如何用客流数据模型区分“路过客”和“潜在客户”？一套可落地的方法

在数字化门店或智慧零售场景中，很多团队在做客流统计时，都会遇到一个核心问题：

数据有了，但无法指导决策。

尤其是：

• 门口人流很高
• 进店转化却很低

问题本质在于：缺少对“经过流量”的建模能力。

一、核心变量定义（标准化数据结构）

在客流系统中，建议至少定义三个基础指标：

Passing Traffic（经过人数）
In-store Traffic（进店人数）
Dwell Traffic（停留人数）

二、客流分层模型（核心算法）

基于上述数据，可以构建一个简单但有效的分层模型：

1. 路过客 = Passing - Dwell
2. 潜在客 = Dwell + 未消费进店人群
3. 高价值客 = 深度停留 + 转化人群

该模型的价值在于：

👉 将“总流量”拆解为“可运营流量”

三、关键指标计算（可直接用于BI系统）

1. 进店转化率

Conversion Rate = In-store / Passing

用于衡量：

• 门店拦截能力
• 橱窗吸引力

2. 停留率

Engagement Rate = Dwell / Passing

用于衡量：

• 用户注意力捕获能力

3. 转化效率

Efficiency = In-store / Dwell

用于衡量：

• 内部转化能力（导购/陈列）

四、案例分析（数据驱动决策）

Passing: 1000
In-store: 80

计算：

• 转化率 = 8%
• 路过客 ≈ 920

结论：

👉 问题不在流量，而在“流量转化”

五、系统落地建议

在实际系统设计中，可以加入：

• 多设备去重（跨摄像头识别）
• 员工过滤（Badge/Tag识别）
• 人群属性分析（性别/年龄）

进一步提升数据质量。

六、总结

客流统计的关键，不是采集更多数据，而是：

👉 让数据具备解释能力和决策能力

而“经过人数”，正是整个模型的基础输入。