1943年，亚伯拉罕·瓦尔德接到一个关于执行欧洲任务后返航的轰炸机的问题。这些飞机的机翼、机身和尾部布满了弹孔，人们本能得出的结论很简单：加强受损最严重的部位。时任哥伦比亚大学统计研究小组成员的瓦尔德指出，问题不在于分析方法，而在于样本本身。被检查的飞机都是幸存者。任何在真正关键部位中弹的飞机都无法返航接受检测，这意味着那些成功返航的轰炸机上的损伤，仅显示了飞机在哪些部位中弹后仍能幸存。那些未受损的区域并非安全区域。它们之所以未被考察，是因为关于这些区域的证据正沉睡在英吉利海峡的深处。瓦尔德关于飞机生存能力的研究——后来发表在《美国统计协会杂志》上——成为了一个经典案例，生动说明了当模型仅基于幸存案例构建时会发生什么。
零售业也面临着类似的问题，而这个问题就明摆着隐藏在每份董事会报告中。一旦顾客完成一笔交易，零售商掌握的关于该顾客的信息量便极为庞大：销售终端记录了顾客购买了什么、支付了多少以及何时购买；忠诚度数据将此次购买与以往的购买记录关联起来；购物篮分析揭示了哪些产品常被一同购买；而平均交易金额、每笔交易件数以及每平方英尺销售额则详细描述了商业成果。然而，那位走进店里、浏览了十五分钟却空手而归的顾客，几乎完全从这幅图景中消失了；同样消失的，还有那位透过橱窗张望后径直走开的顾客，以及那位在客流高峰时段光顾、却因找不到店员协助而放弃购买的顾客。
收银系统对此一无所知。没有交易就意味着没有记录。但商家还是损失了些什么：一位进店却空手而归的顾客。他们就像那些再也没飞回来的飞机。
您的下一本好书 👉 为什么仅靠客流统计已不再足够
商店生成的每一组数据都源于一次购买行为。交易记录、购物篮构成、会员注册以及毛利结构，都是在顾客做出购买决定的一瞬间生成的，因此这些数据精准地描述了已完成的购物旅程，却对被放弃的购物旅程只字未提。数十年来，零售业在衡量成功的客户行为方面已变得极为娴熟，却将未成功的行为视为数据的缺失，而非一种独立存在的数据。
尼尔森 IQ（NielsenIQ）在2026年8月发布的一份名为《隐形购物者：零售数据未曾告诉您的真相》的报告中描述了这一问题的某种表现形式，指出零售数据虽然非常擅长揭示购物者从我们这里买了什么，却几乎无法反映购物者在其他地方的行为。这种盲点在实体店中的表现范围更窄、影响更直接。问题不仅在于顾客在别处购物，更在于他们明明站在您的店里却什么也没买，而没有任何系统记录下他们曾到过那里。
电子商务从未出现过这种盲点，因为在网上，这个分母是无法被忽略的。数字团队可以查看会话数、产品页面浏览量、搜索活动以及购物车放弃率，因此转化率从一开始就自然而然地成为了运营指标。实体店一直以来面对的分母也完全相同——就是走进店门的顾客。只是它一直缺乏一种可靠的方法来衡量这一分母。这一唯一差异所揭示的意义远比表面看起来的要深远，因为一家只能统计结果的企业，其增长只能依赖于产生更多结果。它会开设更多门店、延长营业时间、增加库存，并安排更多员工，因为您无法优化一个从未计算过的比率。
这正是 Traffic Analytics 旨在填补的空白。通过统计经过店面的顾客、进店顾客、店内人数，以及这些客流与销售额之间的关联，它为交易提供了基准，将门店业绩从一个总数转化为一个可实际管理的比率。
RetailNext 自身关于 2025 年“黑色星期五”周末的数据表明，客流量与销售额之间可能存在显著差异。在周五至周一期间，门店客流量同比下降 5.8%，净销售额下降 4.4%，仅从这些数据来看，似乎是明显的下滑。然而，平均单件零售价上涨了 4.4%，平均交易额增长了 2.1%，而“每位访客销售额”（即每位进店顾客产生的平均销售额）则微增 0.3%。客流量减少了，但零售商从每位进店顾客身上获取的收益却略有增加。仅凭营收数据无法区分需求问题与执行问题，而这两者需要截然不同的应对策略。
每份店铺排名中都存在同样的模糊性。以两家店铺为例：第一家店铺在 18 万次访问中实现了 210 万美元的营业额，第二家则在 8.5 万次访问中实现了 140 万美元的营业额。仅从营收来看，第一家是旗舰店，第二家则是问题店，相应的晋升和绩效计划也会据此分配。但若按客流量分摊，第一家从每位进店顾客身上获得 11.67 美元，而第二家则获得 16.47 美元，即从每位顾客身上多获得 41%。那家客流量较小的门店并非经营不善，而是经营得更好——只是其所在的商圈竞争力较弱。若按营收对门店组合进行排名，您便能知道哪些门店地段最佳；若按每家门店对潜在商机的把握程度进行排名，您便能知道哪些门店经营得当。
只有在对每个地点的客流量进行一致测量后，才能得出这一排名；而 Benchmarks Hub 正是基于每月从数千家门店收集的实际传感器数据来生成报告，而非依赖调查或模型估算。
意识到一家门店的转化率未达其潜力，这只是问题的开端，而非终点——而这正是 Insights 大显身手之处。全路径分析、停留时长和热力图能显示顾客在店内哪些区域表现出参与度，哪些区域则缺乏参与度，从而将转化率差距追溯到实际导致该问题的区域、陈列或购物路径。
了解更多 👉 客流数据准确性如何影响人力成本和转化率
在2025年3月对全美 500 名一线零售店员进行的一项调查中，仅有 36% 的受访者表示排班安排能始终与实际客流量相匹配。超过半数（51%）的受访者表示，在客流高峰期，他们大多数时候都面临人手不足的情况。近四分之三（73%）的受访者曾目睹顾客因无人协助而离开，77% 的受访者表示，其所在门店经常因排班决策而损失销售额。 2025年7月对英国 500 名店员进行的一项类似调查发现，84% 的受访者观察到因轮班安排不当而导致的销售额损失，同时 68% 的受访者还发现客流较少时段存在人员过剩的情况。问题很少在于总人数太少，而在于人员被安排在错误的时间段。
之所以存在这种差距，是因为大多数排班计划是基于去年的销售额制定的，而非本月的预期需求；而销售数据只能告诉您顾客何时下单，却永远无法显示他们何时到店。知道昨天有多少人到店，只能解释昨天的情况。而了解需求何时出现，则会改变下个月的情况。RetailNext 的客流预测功能利用各门店的历史数据，以 15 分钟为间隔预测未来 45 天内的客流，这使得预期客流能在排班计划制定过程中就纳入考量，而非在排班方案确定之后才进行调整。
当然，预测只有在基础计数数据值得信赖时才有意义，而客流量很少是最终目标。它成为转化率的分母、人员配置的依据、门店对比的参考，以及营销和门店规划决策的输入依据，这意味着微小的测量误差不会一直保持微小。它会贯穿整个系统，并改变最终得出的结论。正因如此，在将 Aurora® 传感器的计数数据投入使用之前，我们都会根据随机选取的日期和时间段内拍摄的模糊视频对其进行核查；随后进行重新配置并反复核查，直至其通过阈值验证；此后每年还会进行重新验证。当客流数据决定一家门店是否存在转化率问题，或者是否需要调整人力配置时，它就不再仅仅是一项指标，而是成为了基础设施。基础设施必须值得信赖。
一旦出现这种情况，问题就会接踵而至，快得连仪表盘都来不及回答——而这正是 Pulse AI 存在的意义。当区域经理发现转化率下滑时，他可以按顺序用通俗易懂的语言询问：是哪家门店导致了这一情况？该门店的客流量是否有变化？以及当前人员配置与上月相比如何？而无需在每次提问之间都去生成一份报告。
UNTUCKit 是一个很好的例证，说明了究竟发生了哪些变化——这正是因为该公司从线上起步，早已掌握了运营按费率计费业务的诀窍。其数字化运营能够洞察整个购买旅程，而实体店则只能看到旅程末端的交易。一旦对门店客流量进行测量并将其与转化率关联起来， 该公司便能将客流模式与销售额进行对比，根据各门店实际接待的顾客数量进行评估，并基于比最终交易数量更全面的指标做出运营决策，据报告，这使得转化率提高了 6.9%，顾客收益率提高了 18%，IT 基础设施成本降低了 40%。 UNTUCKit 客户案例之所以重要，是因为这些客流并非由技术创造的。顾客原本就已经在光顾了。测量只是让他们的行为变得可见罢了。
这正是瓦尔德的例子与零售业的最终关联所在。问题从来不在于现有数据不准确，而在于生成数据的过程决定了人们究竟能看到什么。交易数据库能非常精确地描述实际购买的顾客，却完全无法解释那些曾考虑购买、进店后又离开，或是走到店门口却径直走开的顾客。这些顾客并未因此失去商业价值。他们只是在分析中变得隐形了——而一个您无法看到的顾客，就意味着一个无法分配、无法衡量、也无法对成功吸引该顾客的人给予奖励的机会。
因此，最有价值的问题可能不再是有多少人走进了商店，而是那些差点下单却最终没有购买的顾客都发生了什么。一旦零售商能回答这个问题，客流分析就不再只是单纯的计数工作，而是成为一种手段，能够还原交易数据所掩盖的客户旅程中的那部分内容。
继续阅读 👉 为什么大型零售商选择 RetailNext