逛店久的都購買商品了嗎？—— 文安智能TrueFlow系統業內首推逛店時長分布分析功能
發布時間：2022.07.15
分享：
對于線下實體而言，除了客流量這個重要的指標以外，客戶停留時長以及轉化率也都是重要的指標。
傳統客流系統能夠計算出所有客人的在店內的平均停留時長這個宏觀量，其原理就是把店內滯留客戶人數（通過計算進店人數減去出店人數獲得）進行時間積分，再除以總進客數。這種方法的一個缺點就是無法分析出每個客人停留時長和客群停留時長的統計分布。比如40%的客戶停留1分鐘以內，20%客戶停留1分鐘到3分鐘之間等等。而且，店內滯留客戶人數受進出店客流統計累積誤差影響很大，往往會導致平均店內停留時長計算不準確。 為了得到具體的客戶停留時長數據，就需要對每一個客戶的進店時間和離店時間進行識別。文安智能最新推出的基于TureFlow技術的客流系統采用先進的ReID技術，可實現基于垂直俯視角度圖像進行衣著、服飾、輪廓等非生物特征分析，精準地匹配顧客進出記錄，從而計算出每位客戶的店內停留時長，并統計出所有客戶店內停留時長的分布情況。當然，平均停留時長這個統計量，也可以輕松地計算出來，并且不受滯留量精度的干擾。
客戶停留時長分布這個新指標，是進店客流和購買轉化之間的一個非常重要的中間參數，有多方面的應用。 零售人類學創始人帕科·昂德希爾經過大量研究得出，購物者花在店里的時間（僅指購物時間，不包括排隊等候的時間）也是影響購物量的重要因素。不同細分零售行業，兩者之間的關系是不同的。例如電子產品店，沒有買商品的顧客在店里待的平均時間是5分06秒，而買了商品的顧客在店里待的時間是9分29秒；玩具店，沒有買玩具的顧客平均待了10分鐘，而買了玩具的顧客平均待了17分鐘。所以顧客停留的時間越長，購買可能性就越大。連鎖門店可以統計分析自身實際數據，發現店內停留時長與購買轉化之間的關系，輔助制定經營策略。 與線上電商相比，線下門店越來越擔負起更多滿足客戶體驗的功能。而店內停留時長情況，能夠很直接地反映品牌吸引力和客戶體驗的滿意度。如果與貨品觸達分析結合，進一步細化分析顆粒度，還能夠判斷新產品是否吸引客戶，爆品的吸引力是否繼續保持等重要指標。而與店員服務流程與培訓結合，還能夠定量化地提高服務質量和客戶體驗滿意度。 停留時長分布功能可根據停留時間去除穿堂而過的無效客流。一個典型的實例是，某知名手機品牌的門店，位置處在5層電影院旁，每天都有超過80%以上的客流，他們的目的地是位于手機店后方的電影院。這些客流的一個重要特點就是在店內停留時長小于15秒，并且是從兩個不同的門進出。采用TrueFlow技術，這種客干擾流可以輕松去除，與店員排除算法結合，得到真實的顧客流量。
本次推出的基于TureFlow技術的店內停留時長分布功能，未來在細分零售行業里會得到進一步的應用和發展，將為線下品牌的高效運營和客戶線下體驗的提升提供強有力的數據支撐。文安智能的TrueFlow技術還有更多創新功能，等待我們去發現和探索，敬請期待~!
