星巴克点单时要横向排队，而肯德基、麦当劳则是纵向排队；

绝大部分商超、便利店将安全套摆放在紧挨结账口的货架上；

711进门处的“特设货架”平均每2-3周就会更换一次商品，其销量是普通货架的1.5-2倍；

宜家采用自选方式，除非你主动要求店员帮助，否则店员不会轻易打扰你；

……

这些看似简单的经营行为背后，都是对客户的深刻洞察。统计数据显示，欧美、日本、新加坡等发达国家和地区的大型商场和连锁商业网点都已广泛使用客流研究，来辅助运营管理决策，而不是以往的拍脑门决定、拍胸脯保证、拍大腿后悔、拍屁股走人。

卓思认为，客流研究已成为重要的商业市场研究手段，持续且精准的客流统计与分析能够为运营决策和综合管理提供准确及时的数据参考，对稳定市场、提升获客能力起到重要作用。

以汽车行业的客流洞察分析为例，哪个才是你会one pick的客流洞察分析方法？

青铜段位：GPS定位技术

由于传统人工客流统计手段面临着诸如连续性差、效率低等一系列问题，目前汽车厂商大多选择GPS定位技术来获取客流数据信息，其具备观测时间短、区域覆盖广、定位精度高等优势，可持续且快速测量目标区域的客流数据及其变化态势。

GPS定位技术在实际应用过程中涉及到多种具体定位方式，其中C/A码伪距法定位速度快、无多值性问题，是GPS最基本的定位方式，也是大数据客流监测应用较为广泛的定位方式，其理论定位精度一般在±10米左右。

但在实际操作过程中，GPS信号容易受到建筑物、水面或其它反射物表面反射的信号干扰，经反射的信号路径增长，使得其伪距存在系统偏差，进而导致定位误差增大，精度一般在±100米左右。

钻石段位： POI客流洞察分析

POI（Point of Interest）客流洞察分析对应的是坐标点的数据，不涉及到线和面，是最简单的矢量数据，用于简单的地点标注而不需要相应地物轮廓，其原理是以某个经销商的经纬度坐标点为圆心，抓取固定半径内的客流数据。

POI技术最终圈定的监测区域是覆盖目标经销商店的“圆形”区域范围，而经销商的建筑形状大多为方形、L型、矩形、梯形或其他不规则形状，统一用“圆形”区域范围来进行客流监测，势必会圈入大量无效数据，因此POI技术会造成不同程度的误差。

结合卓思为某豪华汽车品牌经销商店进行的POI客流洞察分析实例来看，该经销商建筑是长100米、宽20米的标准矩形建筑形状，为完整覆盖该经销商建筑范围，我们以该店的POI坐标点为中心，抓取了55米半径范围内的客流数据（图1）。从图1中可看出，为完整覆盖经销商建筑范围，POI圈入了大量无效区域（即黄色区域）；再者，对比该经销商当月实际客流量时可发现，POI客流量约为实际客流量的5.3倍（图2）。

经过卓思大量实例验证，受无效圈定区域的存在和影响，POI客流大约是实际客流量的5-7倍。

（来源：Maxinsight卓思）

除了上述POI技术原理带来的圈定范围误差外，卓思在研究中发现，POI技术的误差还会受到经销商所处位置的影响，当经销商处于某些特殊地理位置时，会使得POI技术处于一个更高的误差水平。

1. 我们在为国内某合资汽车品牌提供客流洞察分析服务时，发现某一经销商POI客流量远高于实际客流量，在对该经销商地理位置及周边环境进行研究排查后发现，该经销商紧邻某政府单位建筑，而POI的测算方式将此建筑纳入了监测范围（图3），导致客流异常偏高，是实际客流量的10倍左右（图4）。

（来源：Maxinsight卓思）

所以，当经销商周边相邻高人流量建筑（政府单位、商场、医院等）时，POI技术的误差水平会显著提升。

2. 卓思在对另一个并未毗邻高人流量建筑，但POI客流量仍远高于实际客流量的某经销商周边地理位置信息进行排查后发现，该经销商附近有一公交站台（涉及8路公交车，其中多路公交车途径多个市内繁华地段，人流量大且较为拥堵，需要等待公交车的时间较长），POI的测算方式将此公交站台纳入了监测范围（图5）。受公交站台大量流动人口的影响，POI客流量比实际客流量增大了将近12倍（图6）。

（来源：Maxinsight卓思）

可以看出，当经销商位于交通枢纽（公交站、地铁站等）附近时，由此带来的大量流动人口也会使得POI技术的误差水平显著提升。 

3. 在POI客流分析洞察技术的应用过程中，卓思会深入研究客流流向以及竞争关系，但是，某些经销商特殊的地理位置会对客流竞争关系研究的可行性与准确性造成极大影响。卓思为国内某合资汽车品牌旗下经销商提供POI客流洞察分析研究时发现，其中某一经销商位于当地最大的汽车城内，其建筑周边紧邻有4家其他品牌经销商，导致本竞品经销商的POI监测区域互有重叠（图7），该经销商客流监测数据异常偏大，且难以有效测算实际客流竞争关系。

（来源：Maxinsight卓思）

当经销商位于经销商聚集区，即周边紧邻其他品牌经销商时，POI技术的误差水平显著提升，且无法有效分析本竞品经销商客流的竞争关系。

三、王者段位：AOI客流洞察分析

AOI（Area of Interest）能很好解决上述POI存在的问题。AOI与POI最大的区别在于，AOI采用了更精准的地图圈选技术，它所表达的是地图数据中区域状地理实体的“面”，而POI是一个“点”（图8）。通过AOI技术，可以在卫星图上绘制经销商展厅的区域面，形成墨卡托投影坐标系，除了包含地点等基本信息外，还用多个点勾画出了建筑物的轮廓（图9）。通过获取圈选展厅区域的打点定位数据（图10），可以准确筛除周边政府机构、其他品牌经销店、交通枢纽、维修车间等无效数据，进而保障客流数据的精准性。

（来源：Maxinsight卓思）

结合卓思与某合资汽车品牌的AOI客流洞察分析合作实例来看，AOI技术可根据实际建筑形状灵活且精准地圈定经销商的“展厅”区域（图11），不但可以避免将非经销商建筑区域圈入监测范围，还可有效区隔经销商“展厅”和“维修保养”等其他区域，进而在AOI客流统计时剔除到店维修保养客流，仅监测到店看车客流，进一步提升客流监测的精准性。对比实际客流水平可发现，AOI客流量约为实际客流量的2.1倍（图12），基本处于合理水平。

（来源：Maxinsight卓思）

因大数据客流统计与人工统计标准的差异（大数据统计到店人数，人工统计到店登记人数），所以大数据统计的客流量会普遍高于人工统计的实际客流量，卓思经大量实例验证后发现，AOI客流量大约为人工统计实际客流量的2-3倍，基本处于合理水平。

卓思在专注于技术研发和产品打磨的同时，也在不断对各类客流数据结果进行验证分析。近期，我们与国内某合资汽车品牌展开了客流专项研究，通过对比该品牌在某一线城市所有经销商近期6个月的POI客流数据和AOI客流数据发现，AOI客流的数据合理性、月度走势，以及与实际销量数据变化趋势的联动性及契合度，都明显优于POI，具有更加优秀的数据精准性与实际应用价值。

（来源：Maxinsight卓思）

尽管AOI客流数据的精准性和抗干扰能力显著优于POI，但其需要大量的前置性研究工作，即首先需要准确圈选出目标监控品牌在目标区域所有经销商的展厅区域范围，在此基础之上，才能实现客流数据的高效输出。

卓思的研究团队历时2个月，完成了全国近4万家汽车品牌4S店的AOI墨卡托投影坐标系测绘数据，并结合卫星图定位+街景图复核验证，确保能够准确测绘出全国各汽车品牌所有经销商店的实际“展厅”区域。基于AOI地理轮廓区域，获取落在轮廓区域内的打点定位数据，再通过对时间（只保留打点数据间隔在5-50分钟之间的数据，以规避无效客流及售后客流）、常访（剔除员工、快递、外卖等同一AOI每周到访超过5次的ID及同一AOI每日累计停留时长超过2小时的ID）等多维度数据采取保留或剔除策略进行精确筛选，从而更加精准地排除无效到店客流量，仅输出实际到店看车的客流量。

卓思研究发现，客流量与销量存在较为显著的相关性，即客流量的增加/增加幅度，或减少/减少幅度，与销量的增长态势与幅度表现存在一定的关联性。经过长期在大数据客流领域的深耕和沉淀，卓思具备了丰富的AOI客流研究经验与独特优势，能够快速精准地对全国各汽车品牌经销商的客流数据进行监测和分析，为经销商的运营决策提供更加智能、精准、高效、专业的大数据客流应用服务。