大多数客流统计的商业论证失败，原因不外乎两个：要么声称的收益无法追溯到任何具体来源，要么漏掉了在场每个人都心知肚明的成本。无论哪种，财务团队都会不再往下看。
一份可信的论证，比初稿更小、更平淡。它为每一行给出诚实的区间，说明其背后的假设，并明确指出哪些收益因你尚无法证明而被排除在外。
先把可量化的收益与凭信念的收益分开
把声称的价值分成两类，能让对话从推销变成分析。
在系统就位的前提下，可在一到两个季度内量化：
- 人力工时按真实客流安排，而不是按固定排班。
- 在真正繁忙的时段减少加班，或在清闲时段减少人力冗余。
- 用客流与转化率报表取代人工计数和凭感觉估算。
- 为门店对比提供统一基准，用指标取代轶事之谈。
看似合理但更难归因：
- 因更合理的排班、动线或陈列决策带来的转化率提升。
- 通过对比营销活动前后的客流与转化率，来评估营销和促销。
- 用实测客流为租金或租约谈判提供依据。
- 基于客流潜力、而非直觉来做出开新店、迁址和关店的决策。
基准情景用第一组来构建。第二组作为上行空间呈现，并明确说明其归因与其他许多因素共同分摊。
完整的成本侧
低估成本是模型被否决最快的方式。成本应包含：
- 硬件。每家门店的相机或传感器，加上在区域层面保留的备件，因为一台故障后长期未修复的设备会毁掉该门店的客流历史。
- 安装。固定、布线或供电、以及校准。取电困难或吊顶空间狭窄的点位成本更高，而每个门店网络里总有几个这样的点位。
- 软件与平台。按门店或按设备计的许可或订阅费，加上任何一次性设置费用。
- 支持与维护。固件更新、RMA 处理，以及更换设备所需的技术人员工时。
- 网络。当门店的链路无法承载设计所需流量时的额外连接费用，尽管边缘处理会显著降低这部分成本。
- POS 集成（若转化率在范围内）。这是整个项目中最常被低估预算的一项。
- 项目与内部工时。门店走访、与区域经理协调、数据校验、报表搭建。通常需要一个人数周的时间。
- 持续的运营归属。总部要有人对数据是否被使用负责。这是一项真实且持续的成本——而跳过它，会让其余投资变得毫无价值。
漏掉支持、备件或内部工时的模型，会给出一个漂亮的回本周期，但它撑不过第二年。
诚实地量化人力收益
排班通常是最大且最能站得住脚的一项，因为客流数据直接回答了当前排班只能靠猜的那个问题。
方法很直接：
- 取每家门店一段有代表性的分时客流数据。
- 定义服务标准——例如每小时每位员工服务的顾客数，或高峰时段的最长排队长度。
- 把当前排班与按该标准排出的班表对比。
- 按包含法定缴纳项在内的全负荷小时人力成本，对差额进行估值。
- 把结果以区间而非单一数字呈现，因为服务标准是一项经营决策，而不是一次测量。
两点提醒。第一，只有排班真正改变，节省才会出现——一个量出了不均衡却不做任何改变的连锁，只会付出成本、得不到收益。第二，有些连锁并不减少总工时，而是把工时从清闲的早晨调配到繁忙的晚间。这是实实在在的服务提升，但可能并不体现为现金节省，模型应当如实说明，而不是夸大。
量化转化率提升
转化率等于交易数除以客流。它容易计算，却难以归因。
在已知每家门店客流的前提下，哪怕幅度很小的转化率提升也能带来可观的销售额，正因如此，这一项在商业论证中最容易被注水。要保持克制：
- 用你自己的历史数据说明同一同类组内的门店之间转化率通常相差多少。如果差距大，理论上就有改善空间；如果所有门店都很接近，空间可能非常小。
- 只把其中一部分归因于项目。带来改善的是排班和动线的改变，而不是相机；相机只是让决策变得可见。
- 给出时间线。决策的落地和反映到销售上都需要时间，这意味着收益曲线在初期会更平缓。
- 给出盈亏平衡的版本。说明转化率提升小到什么程度，项目就能回本。这个数字往往低得出人意料，也比一个雄心勃勃的预测更有说服力。
构建回本图景
在成本和收益都估值之后，用财务部门习惯的形式来呈现这笔投资：
- 简单回本周期（以月计），基于基准情景——用保守的收益组合，而不是乐观的那一套。
- 年度经常性成本与一次性成本分列，以便与订阅费用或人员预算做干净的对比。
- 敏感性表，展示两个最大变量在低、中、高假设下的回本周期，这两个变量通常是人力收益和转化率归因。
- 明确列出被排除的收益，以免有人指责模型隐藏了上行空间或重复计算。
如果项目只有在两个变量都处于乐观端时才成立，就直说。那是一个关于风险偏好的决策，模型应当把它摆到台面上，而不是藏起来。
真正决定回报的因素
有三个因素决定这笔投资在实践中是否划算，而它们都不在表格里：
由谁来使用数据。在总部有一位明确的负责人、按周汇报、且排班流程真正消费分时曲线的连锁，会比一个装了同样硬件、把看板归档了事的连锁实现更多价值。
计数口径是否一致。如果门店使用不同技术、覆盖不同入口，或在部分点位统计员工而其他点位不统计，那么跨门店对比——大部分决策价值的来源——就会瓦解。一致性比微小的精度优势更值钱。
项目范围是否小到能做完。试图在首个版本里同时交付客流分析、排队管理、区域热力图和完整 POS 集成的连锁，往往一项都无法按期交付。要把范围排好顺序，先把第一项收益拿到手。
一份可直接套用的结构
不必到处找模板，用这个结构填入你自己的数字即可：
- 范围。门店数量、每家门店的入口数、用一句话描述要测量什么。
- 一次性成本。硬件、安装、集成、项目工时。
- 经常性年成本。平台、支持、连接、内部负责人工时。
- 基准情景年收益。人力对齐与报表效率，各自在脚注中写明其假设。
- 未量化的上行空间。转化率提升、营销评估、物业决策——只描述，不估值。
- 回本周期与敏感性。两个变量，各三种情景。
- 我们将用什么来验证它。在第 90 天和第 12 个月复盘的具体指标，以及由谁负责。
第 7 点是区分严肃提案与敷衍提案的关键。事先承诺什么结果能证明这笔投资是错的，才让其余数字变得可信。
常见问题
客流统计部署通常多久回本？没有一个能站得住脚的通用数字，因为回本周期取决于门店数量、人力成本、安装条件，以及排班是否真的做出改变。有用的做法是用敏感性区间来建模你自己的成本和收益，而不是采用别人给出的回本周期——从一个市场拿来的数字，并不能证明你的市场也是如此。
我可以把转化率提升当作有保证的收益吗？不能。转化率除了受排班影响，还受定价、品类、库存可得性、竞争和季节性影响。要把转化率上行空间当作未量化的收益，或只归因其中一小部分并明确说明，同时给出需要多大的提升才能回本。
在投入全部预算前，先在几家门店试点是不是更好？是，而且试点的范围应当设计成能产出你模型中缺失的那个数字：包含棘手点位在内的、每家门店的真实安装成本。一个只证明了相机能用的试点，会让商业论证的成本侧得不到验证。
对单店零售商来说，最有说服力的投资理由是什么？对一家门店而言，人力对齐这一项通常很弱，报表这一项也很单薄。更有力的理由是决策质量：知道一个糟糕的月份是到店人数变少还是成交变少，并且能用真实的前后对比测量——而不是凭印象——来检验一项改变（动线、促销、营业时间）。
我应该直接购买硬件，还是采用订阅模式？这取决于你的现金状况以及你为技术支出筹资的方式。直接购买把成本转为资本支出，从长周期看通常更便宜；订阅则分摊了成本，往往还打包了支持和更新。无论哪种，都要为完整的经常性成本建模，包括备件和内部负责人工时——这两项在两种方案里都存在。
HooViz 为零售客流分析构建感知层：2D AI 与 3D 客流统计相机、用于区域分析的鱼眼全景热成像相机、适用于无基础设施点位的 4G 太阳能相机，以及用于本地汇总的 AI 网络硬盘录像机（NVR）。解决方案 版块展示了它们各自适用于零售或商场部署的哪些环节，产品中心 则列出了当前的产品系列。如果你想讨论项目范围和会影响你模型测算的成本驱动因素，请带上你的门店数量和入口布局，联系我们的团队。