1943年，亞伯拉罕·瓦爾德（Abraham Wald）收到一個關於從歐洲任務返航的轟炸機的問題。這些飛機返航時，機翼、機身和尾部都布滿彈孔，而直覺上的結論很簡單：加強受損最嚴重的部位。時任哥倫比亞大學統計研究小組成員的瓦爾德察覺到，問題不在於分析方法，而在於樣本本身。被檢視的飛機都是倖存者。任何在真正關鍵部位中彈的飛機都無法返航接受檢測，這意味著那些成功返航的轟炸機上的損傷，僅顯示了飛機在哪些部位中彈後仍能倖存。那些未受損的區域並非安全之處。它們之所以未被檢視，是因為關於這些區域的證據正沉睡在英吉利海峽的深處。瓦爾德關於飛機生存能力的研究——後來發表於《美國統計協會期刊》——成為一個經典案例，生動說明了當模型僅基於那些在被研究過程中倖存下來的案例所建立時，將會發生什麼情況。
零售業也面臨著類似的問題，而這個問題就隱藏在每份董事會報告中，明擺著卻無人察覺。一旦顧客完成一筆交易，零售商所掌握的顧客資訊量便極為龐大：銷售終端系統清楚記錄了顧客購買了什麼、支付了多少以及何時付款；忠誠度數據將此次購買與過往紀錄串聯起來；購物籃分析揭示哪些商品常被一同選購；而平均交易金額、每筆交易單位數以及每平方英尺銷售額，則詳細描述了商業成果。然而，那位走進店內、花十五分鐘瀏覽商品卻空手而歸的顧客，幾乎完全從這幅圖景中消失了；同樣消失的，還有那位透過櫥窗瞥了一眼便繼續走路的路人，以及那位在尖峰時段抵達、找不到店員協助而放棄購物的顧客。
銷售點系統完全無法察覺這些情況。沒有交易就沒有紀錄。但店家還是損失了些什麼：一位進店卻空手而歸的顧客。他們就像那些再也沒有飛回來的飛機。
您的下一本好書 👉 為何僅靠客流統計已不再足夠
銷售數據反映買家數量。客流數據反映購物者數量。
商店所產生的每組資料集，皆由一筆購買行為觸發。交易紀錄、購物籃內容、會員註冊及利潤結構，都是在消費者決定購買的當下所產生，這使得這些資料能精確描述已完成的購物旅程，卻對被放棄的購物旅程隻字未提。零售業歷經數十年，在衡量成功的顧客行為方面已臻化境，卻將未成功的行為視為「數據缺失」，而非視其為獨立存在的數據。
尼爾森 IQ（NielsenIQ）於2026年8月在一份名為《隱形消費者：零售數據未曾告訴您的真相》的報告中，闡述了此問題的某種表現形式，並指出零售數據雖然非常擅長揭示消費者從我們這裡購買了什麼，卻幾乎無法反映消費者在其他地方的行為。這種盲點在店內情境中的表現範圍更窄、影響更直接。問題不僅在於顧客在其他地方購物，更在於他們曾站在您的店內卻一無所購，而任何系統都未曾記錄他們曾到訪過。
電子商務從未出現過這種盲點，因為在線上環境中，這個「分母」是絕對無法被忽略的。數位團隊能夠掌握會話次數、產品頁面瀏覽量、搜尋活動以及購物車放棄率等數據，因此轉換率從一開始就自然地成為了一項營運指標。實體門市的「分母」始終是那些走進店門的顧客。只是過去一直缺乏可靠的衡量方式罷了。這唯一的差異所蘊含的意義，遠比表面上看起來的更為深遠，因為一家只能統計結果的企業，其成長只能仰賴於產生更多結果。它會開設更多門市、延長營業時間、增加庫存，並安排更多員工，因為若未曾計算過某項比率，便無法對其進行優化。
這正是 Traffic Analytics 所設計用來彌合的差距。透過測量誰經過店面、誰進入店內、店內有多少人，以及這些人流與銷售額之間的關聯，它為交易提供了計算基準，並將門市表現從一個總數轉化為一個實際可管理的比率。
營收排名反映的是地理位置，而非門市表現
RetailNext 針對 2025年「黑色星期五」週末所蒐集的自有數據，顯示客流量與銷售額的走勢可能大相逕庭。在週五至週一這段期間，店內客流量較去年同期下降 5.8%，淨銷售額則下滑 4.4%，單看這些數字，似乎是明顯的衰退。然而，平均單件零售價上漲了 4.4%，平均交易金額增長了 2.1%，而「每位訪客銷售額」（即每位進店顧客產生的平均銷售額）則微幅上升了 0.3%。雖然客流量減少，但零售商從每位進店顧客身上取得的收益卻略有增加。單看營收數字，無法區分需求問題與執行問題，而這兩者所需的應對策略截然相反。
每份門市排名中都存在著同樣的模糊性。以兩家門市為例：第一家門市在 18 萬次造訪中創造了 210 萬美元的營業額，第二家則在 8.5 萬次造訪中創造了 140 萬美元的營業額。若僅看營收，第一家是旗艦店，第二家則是問題店，而晉升與績效計畫也會據此分配。然而，若以客流量來計算，第一家從每位進店顧客身上創造 11.67 美元的營收，第二家則創造 16.47 美元，這意味著第二家從每位顧客身上獲得的收益高出 41%。那家客流量較低的門市並非經營能力較弱的業者，而是表現更優異的業者，只是在商圈條件較弱的區域營運罷了。若以營收為標準對門市組合進行排名，您會知道哪些門市擁有最佳的地理位置；若以各門市把握現有商機的程度為標準進行排名，您便能了解哪些門市經營得當。
唯有在每個據點的客流量都能獲得一致且持續的測量後，才有可能得出該第二名排名；而這正是「Benchmarks Hub」每月根據數千家門市的實際感測器數據所發布的報告，而非基於問卷調查或模型估算。
發現某間門市的轉換率低於其潛力，這只是問題的開端，而非終點——而這正是 Insights 發揮作用之處。透過完整路徑分析、停留時間分析及熱力圖，可以顯示顧客在店內哪些區域產生互動、哪些區域失去興趣，從而將轉換差距追溯至實際導致該問題的區域、陳列或購物路徑。
了解更多 👉 客流數據的準確性如何影響人力成本與轉換率
僅有 36% 的門市員工表示，人員配置與實際客流量相符
在2025年3月針對全美 500 名零售業第一線員工進行的一項調查中，僅有 36% 的受訪者表示排班安排能持續與實際店內客流量相符。超過半數（51%）的受訪者表示，在繁忙時段大多時候都面臨人手不足的情況。近四分之三（73%）的受訪者曾目睹顧客因無人協助而離店，77% 則表示其所屬門市經常因排班決策而損失銷售額。 2025年7月針對 500 名英國店員進行的一項平行調查發現，84% 的受訪者曾目睹因輪班排班不當而導致的銷售損失，而 68% 的受訪者也曾見過在客流稀少時段出現人手過剩的情況。問題通常不在於總體人手不足，而在於人員被排在錯誤的時段工作。
之所以會出現這種落差，是因為大多數排班計畫是根據去年的銷售數據制定的，而非本月的預期需求；而銷售數據只能告訴您顧客何時下單，卻永遠無法顯示他們何時到店。知道昨天有多少人到店，只能解釋昨天的情況。而了解需求何時會出現，則會改變下個月的狀況。RetailNext 的客流量預測功能會根據各門市自身的歷史數據，以 15 分鐘為間隔預測未來 45 天內的客流量，這使得預期客流量能在排班計畫仍處於編製階段時就納入考量，而非在排班確定之後才進行調整。
當然，預測只有在基礎計數數據值得信賴時才具有意義，而客流量極少是最終目標。它會成為轉換率的分母、人力配置的依據、門市比較參考，以及行銷與門市規劃決策的輸入變數，這意味著微小的測量誤差並不會僅止於微小。它會穿梭於整個系統之中，並改變另一端的結論。正因如此，每台 Aurora® 感測器在實際運用計數數據之前，都會依據隨機選取的日期與時間所拍攝的模糊影片進行核對；若未達標準，則會重新配置並再次核對，直至通過門檻為止；此後每年亦會進行重新驗證。當客流量數據決定一家門市是否存在轉換率問題，或是是否應調配人力時，它便不再僅是指標，而是已成為基礎設施。基礎設施必須值得信賴。
一旦發生這種情況，問題的湧現速度便會超過儀表板能回應的速度，而這正是 Pulse AI 存在的意義。當區域經理發現轉換率下滑時，可以以淺顯易懂的語言、按順序詢問：是哪間門市導致了這種情況、該門市的客流量是否有變化，以及人手配置與上個月相比如何——無需在每個問題之間都建立一份報告。
透過測量店內人流量，可了解您現有的顧客群
UNTUCKit 正是這類變化的絕佳例證，正因為該公司從線上起家，早已掌握如何經營定價業務。其數位營運能完整掌握整個購買歷程，而實體門市則僅能看到交易過程的最後一環。一旦門市客流量被量化並與轉換率建立關聯， 該公司便能將客流量模式與銷售業績進行比對，依據各門市實際接待的顧客數量進行評估，並基於比最終交易數量更精準的指標來制定營運決策，據報告顯示，此舉使轉換率提升 6.9%、顧客收益率增加 18%，並將 IT 基礎設施成本降低 40%。這則 UNTUCKit 客戶案例之所以重要，在於這項技術並非人流的創造者。顧客原本就已到店。這項測量僅是讓他們的行為變得可見罷了。
這正是瓦爾德（Wald）的例子與零售業的最終關聯所在。問題從來不在於現有數據不準確，而在於產生數據的過程決定了人們究竟能看到什麼。交易資料庫能精確描述實際購買的顧客，卻完全無法解釋那些曾考慮購買、進店後又離開，或是走近店面卻繼續前行、最終未進入的顧客。這些顧客並未因此失去商業價值，他們只是在分析層面上變得「隱形」了——而一個您無法看見的購物者，就意味著一個無法歸屬、無法衡量，也無法因捕捉到該機會而給予任何人獎勵的商機。
因此，最有價值的問題恐怕不再是「有多少人走進店裡」，而是「那些差點下單卻最終未購買的顧客，後來發生了什麼事」。一旦零售商能回答這個問題，客流分析就不再只是單純的計數工作，而是成為一種方法，用以補全交易數據所掩蓋的顧客旅程環節。
繼續閱讀 👉 為何企業級零售商選擇 RetailNext
