这是很多实体门店运营者都会问到的两个核心问题。明明店内人来人往，收银台的成单量却始终不见涨；花重金做的引流活动，进店人数翻了倍，营业额却没同步跟上。绝大多数情况下，问题的核心不在于产品或导购能力，而在于我们混淆了“进店客流”与“有效潜在客”——把大量只是路过、顺便进门的“无效客流”算进了意向客群里，最终导致对经营状态的全盘误判。

一、行业现状：从“拼流量数量”到“拼客流质量”，转化困局的核心卡点

随着实体零售进入存量运营阶段，线下流量成本逐年攀升，转化率早已成为门店经营的核心生命线。但行业内至今仍存在一个普遍认知误区：将“进店人次”直接等同于“意向客群规模”，并以此为基础制定运营策略、考核团队绩效。

传统客流统计工具的能力边界，进一步放大了这种误判。早年的红外对射、门禁计数等方案，只能粗略统计进出的人头数，既无法区分客流的进出方向，也不能识别客群的行为与意图，最终输出的“客流数据”里，掺杂了大量穿堂而过的路人、借道的周边居民、蹭空调的闲逛者等无效客流。

这种“客流虚高”的现象，在商场连通店、沿街多入口门店、社区商圈门店尤为常见。运营者看着后台漂亮的客流数据，误以为门店引流能力充足，转而在导购培训、促销活动上持续投入，却忽略了真正的问题：进店的人里，本来就有一半以上没有消费意愿，再强的销售能力也很难撬动转化。

二、客流统计的数据从何而来？
技术迭代下的数据源升级

要区分“路过客”与“潜在客”，首先要明确：支撑判断的客流数据到底从哪里来，不同技术方案的数据源有本质差异。

1.传统方案的数据源与局限

• 红外对射/门磁计数：依靠出入口的红外感应触发计数，仅能输出“进出人次”单一维度数据，无法识别客流身份、行为、停留时长，误差率高，完全不具备客群分层能力。

• WiFi/蓝牙探针：通过捕捉手机MAC地址统计客流，数据维度略多，但准确率受用户手机设置影响极大，且未经授权采集设备信息存在隐私合规风险，目前已逐步被限制使用。

• 人脸识别方案：精准度高，可实现到店客群的年龄、性别、复购识别，但人脸信息属于敏感个人信息，合规门槛极高，除特定场景外，绝大多数普通门店无法满足监管要求，落地限制较多。

2.新一代方案：
ReID边缘计算视觉统计的数据源逻辑

当前行业主流的合规性方案，以ReID（行人重识别）边缘计算视觉统计技术为核心，其数据采集与处理逻辑完全围绕“合规+精准”设计：

• 前端仅通过普通视觉摄像头采集画面，不提取、不存储人脸特征，仅基于人体体态、衣着、身形等泛特征进行行人标识；

• 所有计算全部在门店本地的边缘设备完成，原始画面与特征数据不上传云端，从底层规避个人信息泄露风险，符合《个人信息保护法》要求；

• 可输出的有效数据维度包括：进出方向判定、单客停留时长、全店行动轨迹、区域访问热度、到访频次、驻足行为等十余项非身份类数据，足以支撑客群分层与行为判断。

简单来说，这套技术不需要“知道你是谁”，只需要“知道你做了什么”，在合规的前提下，实现了对客流行为的精细化捕捉，这也是当前门店区分路过客与潜在客的核心数据基础。

三、区分“路过客”与“潜在客”的必要性与行业价值

对门店而言，做客流分层绝不是“为了统计而统计”，其核心价值在于修正经营判断、提升资源效率，具体体现在四个方面：

第一，还原真实经营状态，避免决策误判。剔除路过客后的有效客流数据，才能真实反映门店的引流能力与吸引力。很多门店看似客流下滑，实则是商场整体过境客流减少，自身潜在客群规模其实保持稳定，无需盲目调整经营策略；反之，也有门店客流数据上涨，但全是无效路过客，本质上引流能力并没有提升。

第二，实现客群分层运营，提升投入ROI。门店的导购资源、促销资源都是有限的，无需对所有进店客平均用力。针对高意向潜在客，可以安排导购主动跟进、提供精准服务；针对路过客，则可以通过入口陈列、动线设计尝试转化，不用投入过多人力成本，把钱和人力花在刀刃上。

第三，科学评估营销效果，挤掉流量水分。线下活动很容易出现“看热闹的多，买单的少”的情况，只看进店人数会高估活动效果。通过区分路过客与潜在客，可以清晰看到活动到底吸引了多少有消费意愿的客群，真实评估活动的投入产出比，避免被“虚假繁荣”误导。

第四，优化门店空间设计，提升自然转化。通过路过客的行动轨迹，可以找到门店的“穿堂路径”，通过陈列调整、动线优化，延长路过客的停留时间，提升其转化为潜在客的概率；同时也能找到高意向客群的高频停留区域，将核心产品放在对应位置，放大自然转化效果。

四、ReID边缘计算技术如何落地：
精准识别客群的核心逻辑

基于ReID视觉统计的客流系统，区分路过客与潜在客并不是靠单一指标判定，而是通过多维度行为数据交叉验证，形成分层模型，核心判断逻辑分为四层：

1.停留时长初筛：划定基础阈值

这是行业通用的第一层筛选标准。结合多数实体门店的运营经验，进店后停留时长低于10-15秒、全程无驻足、径直走向出口的客流，大概率为无消费意向的路过客；停留时长超过阈值的客流，会进入潜在客初筛池。当然，阈值可以根据门店业态灵活调整，比如便利店的阈值会更短，家居、汽车门店的阈值会更长。

2.行动轨迹判定：识别真实意向

停留时长只是基础，行动轨迹才是判断消费意愿的核心。ReID技术可以追踪单客在店内的完整移动路径，通过行为模式判断属性：

• 有消费意向的潜在客：会在货架、展品前驻足浏览，存在折返、对比、触摸商品等行为，会主动进入核心营业区域；

• 无消费意向的路过客：多为直线穿堂、目标明确直奔非营业区域（洗手间、消防通道、门店另一侧出口），全程无浏览行为，路径高度固定。

3.区域访问权重：分层意向等级

不同门店可以根据自身业态，给不同区域设置意向权重，进一步细化客群分层。比如服饰门店中，进入试衣间、收银区的属于高意向潜在客；只在入口促销区短暂停留的属于低意向客流；餐饮门店中，主动查看菜单、询问座位的属于潜在客，径直走向后门的属于路过客。

4.边缘计算的实时价值：从复盘到干预

区别于云端计算的延迟性，边缘计算的本地处理能力可以实现毫秒级数据输出，让客群识别从“事后复盘”升级为“现场干预”。系统识别到高意向潜在客后，可以实时提醒导购上前接待，在用户消费意愿最强的时机提供服务，直接提升转化概率。

五、行业落地案例：两类典型门店的应用实践

案例一：连锁服饰商场店的客流质量校准

某头部连锁服饰品牌的商场连通门店，此前采用红外客流统计，日均进店客流约320人次，转化率长期维持在4%-5%。运营团队一度认为是导购销售能力不足，频繁开展销售培训，却始终收效甚微。

上线ReID视觉客流系统后，运营团队才发现核心问题：日均进店客流中，约41%为“穿堂客”——即从商场一侧入口进店，径直穿过门店从另一侧出口离开，全程停留时长不足12秒，无任何浏览行为。扣除这部分路过客后，门店真实潜在客群约189人，对应实际转化率约为7.3%，远高于此前的误判值，问题根源不在导购能力，而在客流质量。

基于这一结论，门店调整了运营策略：在门店两侧入口处设置引流陈列堆头，延长路过客的停留路径；同时针对店内停留超过30秒、有浏览货架行为的潜在客，系统实时提醒导购上前接待。调整后，门店路过客转化为潜在客的比例提升明显，整体销售额实现稳步增长。