本文将介绍一个实际案例，展示如何利用AI技术将人流统计的准确率从50%提升到90%以上，同时将每月成本从1500-2000加币降低到25加币。通过详细的技术架构和实施步骤，文章揭示了AI在实体门店中的巨大潜力和实际应用价值。
与AI协作，拆分问题比改提示词更重要
这两天，得到AI学习圈的同学朱剑跟我分享了一个案例，我听完之后觉得很有意思，和你分享一下。
他说的事儿特别简单：用AI数进店的人。但你别小看这个“数人”的活儿，这事儿要是干不好，开店的老板基本上就是在蒙着眼睛做生意。
我问你一个问题：如果你开实体店，你知道昨天有多少人进了你的店吗？
你可能觉得这问题太简单了，不就是“数人头”嘛。但说实话，大多数门店老板真答不上来。让店员记？忙起来根本顾不上，最后都是凭感觉估算。买设备统计？员工进进出出被算进来，路过看热闹的也被算进来，误差能到50%以上。
你可能会说，这数据不就是个参考嘛，差不多就行了。但问题是，这个数据要是不准，你的很多决策都会出问题。
你想想，排班怎么安排？客流高峰期人手够不够？淡季是不是养了一堆闲人？什么时候搞促销效果最好？这家店的转化率到底怎么样？
更关键的是，人流数据是计算门店转化率的分母。如果进店人数都统计不准，你怎么知道哪家店的销售效率更高？怎么制定合理的业绩目标？
简单和你介绍下，朱剑负责的是海外电信运营商在多伦多和温哥华的6家门店。他用AI把人流统计准确率从50%提升到90%以上，每月成本从1500-2000加币降到25加币，成本下降超过98%。
这个改进幅度让我特别想知道他到底是怎么做到的，如果你也开实体店，也被人流统计问题困扰过，今天这个案例值得你花时间看完。
先来看看过去他们是怎么统计人流的？和大多数实体门店一样，他们一开始是让店员在纸质表格上记录每天的进店人数。
但你想想，店员本来就忙，接待客户、处理业务、整理货品，哪有时间专门盯着门口数人？通常都是下班前根据印象估算，如果逼得急了就随便填一些数字交差。
意识到人工统计不靠谱后，朱剑他们开始尝试技术手段。红外感应统计器、基于手机Wi-Fi信号的人流统计设备、人流监控摄像头，该试的都试了。
朱剑告诉我，他们试过的人流监控摄像头，镜头端本身就有基本的AI识别功能，但实际部署后的效果远远达不到产品宣传的效果。
最终，他们采用的是人工统计加设备辅助的混合方式。但这个方案依然不理想。
核心问题到底在哪？朱剑发现，不管是人工统计还是设备统计，问题都是一样的：分不清谁是客户，数不准有多少人。
什么叫分不清谁是客户？员工上班下班被算进来了，路过的行人被算进来了，橱窗外看热闹的也被算进来了。系统根本分不清谁是真正的潜在客户。
什么叫数不准有多少人？同一个客户上午来一次下午又来一次，被算成两个人；一家三口一起进来，可能只识别出一个人；设备稍微装歪一点，进店的客户就被当成路过的了。
整体而言，统计出来的数据与实际差异高于50%。
这个误差率意味着什么？你看，到店客户的转化率一般在20-30%之间，这本身就是门店运营效率的重要指标。但当到店用户数的统计差异可以达到50%的情况下，你根本算不出各店的实际完成情况，更不要说用来考核了。
更要命的是成本问题。人工统计加设备辅助，每个月要花1500-2000加币。管理层的质疑很直接：“花这么多人工成本统计数据，结果还不准，这个工作还有必要吗？”
朱剑当时面临的就是这样的困境：一边是业务需要准确数据做决策，一边是成本控制的要求。
转机出现在2024年。谷歌发布Gemini 2.0模型后，朱剑开始尝试用AI的图片理解能力来完成数客户的任务。
他的想法很直接：既然门店本来就有监控摄像头，能不能让AI直接看监控图片，识别出哪些是客户、有多少人？
一开始，朱剑的思路是让AI直接批量判断一批图片的人数。说实话，这个思路在5月版本的时候效果已经超出了预期，准确率有70%。
后来他沿着这个思路不断优化提示词，比如给每家门店设置单独的提示词，根据门店的布局特点告诉AI如何处理——封闭式门店有明确的进出口，开放式门店则是开放的街面店。
经过这样的优化，封闭式门店的效果逐渐提升到80%左右。但到此就碰到模型的能力边界了，无法再进一步了。朱剑通过对照图片逐张分析，发现了主要问题：
到了9月，朱剑和ChatGPT反复讨论这些错误案例，终于想明白了问题出在哪：给AI的任务太复杂了。
跑个题，在这个时代，有很多的新变革和新挑战，是之前的人类专家或者领导也根本没有遇到过的。所以很多时候，我们除了请教他们之外，还可以跟AI好好聊聊，也许AI会给你很多完全不一样的思路。
而且从次序上来说，我建议是先跟AI好好请教，然后拿着AI的很多有意思或者有突破的方案，再去请教人类专家。
只要这个人类专家的心态是开放的，那么一定能从AI的方案里，快速找到启发自己的地方，然后拿出一个更优质和容易实现的方案。
回到朱剑的案例，于是他换了个思路，不让AI直接出最终结果，而是把任务拆解成两个简单的判断。
同时，他要求AI必须按照固定的格式输出结果，不能像之前那样纯文字描述。然后再用程序根据这些结构化的信息，搭配筛选规则来最终判断是否应该计为有效客户。
我给你举个具体例子：如果AI对某个人的描述是“站在柜台前咨询业务”，系统会判定为有效客户；如果描述是“穿着工作服整理货架”，就会被识别为员工；如果描述是“在门口张望后离开”，则判定为路人。而当AI连续多张图片都输出完全相同的描述时，系统会识别出这是复制输出，自动剔除。
这个改变带来的效果非常明显。目前系统的准确率超过90%，基本解决了幻觉和数据重复的问题，关键是对各种类型门店都通用有效，无需再单独优化。
在技术实现上，朱剑的整体方案分成3个步骤：
第一步，自动抓素材。他用AI编程软件Cursor，写了一个小工具，设定每天晚上门店下班后自动运行，从6家门店的摄像头批量下载当天的监控图片。
第二步，AI批量识别。然后再让AI去批量地识别监控照片里的人。
第三步，数据看板。每天早上，系统自动更新前一天的人流数据，再配合上销售数据和客服数据，管理层和店长每天上班前就能看到前一天的运营数据，便于及时调整排班和活动安排。
系统搭建起来后，朱剑面临的最大挑战是成本控制。
如果不加控制，6家门店每天产生的监控图片数量是巨大的。按照每15秒拍一张的频率，一家店营业12小时就是2880张图片，6家店就是17280张。这个量如果全部调用API，成本会非常高。
朱剑设计了多层过滤机制，从三个层面控制图片数量：
第一，摄像头设置。有人才拍照且最少间隔15秒。这样可以过滤掉大量无人的空镜头。
第二，预处理筛选。只保留间隔30秒以上的图片。因为同一个客户在30秒内的多张图片，其实记录的是同一个行为。
第三，批量处理。每家店每天最终只筛选出约800张有效图片，分成20批处理。
在这样的一套组合拳下来，每个月的AI运行成本也就25加币左右，相比原来每月1500-2000加币的人工成本，几乎可以忽略不计。
但这个成本控制不是简单的“省钱”，而是在保证效果的前提下的精细化管理。朱剑还专门做了小步测试找边界：从20→30→50张/批逐级压力测试，锁定最稳定的批量与提示复杂度。
最终确定稳定在50张/批，既保证了处理效率，又避免了幻觉和重复输出问题。
目前，这套系统已经运行半年多了，朱剑总结了三个关键经验：
第一，问题拆分比优化提示词更重要。
很多人遇到AI效果不好，第一反应是调提示词。朱剑的经验是：当准确率卡在80%无法提升时，不是提示词的问题，而是任务设计的问题。
比如他把“批量识别客户人数”拆解成“识别同一人”和“判断身份”两个简单任务，准确率直接从80%跳到90%+。这比花几个月时间调提示词效果好得多。
第二，摸清边界比追求完美更实用。
朱剑专门花时间测试Gemini的处理极限：20张图片稳定，30张偶尔出错，50张是临界点。摸清这个边界后，他就把批量大小锁定在50张，避免了后期大量的返工。
很多人喜欢追求理论上的最优方案，但在实际项目中，找到稳定可靠的边界比追求极致性能更重要。
第三，算总账比看单项成本更关键。
和1500-2000加币的人工成本对比，现在的方案每月调用AI只需要25加币。很多企业只看到了额外增加的AI调用成本，却忽略了节省的人力成本和提升的决策效率。
说实话，朱剑这个案例最大的价值，我觉得不是技术本身，而是证明了中小企业也能用AI解决实际问题。
很多同行问朱剑这套方案能不能复制到他们的门店，他觉得完全可以。
核心逻辑都是一样的，就是用几十块钱的成本替代上千块的人工，把数据准确率提升到可以用来做决策的水平。但迁移的时候要注意几个关键点：
第一，选择合适的场景。不是所有业务都适合用AI改造。朱剑选择人流统计这个场景，是因为它有明确的业务价值，直接影响排班和营销决策；有清晰的判断标准，就是统计人数；有现成的数据源，门店本来就有监控摄像头。
第二，从小规模开始。朱剑一开始只在6家门店试点，验证效果后再考虑推广。这种渐进式的推进方式，既控制了风险，也积累了经验。
第三，重视数据基础。AI想干活，得先有“粮食”。朱剑能够成功，很大程度上是因为他们已经有了监控系统，有了结构化的图片数据。如果连基础数据都没有，就得先补课。04 结语
如果你也在门店运营中遇到类似的数据统计问题，不妨参考朱剑的思路。
这样的案例，我们要学习的并不是AI技术有多么高大上，而是同学在这个任务里的摸索和实验能力，希望能对你使用AI有启发。
本文由人人都是产品经理作者【快刀青衣】，微信公众号：【快刀青衣】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。
