海外电信门店用AI视觉分析监控画面：客流统计成本下降98%

背景与挑战

对于实体零售门店而言，精准的客流数据是运营决策的基础。排班安排、促销时机、转化率计算、各门店业绩考核——这些关键决策都依赖于准确的进店人数统计。然而，大多数门店老板对"昨天有多少人进了店"这个看似简单的问题却无法给出准确答案。

朱剑负责一家海外电信运营商在多伦多和温哥华的6家门店。在采用AI方案之前，团队尝试过多种客流统计方式。最初是人工记录——让店员在纸质表格上记录每天的进店人数，但店员本身忙于接待客户和处理业务，通常只能在下班前凭印象估算。之后尝试了红外感应统计器、Wi-Fi信号设备、人流监控摄像头等技术手段，但实际效果都不理想。

传统统计方式面临两个核心问题：分不清谁是客户——员工上下班被算进来，路过的行人被算进来，橱窗外看热闹的也被算进来；数不准有多少人——同一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，设备稍微装歪就会误判。整体统计误差高于50%。

这个误差率带来的业务影响不容忽视：门店到店客户的转化率一般在20-30%之间，如果进店人数的统计误差就高达50%，那转化率数据完全失去参考意义。此外，人工统计加设备辅助的方式每月成本高达1500-2000加币，管理层质疑"花这么多钱统计的数据还不准，这个工作还有必要吗？"。

AI解决方案

2024年谷歌发布Gemini 2.0模型后，朱剑开始尝试用AI的图片理解能力来分析监控截图，完成客流统计任务。

核心设计思路是将复杂任务拆解为两个简单判断：第一，这个人在多张图片里是不是同一个人（解决重复计数问题）；第二，这个人是员工还是客户，具体在做什么（解决身份识别问题）。AI按照固定格式输出结构化信息，程序再根据筛选规则做最终判断。

例如，AI描述某人"站在柜台前咨询业务"，系统判定为有效客户；描述为"穿着工作服整理货架"则识别为员工；描述为"在门口张望后离开"则判定为路人。当AI连续多张图片输出完全相同的描述时，系统会识别出这是复制输出并自动剔除。

针对不同门店类型，系统还设置了差异化的提示语：封闭式门店有明确的进出口，开放式门店则是街面店，AI需要根据布局特点采用不同的判断策略。

实施过程

朱剑的方案迭代经历了多个阶段。早期直接让AI批量判断一批图片的人数，5月版本的准确率约70%。随后通过为每家门店设置单独的提示语、根据门店布局特点优化AI处理策略，封闭式门店的效果逐渐提升到80%左右，但此后遇到了模型能力的瓶颈。

逐张分析后发现两个主要问题：15%的判断结果存在幻觉，图片和判断结果无法对应；模型资源不足时会偷懒，直接复制前面图片的分析结果。

到9月，朱剑通过与ChatGPT反复讨论错误案例，明确了问题本质：给AI的任务太复杂了。于是换了思路，不让AI直接出最终结果，而是把任务拆解成两个简单判断。这一改变效果显著，准确率直接从80%跳到90%以上。

在技术实现上，整体方案分三步：自动抓素材——用AI编程软件Cursor写了一个小工具，每天晚上门店下班后自动从6家门店的摄像头批量下载当天监控图片；AI批量识别——让AI批量识别监控照片中的人员；数据看板——系统每天早上自动更新前一天的人流数据，配合销售和客服数据，管理层每天上班前即可查看运营数据。

在成本控制方面，朱剑设计了多层过滤机制：摄像头设置为有人才拍照且最少间隔15秒（过滤空镜头）；预处理筛选只保留间隔30秒以上的图片（去除同一行为的重复记录）；每家店每天最终筛选出约800张有效图片，分成20批处理。通过逐步压测（20张到30张到50张/批），最终确定50张/批为最稳定的处理量。

成效与数据

准确率从传统方式的约50%提升至90%以上，基本解决了幻觉和数据重复问题，且对各种类型门店通用有效。

月运行成本从1500-2000加币降至约25加币，下降幅度超过98%。

系统已稳定运行半年以上，管理层和店长每天上班前即可查看前一天的完整运营数据，便于及时调整排班和活动安排。

启示与借鉴

朱剑半年实践总结的三条关键经验值得关注：

问题拆分比优化提示词更重要。 当准确率卡在80%无法提升时，问题出在任务设计而非提示词。将"批量识别客户人数"拆解成"识别同一人"和"判断身份"两个简单任务后，准确率立即大幅提升。这比花几个月时间调提示词效果好得多。

摸清边界比追求完美更实用。 朱剑专门花时间测试了Gemini的批量处理极限：20张图片稳定，30张偶尔出错，50张是临界点。掌握这一边界后，将批量大小锁定在50张，避免了后期大量返工。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。

算总账比看单项成本更关键。 很多企业只看到AI调用的新增成本，却忽略了节省的人力成本和提升的决策效率。与1500-2000加币的人工成本对比，每月25加币的AI成本几乎可以忽略不计。

这个案例的核心价值在于证明了中小企业也能用AI解决实际问题。核心逻辑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用于决策的水平。迁移到其他门店场景时需要注意选择合适的业务场景（有明确价值、有现成数据源），并从小规模试点开始。