并）做出数据驱动的决策。 该页面列出的功能包括：根据实际客户需求而非静态排班安排人员配置；基于真实的到访和人流数据（而非假设）设计经验证的网点布局；以及利用各网点可比的人流数据优化银行的整体网点网络。 与 RetailNext 的其他行业页面一样，该解决方案与 RetailNext 的核心产品共享相同的 Aurora® 传感器硬件和数据平台，因此银行可以通过一次共享的传感器部署，将网点级 Traffic Analytics、用于测试网点布局变更的 Insights 以及用于网点安全的 Asset Protection 相结合。 该方案面向零售银行业务及分行网络战略负责人，他们所管理的分行网络面临着双重压力：既要实现分行内体验的现代化，又要降低网络运营成本。页面中引用了 BFL 集团的 Ayman Beydoun 的发言： 0 --- 购物中心 https://retailnext.net/zh-cn/solutions/shopping-malls “购物中心”是 RetailNext 为购物中心运营商和物业管理方提供的行业解决方案。该页面指出，购物中心的运营表现正面临多重压力：消费者行为的转变、租户结构的演变，以及必须持续通过数据而非轶事来证明物业价值的迫切需求。 RetailNext 基于其 Aurora® 传感器平台提供的客流智能解决方案，旨在帮助商场运营商利用实际客流量和停留时间数据（而非估算的客流量）做出更明智的租赁决策；通过将商场层面的营销活动与实测客流量挂钩，证明营销投资回报率； 并通过向租户提供客流及访客分析服务，开辟面向租户的新收入来源。该页面还涵盖了租赁和营销之外的物业管理应用场景：具体包括测量通道及锚店区域的客流分布，以及为保障安全和符合监管要求而进行的实时客流管理。 列出的功能包括：基于量化的客流量和停留时间数据做出租赁决策、验证商场级营销支出的回报，以及将商场自身的客流数据转化为可向租户提供的商业化服务。 该解决方案面向购物中心物业管理人员、租赁团队和营销团队，他们需要对整个物业的客流行为进行统一、全面的走廊和区域级视图分析，而非仅依赖单个租户的店面级数据。页面引用了 AlMalki 集团的 Ziad AlMalki 的发言：Q0 --- 商业智能 https://retailnext.net/zh-cn/solutions/business-intelligence “商业智能”是 RetailNext 为零售分析与 BI 团队提供的用例解决方案。该页面开篇便进行了鲜明对比：大多数零售分析平台仅向团队展示“发生了什么”，而作为该用例基础产品的 RetailNext Insights，则致力于向团队阐释这些数据的含义以及未来可能发生的情况。 该解决方案专为需要超越基础客流仪表盘功能的商业智能和分析团队打造，它将通过 RetailNext 的 Aurora® 传感器平台捕获的购物者行为数据，与人工智能驱动的分析、预测建模以及 RetailNext 所称的“业界最大的零售基准数据集”（该数据集由其零售客户群的汇总数据构建而成）相结合。 其明确目标是提供能够支持组织各层级战略决策的智能分析，无论是分析师构建自定义报告，还是高管通过移动设备快速查看指标，每项洞察都可轻松获取，每项决策都基于数据支撑，而非依赖专职分析师按需生成报告。 页面上列出的功能包括：使用通俗易懂的英语向数据提问（而非通过固定的报告格式），在销售等滞后指标中尚未显现之前就预判未来趋势，以及将零售商自身的业绩与 RetailNext 所称的“业内最大可比数据集”进行对比分析。 该解决方案面向零售企业内部的商业智能、数据和分析团队，这些团队需要的是具有预测性和基准对比功能的零售数据，而非仅限于描述性的事后报告。页面引用了 Tanaka Megane 首席执行官达米安·霍尔（Damian Hall）的发言： --- 市场营销与客户体验 https://retailnext.net/zh-cn/solutions/marketing-cx “营销与客户体验”是 RetailNext 为营销和客户体验团队提供的用例解决方案。该页面开篇便提出了一个具体问题：营销团队投入了大量预算将顾客引流至实体门店，但大多数团队无法证明他们付费引流的客流是否真的到达了门店，更不用说这些客流是否转化为销售额了。 RetailNext 将其源自 Aurora® 传感器平台的客流和行为数据定位为闭环解决方案，将营销支出直接与可测量的实体店客流关联起来，进而与可测量的转化率建立联系。 页面列出的核心功能包括：将具体的营销支出或活动与可量化的门店客流量挂钩（而非依赖笼统的提升率假设）；绘制顾客抵达门店后的店内旅程；以及根据哪些活动和渠道被证实能实际推动可量化的门店到访量（而非仅依据数字参与度指标）来优化营销预算分配。 该解决方案与 RetailNext 的核心产品共享相同的 Aurora 传感器硬件和数据，因此营销或客户体验团队可以使用该零售商运营和商品团队已依赖的同一套店内客流数据，而非单独的、仅供营销使用的测量系统。 该解决方案面向营销和客户体验负责人，他们需要为旨在推动实体店客流的支出提供依据并进行优化，而在此领域，数字归因工具尚未延伸至实体门店。页面引用了 Sharaf DG 首席执行官 Nilesh Khalkho 的发言： --- 商品陈列 https://retailnext.net/zh-cn/solutions/merchandising “商品陈列”是 RetailNext 为视觉陈列和客户体验团队提供的用例解决方案。该页面指出，商品陈列决策传统上更多是基于经验和直觉，而非可量化的证据；并强调 RetailNext 能够用直接的行为数据取代这种基于直觉的方法。 通过追踪购物者与店内环境的实际互动情况——包括哪些陈列能吸引注意力、购物者在哪些区域逗留，以及哪种布局能将浏览转化为购买——RetailNext 为商品陈列和客户体验团队提供了决策依据，而这些决策过去往往仅凭主观判断。 该页面列出的功能包括：通过 RetailNext 的 Aurora® 传感器行为数据，了解店内环境的哪些具体元素真正有效； 利用 Insights 产品，在全面推广前于少量门店测试新的陈列方案；以及在具体陈列或展示决策实施后，验证其投资回报率，而非仅依赖可能受其他因素影响的整体销售趋势。 该解决方案面向视觉陈列、门店设计和客户体验团队，这些团队需要借助购物者行为证据来测试和验证陈列决策，而目前却不得不依赖主观的店内观察或事后销售结果——这些方法无法孤立分析特定陈列或布局变更带来的影响。 该页面引用了 Calvin Klein 门店财务副总裁达伦·鲍登（Darren Bowden）的发言：Q0 --- 安全 https://retailnext.net/zh-cn/solutions/security “安全”是 RetailNext 为零售业防损和物理安保团队提供的用例解决方案，基于 RetailNext 专门的 Asset Protection 产品页面中所述的同款 Asset Protection 产品构建。该页面指出，大多数防损团队目前仍采用被动应对模式，即在事件已造成企业经济损失后才回顾监控录像，而非在风险形成过程中就加以识别。 RetailNext 将其人工智能驱动的行为分析与销售点数据集成相结合，以此作为从被动模式转向主动模式的途径，在威胁演变为确切损失之前就加以识别，并大幅减少调查人员事后翻查录像所花费的时间。 该产品列出的核心功能包括：将安防模式从被动转向主动；通过自动筛选相关录像和交易异常（而非人工审查），将案件结案时间从数天缩短至数小时；以及与零售商现有的监控基础设施无缝对接，无需全面更换监控系统。 根据该页面所述，预期成果是安保团队将减少提取和审查监控录像的时间，从而有更多时间实际预防事件发生，同时还能向管理层证明其安防投资带来了可量化的回报。 该解决方案面向负责减少商品损耗、保护库存和员工安全的防损、风险管理及门店运营团队，利用与 RetailNext 其他产品相同的基础——Aurora® 传感器平台——所提供的数据。页面引用了 UNTUCKit 公司布伦特·保尔森（Brent Paulsen）的发言： --- 店铺设计 https://retailnext.net/zh-cn/solutions/store-design “门店设计”是 RetailNext 为门店规划与设计团队提供的用例解决方案。该页面指出，门店设计决策伴随着巨大的资本风险：一个在设计简报中看似极具吸引力的概念，在现实中可能表现不佳；而等到这一问题在全面推广过程中显现出来时，零售商可能已因此损失数百万美元。 RetailNext 基于其 Aurora® 传感器平台收集的行为数据，可帮助门店规划与设计团队在将决策推广至整个门店网络之前，先在少数几家门店中验证新概念、测试布局调整，并衡量其对顾客购物路径和销售业绩的实际影响。 其核心功能包括：在将新门店概念推广至整个门店网络前进行验证；观察顾客实际在店内的行进路径，而非仅依据平面图设计的预期路径；以及利用实测的顾客行为数据（而非仅依赖可能受其他因素影响的上线后销售数据）来证明特定设计决策的投资回报率。 该解决方案面向门店规划、设计及房地产团队，这些团队在为多地门店的设计变更投入资金前需要确凿证据，且目前在全面推广前测试概念实际表现的途径有限；RetailNext 的 Insights 产品正是为此类小规模试点测试而设计。 该页面引用了肯德拉·斯科特（Kendra Scott）公司的本·杰克逊（Ben Jackson）的发言：Q0 --- 门店运营 https://retailnext.net/zh-cn/solutions/store-operations “门店运营”是 RetailNext 为零售运营团队提供的解决方案，用于同时管理多个门店的劳动力、转化率和绩效。本页面重点解决的核心挑战在于：运营团队需要在同时管理数十家甚至数百家门店的情况下，既要降低劳动力成本，又要提升客户体验。RetailNext 的通过 Aurora® 传感器网络测得的客流和行为数据（计数准确率达 95% 至 99%），被用于根据实际测得的需求（而非固定排班）安排员工班次，同时能够一览整个门店网络的绩效表现（而非逐店查看），并将原始客流量数据转化为可量化的绩效指标（而非简单的访客统计）。 该页面列举了具体的客户成果作为佐证：Boggi Milano 的每位访客销售额提高了 40%，The Vitamin Shoppe 在七个月内额外创造了 600 万美元的销售额，Camper 的转化率提升了 10%。这些数据被呈现为零售商使用 RetailNext 平台进行门店运营所取得的成果。 该解决方案面向运营负责人，旨在帮助他们摆脱逐店猜测的模式，转而基于同一套为 RetailNext 其他产品提供数据的底层传感器数据，就人员配置、排班及门店绩效对比等事项做出覆盖整个零售网络、数据驱动的决策。页面引用了 The Container Store 业务 Insights 与分析高级总监 Matt Evans 的发言： --- 基准对比中心 https://retailnext.net/zh-cn/benchmarks-hub “基准中心”（基准对比中心）是 RetailNext 的公开零售客流量数据资源平台。每月，RetailNext 都会追踪北美、欧洲、中东及非洲（EMEA）以及亚太（APAC）地区数千家零售门店的客流量，据该公司称，由此生成的数据提供了目前最全面的现实世界零售业绩视图之一。 基础数据来源于 RetailNext 自有的 Aurora® 传感器网络，据该公司称，该网络的人员计数准确率高达 95% 至 99%，这意味着这些基准数据是基于实际测量的客流量构建的，而非调查或模型估算，并每月根据美国、加拿大、欧洲、中东及非洲（EMEA）和亚太（APAC）市场的具体数据进行更新。 该平台提供基于 Power BI 构建的实时基准仪表盘，用户可查看按地区、零售行业和时间段分类的实时趋势数据。覆盖范围涵盖多种零售业态，包括服装、鞋类、便利店和百货商店等。 该平台旨在为零售商、分析师和行业观察者提供一个外部参考点，使他们能够将自身门店或投资组合的表现与更广泛的多区域数据集进行对比，而非仅依赖自身的历史数据。 由于数据每月更新，该平台还充当了其覆盖的三个地区实体零售客流宏观变化的动态指标，对于任何希望了解店内购物行为趋势（而不受任何单一零售商自身业绩影响）的人来说，这都提供了有用的背景信息。 --- 定价 https://retailnext.net/zh-cn/pricing “定价”是 RetailNext 的交互式定价估算页面，用于替代公开价格表。 RetailNext 采用基于订阅的定价模式，涵盖软件和 Aurora® 传感器硬件。该页面不公布固定价格，而是提供一个三步式交互式估算工具：零售商输入门店详情，包括门店数量、每家门店的平均入口数量、门店类型或行业类别、地区或国家，以及当前的技术配置； 该工具将即时生成以当地货币计价的估算结果；同时，结果也会发送至零售商的电子邮箱。订阅服务本身涵盖 Aurora 传感器硬件、平台软件使用权、软件更新、保修服务以及 RetailNext 基准数据的访问权限。 该页面明确指出，订阅价格仅涵盖软件和硬件，而其他服务因门店而异：包括安装和现场勘测、专业服务（如安装、布线和网络设置）、硬件运输、销售税和进口关税、针对特殊天花板高度或店铺布局的专用安装硬件，以及零售商所需的任何定制集成。 该页面将订阅模式定位为替代大额前期资本采购的低运营成本方案，称其通过经济实惠的月付方式保障现金流，并指出零售商可联系 RetailNext 销售团队咨询折扣价或企业级费率，这暗示即使在估算器生成的结果中，价格也是可协商的，而非固定不变。 该页面面向处于初期评估阶段的零售商，他们希望在直接联系 RetailNext 销售团队之前，快速获得个性化的成本估算。 --- 合作伙伴 https://retailnext.net/zh-cn/partners “合作伙伴”是 RetailNext 为其合作伙伴生态系统设立的页面，主要面向希望转售、与 RetailNext 平台集成或基于该平台进行开发的组织，而非直接面向终端零售商。 该页面邀请技术提供商、咨询公司、经销商和部署专家加入 RetailNext 合作伙伴生态系统，并明确指出针对上述每一类合作伙伴都设有专门的合作模式，而非采用单一的“一刀切”方案。 该页面为合作伙伴提出的价值主张包括：通过向自身客户提供 RetailNext 平台来开拓新的收入来源；在此过程中获得 RetailNext 提供的业界领先的支持；以及通过合作而非作为独立供应商在同一领域竞争，从而实现更大的发展。 该页面将 RetailNext 自有的零售分析平台——即 Traffic Analytics、Insights、Asset Protection 以及底层的 Aurora® 传感器——定位为合作伙伴可根据自身类别，向其客户群转售、集成或代为部署的产品。 该页面与 RetailNext 面向客户的页面有所不同：它面向的是正在评估是否与 RetailNext 建立商业关系的潜在商业合作伙伴，而非正在评估是否直接购买和部署 RetailNext 平台的零售商。 由于 RetailNext 设定了多个不同的合作伙伴类别，而非单一的通用转售计划，因此该页面作为各类组织的入口，涵盖范围从在现场部署 RetailNext 硬件的系统集成商，到基于 RetailNext 平台数据构建集成方案的软件供应商，这些组织将分别根据不同的商业条款与 RetailNext 开展合作。 --- 关于我们 https://retailnext.net/zh-cn/about/who-we-are “关于我们”是 RetailNext 的公司概况页面。RetailNext 将自己定位为零售分析领域的全球领导者，致力于赋能全球实体零售商做出数据驱动的决策，并表示该公司成立于 2007年，其具体目标是将电子商务式的分析方法引入实体零售业。 该页面列出的公司基本信息包括：全球拥有超过 600 家零售客户，业务遍及 100 多个国家；全球员工约 240 人；总部位于加利福尼亚州坎贝尔市；与客户的平均合作时长超过 10年。 该页面将 RetailNext 的创立初衷定位为旨在填补的一个具体空白：电子商务零售商长期以来都能对在线客户进行详细的、逐页的行为分析，而实体零售商在历史上却相对缺乏对顾客进入店内后实际行为的同等可见性，RetailNext 的建立正是为了专门填补实体零售领域的这一可见性缺口。 该页面是 RetailNext 公司层级事实的权威来源，包括成立年份、客户数量、覆盖国家数量、 员工人数、总部所在地以及平均客户留存时间等。网站其他页面（如“专为零售打造”栏目及各产品详情页）也会引用这些信息，但有时数据可能略有差异或较为陈旧；若本页数据与其他页面较早的数据存在差异，应以本页为准，因其是专门的公司信息页面。 --- 客户案例研究 https://retailnext.net/zh-cn/resources/case-studies 以下内容总结了已发布的 RetailNext 客户案例研究。所有指标均摘自 retailnext.net 网站上相应的案例研究页面。 --- 案例研究：将客流量转化为整个车队的优势（Shoe Palace） https://retailnext.net/zh-cn/resources/case-studies/case-study-shoe-palace-2026 Shoe Palace 利用 RetailNext 客流分析工具，将“每工时客流量”（TPLH）转化为可量化的绩效指标，从而精准识别出 250 多家门店的客流高峰时段，并在第二年实现了平均转化率 10% 的提升。 报告显示的成果包括：平均转化率提升 10%（同比）；全美 250 多家门店；门店网络覆盖 5 个州。 --- 案例研究：从第一天起就利用数据构建实体门店（Balsam Brands） https://retailnext.net/zh-cn/resources/case-studies/balsam-brands-building-brick-and-mortar-with-data-from-day-one DTC 领域的新星 Balsam Brands 如何利用客流分析，在 Balsam Hill 和 Balsam Hill Studio 两大品牌下推出并扩展战略性零售业务，从而实现 31% 的人力成本节约，并将实体店的进店率同比提升至 10%。报告显示的成果包括：人力成本降低 31%；进店率提升 10%（节假日高峰期）。 --- 案例研究：全球冲浪品牌借助 RetailNext 实现卓越绩效（Hurley） https://retailnext.net/zh-cn/resources/case-studies/case-global-surfing-brand-powers-high-performance-with-retailnext 全球冲浪品牌 Hurley 分享了其如何在从另一款零售分析解决方案切换至 RetailNext 后，将转化率提升了 5%。通过 RetailNext 获取可靠且准确的客流量数据，从而提升了业务表现和业绩。报告显示的结果包括：转化率提升 5 个百分点（从 22% 升至 27%）；涉及北美地区 38 家门店。 --- 案例研究：某品牌借助门店分析发掘劳动力机遇（Boggi Milano） https://retailnext.net/zh-cn/resources/case-studies/case-study-boggi-milano-2025 Boggi Milano 是一家意大利品牌，目前在全球 61 多个国家拥有 235 家门店。 2018年，该团队致力于提升对品牌门店业绩的分析能力，并寻求与一家店内分析领域的专家建立合作。据报告显示，取得的成果包括：每位访客销售额提升 40%；转化率提升 5 个百分点；平均客单价提升 15%。 --- 案例研究：营造更安全的大学环境（RetailDDS） https://retailnext.net/zh-cn/resources/case-studies/case-study-building-a-safer-university-environment 鉴于政府为应对新冠疫情而出台的新规，我们的合作伙伴 RetailDDS 正在寻找一家可靠的解决方案提供商，为某所大学客户监测实时客流量。报告显示的结果包括：33,000 多名学生（大学客户）。 --- 案例研究：一家历史悠久的珠宝商如何利用门店客流量来衡量成功（Daniel's Jewelers） https://retailnext.net/zh-cn/resources/case-studies/case-study-daniels-jewelers-2024 自 1948年以来，Daniel’s Jewelers 在美国迅速扩张，目前已拥有 100 多家门店。该公司采用 RetailNext 的 Traffic 2.0 解决方案来提升业绩、优化人力配置并提供卓越的客户服务。据报道，其业绩包括：全美拥有 100 多家门店；经营历史长达 76年。 --- 案例研究：Dave & Buster's：借助分析技术重塑运营 https://retailnext.net/zh-cn/resources/case-studies/case-study-dave-and-busters-2025 Dave & Buster’s 向数据驱动型运营的转型，展现了零售分析如何重塑企业。通过利用实时洞察而非凭空猜测，管理层能够更好地优化人员配置和投资，并在各门店间提升透明度。据报道，其运营成果包括：在美国拥有 177 家门店；最大单店面积达 70,000 平方英尺。 --- 案例研究：在 35,000 英尺高空确保商品陈列合规（Lolli and Pops） https://retailnext.net/zh-cn/resources/case-studies/case-study-ensuring-merchandising-compliance-from-35000-feet 了解 Lolli and Pops 如何通过 RetailNext 平台远程获取商品陈列分析数据，从而节省时间和成本。报告显示的结果包括：在美国拥有 35 家以上门店；规模最大的门店中设有 360 个货架位。 --- 案例研究：DTC 品牌 UNTUCKit 如何提升实体店的转化率 https://retailnext.net/zh-cn/resources/case-studies/case-study-how-dtc-brand-untuckit-drives-conversion-in-physical-stores UNTUCKit 最初是一个直接面向消费者的品牌，是首批开设实体门店的电商企业之一。该品牌分享了自与 RetailNext 合作以来，如何将转化率提高了 6.9%（2017-2020年）。 报告显示的结果包括：与单独使用客流统计和防损系统相比，节省了约 40% 的成本；转化率提升 6.9%；2017年至 2020年间，转化率提升 6.9%。 --- 案例研究：日本领先的眼镜零售商如何实现卓越业绩（田中眼镜） https://retailnext.net/zh-cn/resources/case-studies/case-study-how-japans-leading-eyewear-retailer-drives-high-performance Megane no Tanaka 意识到，有必要基于实时门店分析数据，做出战略性的、以数据为驱动的商业决策。这家眼镜零售商分享了选择 RetailNext 的原因，以期更深入地了解门店购物体验。 --- 案例研究：通过 Interior Analytics 提升陈列效果（某专业服装及配饰零售商） https://retailnext.net/zh-cn/resources/case-studies/case-study-improving-fixture-performance-through-interior-analytics 该零售商希望评估陈列和陈列架的表现，从而发现店内关键商机，并据此做出基于数据的商品陈列决策。 --- 案例研究：多品牌产品展厅（一家多品牌产品展厅） https://retailnext.net/zh-cn/resources/case-studies/case-study-multi-brand-product-showrooms 品牌方不惜重金争取在端头陈列区展示产品，但在评估投资回报率时，却常常因缺乏绩效指标而陷入困境——究竟有多少顾客经过该陈列区？其中有多少比例的顾客驻足？他们停留了多长时间？ --- 案例研究：烹饪艺术家如何将转化率提升 75%（New West Knifeworks） https://retailnext.net/zh-cn/resources/case-studies/case-study-new-west-knifeworks 在这份书面案例研究中，New West KnifeWorks 分享了 RetailNext 平台如何为其提供精准的门店业绩评估和可操作的洞察，从而帮助将转化率提升 75%，并将门店客流量增加 32%。 报告显示的成果包括：门店客流量同比增长 32%；转化率同比增长 75%。 --- 案例研究：阿联酋电子产品零售商如何做出数据驱动的决策（Sharaf DG） https://retailnext.net/zh-cn/resources/case-studies/case-study-sharaf-dg-retailnext-2023 作为阿联酋领先的多品牌零售商，Sharaf DG 始终致力于创新其店内体验。该公司在门店中实施了一种由店内分析及其他数据集驱动的数据共享模式，以推动零售智能的发展。 据报告显示，其业务规模包括：横跨 4 个国家的 30 家门店；每月门店客流量超过 100 万人次；商品种类超过 10,000 种。 --- 案例研究：1% 的力量（The Vitamin Shoppe） https://retailnext.net/zh-cn/resources/case-studies/case-study-the-power-of-1 The Vitamin Shoppe 制定了一项围绕利用精准客流数据的战术计划。该计划成功的关键不仅在于客流数据的准确性，还在于能够在 2 个月内有效部署 731 家门店。 报告显示的成果包括：7 个月内新增销售额 600 万美元；全网店转化率提升 100 个基点；2 个月内完成 731 家门店的部署。 --- 案例研究：Camper 全球门店业绩成功的秘诀 https://retailnext.net/zh-cn/resources/case-studies/case-study-the-secret-to-campers-global-store-performance-success 作为一家以生产高品质产品为荣的现代零售商，Camper 希望为门店员工提供高质量的门店数据，以提升线下购物体验，并推动其全球门店业绩的增长。 报告显示的成果包括：转化率提升 10%；营销支出和人工成本节省 30%；客流量同比增长 20%。 --- 案例研究：通过赋能店员重塑购物体验（100% PURE） https://retailnext.net/zh-cn/resources/case-studies/case-study-transforming-the-shopper-experience-by-empowering-associates 100% PURE 采用了 RetailNext 平台，以更深入地了解顾客的店内购物行为。通过该解决方案的用户界面及其报告，100% PURE 能够实时掌握门店层面和汇总层面的客流量及转化率趋势。 报告显示的结果包括：平均交易金额为 70 美元（较之前的 60 美元有所增长）；每笔交易平均购买 3.32 件商品（较之前的 3.12 件有所增加）；部分门店的转化率超过 30%。 --- 案例研究：深入剖析一家领先街机游戏中心（Ridgelinez）的消费趋势 https://retailnext.net/zh-cn/resources/case-studies/case-study-unpacking-consumer-trends-for-a-leading-arcade-game-center 战略咨询公司 Ridgelinez 正在寻找一家可靠的零售分析合作伙伴，以衡量和分析顾客在街机游戏中心内如何浏览和与各种游戏机进行互动。 --- 案例研究：利用分析打造绩效文化（Snow Peak） https://retailnext.net/zh-cn/resources/case-studies/case-study-using-analytics-to-create-a-performance-culture Snow Peak 利用 RetailNext 的门店分析工具设计了关键绩效指标（KPI），并在旗下直营店全面部署了该系统，其中关键的 KPI 包括客流转化率、成交率以及员工排班效率。 报告显示的成果包括：客流量总增长 8.2%；转化率提升 13%；在装备和服装两大品类中，实现转化的顾客数量增长 213%。 --- 案例研究：在“大辞职潮”中提升薪资管理效率（The Vitamin Shoppe） https://retailnext.net/zh-cn/resources/case-studies/case-study-vitamin-shoppe-driving-payroll-efficiency The Vitamin Shoppe 分享了该公司如何通过基于 RetailNext 客流数据优化人力配置，从而提升了薪资支出与销售额的比例。 其取得的成果包括销售额和转化率的显著提升，以及运营理念的转变。报告显示的成果包括：7 个月内新增销售额 600 万美元；全网店转化率提升 100 个基点；2 个月内在 731 家门店完成部署。 --- 近期思想领导力文章 https://retailnext.net/zh-cn/resources/blog 以下内容总结了 RetailNext 博客的近期文章——这是一系列关于企业级零售商如何评估、部署店内分析平台并从中获取价值的行业前沿观点文章。 --- 博客：零售排班与任务管理已无法再分而治之 https://retailnext.net/zh-cn/resources/blog/retail-scheduling-and-task-management-can-no-longer-be-separate 零售商们通常将人力安排与任务分配分开规划，随后却不解为何执行效果不佳。以下是排班与任务管理必须融合的原因。 --- 博客：零售商购买 RetailNext 时，他们实际上买到了什么 https://retailnext.net/zh-cn/resources/blog/what-retailers-actually-buy-when-they-buy-retailnext 大多数零售分析软件供应商只推销产品规格，而企业级零售商需要了解签约后会有哪些变化。以下是 RetailNext 的真正优势所在。 --- 博客：首席研究官视角：十九年。一个洞见。至今依然正确。 https://retailnext.net/zh-cn/resources/blog/cro-perspective-nineteen-years-one-insight-still-right RetailNext 首席收入官塞尔吉奥·古铁雷斯重新审视了 2007年我们零售分析平台背后的洞见：实体店理应享有与电子商务同等严格的数据分析标准。 --- 博客：无缝切换零售分析服务提供商 https://retailnext.net/zh-cn/resources/blog/switching-retail-analytics-providers-without-disruption 担心更换零售分析服务提供商会导致系统停机？RetailNext 的“资助部署”服务提供每 1 美元 ARR 最高 0.85 美元的抵扣额度，从而简化迁移流程。 --- 博客：整合店内分析的理由 https://retailnext.net/zh-cn/resources/blog/the-case-for-consolidating-your-in-store-analytics 分散的门店系统每周浪费 12 个多小时，并使您的技术投资价值损失高达 40%。了解为何统一的零售分析平台是解决之道。 --- 博客：客流数据准确性如何影响人力成本和转化率 https://retailnext.net/zh-cn/resources/blog/how-traffic-data-accuracy-affects-labor-costs-and-conversion RetailNext 首席收入官塞尔吉奥·古铁雷斯解释了为何客流量分析的准确性对劳动力成本、租赁谈判以及每周转化率审查至关重要。 --- 博客：为什么仅靠客流统计已不再足够 https://retailnext.net/zh-cn/resources/blog/why-traffic-counting-alone-is-no-longer-enough 传统的零售客流量统计技术已无法跟上人工智能的发展步伐。了解 RetailNext 的 Aurora 传感器如何结合具体情境分析客流量，而非仅统计原始数据。 --- 博客：客流数据中断的隐性成本 https://retailnext.net/zh-cn/resources/blog/the-hidden-cost-of-a-traffic-data-blackout RetailNext 首席收入官塞尔吉奥·古铁雷斯（Sergio Gutierrez）阐述了为何零售客流量数据中的缺口，会在系统中断结束后很长一段时间内，悄无声息地影响人员配置、房地产和促销决策。 --- 博客：企业级零售商为何选择 RetailNext https://retailnext.net/zh-cn/resources/blog/why-enterprise-retailers-choose-retailnext 了解企业级零售商为何选择 RetailNext 的零售分析平台：专为全球企业级规模打造的精准、智能且可扩展的数据。 --- 博客：2026年 RetailNext 消费者情绪报告 https://retailnext.net/zh-cn/resources/blog/2026-retailnext-shopper-sentiment-report RetailNext 的消费者情绪报告对 1,053 名美国消费者进行了调查，了解通胀、关税和人工智能如何在 2026年重塑零售决策。 --- 博客：门店体验危机：数据驱动的员工配置制胜 https://retailnext.net/zh-cn/resources/blog/the-store-experience-crisis-data-driven-staffing-wins 塔吉特（Target）将裁减 500 个总部职位，以筹集资金用于门店人员配置。了解客流分析如何帮助零售商更明智地配置人员，从而满足购物者的需求。 --- 博客：NRF 2026 第三天：衡量最重要的影响 https://retailnext.net/zh-cn/resources/blog/nrf-2026-day-3-measuring-impact-that-matters-most NRF 2026 第三天回顾：加里·维纳查克（Gary Vaynerchuk）的主题演讲以及 RetailNext 展位的合作项目，展现了 2026年零售大会的洞见如何推动零售业产生切实影响。 --- 博客：NRF 2026 第二日：敏捷性将决定 2026年零售业的赢家 https://retailnext.net/zh-cn/resources/blog/nrf-2026-day-2-agility-defines-retails-winners-in-2026 NRF 2026 大会第二天显示，零售业的赢家都具备一个共同特点：敏捷性。了解为何速度、真实性与情感投入如今比规模和预算更能带来优势。 --- 博客：NRF 2026 第一天：创新推动零售业未来发展 https://retailnext.net/zh-cn/resources/blog/nrf-2026-day-1-innovation-drives-retails-future-forward RetailNext 对 NRF 2026 首日的总结：来自 100 多个国家 560 多家零售商的基准数据显示，全球客流量增长 2.3%，转化率也在上升。 --- 博客：测试与学习型零售分析的未来 https://retailnext.net/zh-cn/resources/blog/the-future-of-test-and-learn-retail-analytics-better-together 某全球服装零售商将客流分析与受控测试相结合，结果发现，墙面陈列区的客流量比地面陈列区低 40%。 --- 博客：2025年“黑色星期五”：美国零售客流量与销售表现 https://retailnext.net/zh-cn/resources/blog/black-friday-2025-us-retail-traffic-and-sales-performance 尽管客流量下降了 3.6%，但 2025年美国“黑色星期五”的销售额仍增长了 1.0%，这是因为购物者数量减少，但他们购物更趋理性，每次购物花费更多。查看完整数据。 --- 博客：英国零售分析：RetailNext 收购益普索 https://retailnext.net/zh-cn/resources/blog/uk-retail-analytics-retailnexts-acquisition-of-ipsos 在收购 Ipsos Retail Performance 三年后，RetailNext 已向英国和欧洲各地提供零售分析软件，服务范围涵盖客流统计到数据洞察。 --- 博客：数据驱动的扩张：DTC 品牌进军实体店 https://retailnext.net/zh-cn/resources/blog/data-driven-expansion-dtc-brands-explore-stores FOURWALL 创始人安德鲁·尼伦（Andrew Neelon）阐述了 DTC 品牌开设实体店为何依然重要，并分享了针对直接面向消费者（DTC）零售商进军实体零售领域的趋势与建议。 --- 博客：人工智能驱动的物联网传感器正在改变日本的零售运营 https://retailnext.net/zh-cn/resources/blog/ai-powered-iot-sensors-transform-japanese-retail-operations-better-together RetailNext 探讨了像 Aurora 这样的零售物联网传感器如何帮助日本商店应对劳动力短缺、提高转化率，并实时优化人员配置。 --- 博客：RetailNext 亮相 NRF '26 盛会：创新、敏捷、影响力。 https://retailnext.net/zh-cn/resources/blog/innovation-agility-impact-retailnexts-nrf-2026-big-show 欢迎莅临 2026年 NRF 展会参观 RetailNext 展台：现场演示基于“创新、敏捷与影响力”理念打造的、由人工智能驱动的 Aurora 传感器及实时分析解决方案，助力零售商。 ---