过去三年我一直在为无人零售运营商做数据咨询，累计看过来自智能货柜、自动售货机、称重柜在内的超过一万台设备的真实运行数据。这个行业有一个让人不安的共性：许多运营者每天都在查看销售额、补货次数和损耗率，却往往在亏损发生两个月之后才意识到问题所在。
在这里我想直接给出一个核心判断：无人零售设备运营的数据分析，真正的价值不在于追踪“卖了什么”，而在于解构“为什么这台设备赚钱、那一台设备赔钱”。运营数据与用户数据的结合，才是决定一个点位盈亏的关键变量。本文会从真实案例出发，拆解我们在数据分析过程中踩过的坑、总结出的判断逻辑，以及不同规模下应该采取的不同行动。
先看核心结论：数据分析到底能改变什么
绝大多数运营商对设备的理解停留在“点位决定生死”。位置确实是决定因素，但同一个商场、同一条街道、甚至同一栋楼里，相邻设备的日销售额可以相差三倍以上。我们还见过同一位置替换机型之后业绩完全不动的案例。原因在于，设备运营是一个由位置、商品、价格、补货频率、用户触达共同作用的系统，数据是还原这个系统的唯一入口。
我们的项目数据里有一条可复用的经验：只要设备运营者完成了连续8周以上的结构化数据分析，单台设备平均日均销售额提升12%～20%是完全有可能的。这个提升不是来自玄学，而是来自淘汰无效商品、调整补货节奏、优化价格带和识别异常损耗这四件事。
只分析设备出货数据，你能看到的是“什么好卖”；结合用户购买行为数据，你才能看到“谁在买、为什么买、什么时候买”。举一个我们服务过的案例：某运营商一直把某品牌的高端果汁放在每台货柜的中层黄金位置，原因是该商品的毛利率最高。但用户数据表明，果汁的购买者主要集中在下午2点到5点的办公人群，他们往往拿着手机快速选择，根本不会注意到中层货架。当我们把果汁挪到视线中心层之后，该单品销量一个星期内提升了35%。
这就是设备分析与用户分析合并带来的价值。
统计性分析告诉你发生了什么：本周销售额下降了10%；诊断性分析才告诉你为什么：学校放假、隔壁新开了便利店、补货时间推迟、某台设备制冷故障持续了三日。我们服务过的客户中，能稳定盈利的团队几乎都要求每周至少做一次诊断性复盘。他们不仅看数据报表，还会把数据异常与线下事件关联起来。做不到这一点的运营商，数据分析就会停留在摆设阶段。
我进入这个行业的真实场景：一台看似健康却持续亏损的设备
2022年我们接到一个客户的咨询：他们在某二线城市的高铁站候车厅投放了40多台自动售货机，整体报表显示销售额每月稳定在20万左右，看上去没有大问题。但客户团队清楚，扣除进场费、人工补货和商品损耗之后，这个站点实际上是亏损的。他们想知道问题出在哪里。
我们拿到后台数据后发现，销售额确实是稳定的，但商品销售结构极其不合理：销量前三的SKU是两种矿泉水和一种含糖茶饮，三者合计占了总销售额的61%；高毛利的乳品、咖啡类商品周动销率不足15%。这意味着设备被当成了“低毛利水站”在用，点位资源被严重浪费。
更实际的问题是数据质量。设备导出到他们后台的数据只有每日总销售额、总订单数和每个SKU的销售数量，但订单时间只有“天”的粒度，没有精确到小时；用户信息完全缺失，没有会员系统，没有支付渠道来源的汇总。这种情况下，很多精细化分析根本无法展开。
我花了整整一周帮他们梳理数据口径：统一设备时间、清洗补货记录与销售记录之间的匹配关系、把手工记录的点位信息整理成结构化表格。这个过程很枯燥，但它让我意识到，无人零售行业的数据分析瓶颈，很多时候不是算法不够先进，而是最基础的“数据可用性”尚未解决。
当我们设法从支付接口拿到聚合后的脱敏订单时段分布后，真相浮出水面：该点位90%的交易集中在早上7点到9点和下午5点到7点，对应的是通勤人群的即时解渴需求。这些用户从进站到完成购买的平均时间只有不到40秒，他们根本没有耐心去浏览多屏商品。解决这个问题的方向变成了优化“购买决策效率”：把高频商品集中到前两个货道，减少滑动页面的步骤，同时增加大包装选项来提升客单价。
这个场景让我完善了自己的认知，无人零售设备的数据分析不是一维的销售统计，它至少包括设备状态、商品运营、用户行为、位置特征四个维度，只有四者交叉才能还原真实经营情况。
拆解无人零售数据分析中常见的六个误区
这是最常见的问题。销售额只是结果指标，它看不到赚钱质量。我们见过大量销售额很高但实际不赚钱的设备：高销售额来自低价水饮，毛利覆盖不了进场费；高销售额来自设备故障前的“集中出货”，之后就是漫长的沉默期。只看销售额会让人误以为自己做得不错，直到月底结算才傻眼。
正确的做法是同时追踪“销售毛利率”、“损耗率”和“设备净贡献”。我们内部会计算一个叫“单台设备月度经营利润”的指标，公式是销售额减去商品成本、补货人工摊销、电费、网络费、点位分成和损耗。大多数运营商从未算全过这些成本。
当运营商看到“全网设备平均日销售额350元”时，很难观察到背后的结构分化。我们分析过的一家客户，60%的设备日均销售额低于200元，30%在200到500元之间，只有10%超过500元。平均值350元来自少数头部设备的大幅拉动，但运营者如果按照平均值去制定补货和投资策略，就会把资源错配给大量低效设备。
所以我们在任何分析里都会坚持分位数思维：先看P25、P50、P75的分位数分布，再看平均值，最后还要看方差和偏态。只有分位数结构健康，平均值才有参考意义。
无人零售的复购率极具迷惑性。在社区场景里，复购率确实很重要；但在交通枢纽场景里，用户本身就是一次性流量，复购率低不代表经营差。把交通枢纽设备的复购率对标社区设备，会得出完全错误的结论。
正确做法是区分场景定义“用户价值”：交通枢纽看“单位流量转化率”，办公场景看“周复购频率”，社区场景看“月留存和客单价提升”。不同场景的核心用户指标完全不同，差异化下指标才是专业的开始。
设备的温控异常、网络掉线、支付模块故障、货道卡滞，这些状态数据往往在维修记录里，却很少进入运营数据分析的视野。我们有一个客户在设备故障修复后销售额立刻反弹，但故障前一周的销量已经持续走低。如果把设备维修日志与销售曲线放在一起看，就能提早发现：某台设备“商品售罄”记录频繁，很可能不是销量太好，而是货道检测异常导致商品并未落出，用户被反复扣款后放弃购买，最终导致销售额下降。
很多运营者在选品时依赖行业经验，比如觉得办公室就该卖咖啡、社区就该卖水，然后全国统一配货。但不同点位的品类结构差异巨大：同样是写字楼，一家是设计公司聚集，一家是电话销售公司集中，它们对饮料和零食的需求结构完全不同。我们通过分析一个写字楼点位发现，该楼内下午茶时段的“甜品型零食”销量是上午的6倍，而在另一栋档案管理性质的单位楼宇，这种差异完全不存在。
运营总监需要看趋势和异常，采购经理需要看SKU维度的周转和毛利，补货员需要知道“下一趟该带什么、带多少”，财务需要准确的成本分摊。一套统一的“经营日报”根本无法满足这些不同角色。理想的数据体系应该至少区分三个层级：面向管理者的核心指标看板、面向选品采购的商品分析报表、面向一线补货人员的实操任务列表。
建立正确的数据分析判断逻辑
我们内部用一个四层模型来评估设备健康度。第一层是“订单层”：订单量是否稳定、是否有周期性规律、异常波动是否可解释。第二层是“商品层”：SKU动销率、毛利率贡献、库存周转天数。第三层是“用户层”：新老用户占比、复购间隔、购买品类跨度。第四层是“成本层”：单台设备的履约成本、损耗成本、维修摊销。
这四个层级的分析必须按顺序进行。我们见过太多运营商直接跳到商品层去分析“哪个好卖”，却忽略了订单层的异常波动实际上是设备故障导致的。没有底层的健康保障，上层分析全都是噪音。
一台设备上线后，不同阶段的数据分析重点完全不同。我们把设备生命周期切成四个阶段：新机冷启动期（0～4周）、爬坡观察期（5～12周）、稳定运营期（13～40周）、衰退或老化期（40周以后）。
冷启动期关键是“设备可见度”和“首次体验转化”。设备刚投放时，周围用户尚未建立习惯，复购率低是正常的，重点要看新用户尝试率和支付成功率。爬坡观察期要看复购曲线是否抬升，如果8周后复购率还在低位，说明商品选择和点位客群不匹配，需要立即干预。稳定运营期则进入精细化优化阶段，关注毛利和损耗的控制。到了老化期，要关注设备故障频率、用户流失趋势和是否到了更换机型或迁移点位的决策点。
现实中很多运营者只能拿到设备端的销售汇总，拿不到用户ID、支付渠道关联数据。这种情况下依然可以做有价值的数据分析，但边界必须清晰：设备销售数据可以回答“什么在卖、何时在卖、库存如何”，却回答不了“是谁在买、为什么买”。在没有用户数据时，可以用“商品购买组合”做间接的用户画像推测。比如，一个用户同时购买了无糖气泡水和蛋白棒，大概率是健身人群；连续多次购买同一款咖啡的用户，更可能是稳定办公消费者。
无人零售数据很难做严格A/B测试，但我们可以创造“准对照组”。比如，在选择两个新建点位投放时，故意让A点位采用A方案、B点位采用B方案；在替换商品时，不是全部门店一起换，而是让1/3的设备先换。这个习惯虽然推进起来慢，但只要坚持三个月，你获得的决策依据会比只看全盘数据强得多。
具体案例与数据观察：三个可供参考的真实样本
这家企业在上海有50多个办公场景点位，设备为重力感应智能货柜。我们分析发现，他们的SKU数量高达280个，但单点位日均出货量只有22件。过长的商品列表严重稀释了动销率，很多商品一个月卖不出一件，还占着货道。我们帮他们做的第一件事是“SKU减半”。通过计算每个SKU在各点位的周动销率、毛利率贡献和互补购买关系，我们把每个点位的SKU压缩到90～120个，保留贡献了80%销售额的那批商品，同时增加了同一品类但规格不同的高客单选项。
三个月后，这些点位的整体毛利率从31%提升到39%，商品报废率从4.1%下降到2.2%。这个案例说明，在无人零售场景中，深度往往比不上“精准的广度”。货道是稀缺资源，让每个货道都发挥应有的销售效率，比盲目增加商品数更重要。
这位客户在成都经营社区自动售货机，客单价长期在6元左右，利润极薄。他自己觉得社区用户对价格敏感，不敢卖高毛利商品。我们对比了他所在社区周边便利店的数据后发现，这个社区的主力客群是带小孩的中产家庭，他们并非没有消费力，而是觉得售货机里只有“便宜货”，不值得为正餐或品质零食付费。
我们帮他把其中两台设备改造为“品质日配”模式：引入单价8～15元的鲜奶、坚果和进口小食，同时增加了一条低温货道。试运行一个月后，单台设备的客单价从6元提升到11.5元，虽然订单量下降了12%，毛利率却从22%提高到41%。这个案例提醒我们：不要轻易用低价策略主导无人零售，用户不是没钱，而是过去没人给他们一个花钱的理由。
机场场景的用户停留时间长、客群消费能力强，但传统自动售货机并没有动态定价能力。我们为一个机场点位做了一次温和的“时段促销”试验：每天晚上8点以后，对当日临期三明治和沙拉做七折处理。这个动作听起来简单，实际操作中最大的挑战是设备系统能否支持分时折扣。试验上线后，我们发现晚间食品的售罄率从65%上升到88%，次日报废减少，同时带动了同机位的饮料销售。机场的点位租金贵、空间有限，这个结果意味着单位面积产出被明显放大了。
不同情况下的行动建议
这个阶段最不需要复杂的数据系统。建议把精力集中在一张“点位×周趋势”的表格上，记录每个点位每周的销售件数、销售额、补货次数和预估损耗。每两周检查一次哪些点位贡献了前80%的销售额，果断处理连续三周销售额垫底且无上升趋势的设备。
对于用户分析，这一点规模下甚至可以只靠简单的问卷或与到货补货员的聊天来获得。一位有经验的补货员能告诉你哪个用户每周三下午都会来买同一款饮料，这个信息比后台的复购报表更真实。
这个阶段的痛点往往是“数据很多，但没人能持续分析”。建议不要急着采购昂贵的数据中台，而是先配置一名懂Excel或Python的运营分析专员，同时将设备数据、补货数据和维修记录统一整理进数据库。每周固定一个半天做“诊断性分析”例会，复盘上周销量波动原因，并尝试形成一套自己的异常波动模板。
在用户分析上，应该至少在支付环节接入会员或社群运营能力。无需追求复杂的用户画像系统，先解决“能不能识别出来谁在复购、谁在流失”这个基础问题。
这个阶段需要用数据模型来辅助决策，但要注意避免“大而全”的系统陷阱。优先建设三个模块：设备健康监控预警、商品智能配货建议、点位经营价值评估。这三个模块能覆盖掉大部分运营决策场景。用户分析则需要引入更完整的标签体系，把用户购买时间、品类偏好、价格敏感度、复购周期纳入工单体系。
这里有一个专业建议：到了这个规模，数据分析必须从“看报表”进化为“看预警”。写一个简单的异常检测脚本，每日自动标记出销售额较前7日滚动均值下降30%以上的设备。这个最朴素的规则，在很多企业里都能直接降低运营失误率。
办公场景应该用“时段组合”分析：早上的早餐、下午的下午茶、晚上的加班补给，三个时段的商品结构应该完全不同。社区场景关注的是“稳定复购”：确保常购商品不断货，同时逐步引入家庭分享装。交通枢纽场景要捕捉“脉冲需求”：节假日和黄金周前两周的备货量要大幅上调，食品和饮料的比例也要跟着客流结构走。医院场景则需要强调健康和热食属性。
教育场景是非常特殊的一类，存在明显的寒暑假周期。学校场景的设备在开学期间销售额可能是假期期间的八倍以上。对于这类场景，建议在假期前两周开始减少补货频次和库存深度，避免资金沉淀和食品过期。
不同情况下的取舍：运营者的决策边界
很多运营商在续约时面临点位租金上涨的压力。此时如果直接放弃点位，会损失已建立的用户习惯；但盲目接受涨租，则可能让设备从微利变成亏损。我们的建议是：在续约谈判前先做一个“坪效压力测试”。把上一年度该点位的销售额、毛利率、单均成本全面计算清楚，反推出“在租金上涨多少百分比之后会进入亏损”。这个数字就是谈判中的底线。
我见过一些运营商花大价钱购买人脸识别摄像头和客流统计设备，最终收集到的数据在决策中完全没有被使用。人脸数据在无人零售场景中的实际价值有限，因为用户购买决策速度快，面部表情和停留时长对消费倾向的预测力远不如“上次买了什么、多久买一次”这类行为数据来得可靠。
在数据建设的取舍上，我的判断是：优先收集“购买行为数据”，其次收集“设备状态数据”，最后才考虑“感知交互数据”。购买行为数据直接反映收入，设备状态数据直接反映成本和体验，感知交互数据在现阶段大多只是锦上添花。
无人零售行业一个常见的错误判断是：新设备上线后头两个月生意不好，就马上开始调整点位或更换商品。实际上，一个新点位通常需要4～8周的时间来建立稳定的用户认知。当然这不是说所有点位都值得无限等待。我们的建议是设定一个“试错窗口”：8周内销售额趋势必须向上，订单量必须达到盈亏平衡点的70%；满足这两个条件就继续养，没满足就准备淘汰。这个窗口期比“只给一个月”更合理，也比“无限期等待”更坚决。
很多运营商期待智能补货系统能完全取代人工判断，但以目前行业的数据质量和算法成熟度来看，这往往不现实。无人零售的补货受节假日、天气、周边突发事件影响很大，纯算法模型很难全面捕捉这些变量。我们的实践建议是：用算法生成基础补货建议，再将补货员的经验判断作为补充输入。
举个例子：某个点位每周三下午销量都会异常走高，算法完全无法解释，后来才知道附近每周三有集市。这种情况下，补货员每次都会手动给周三追加一倍库存。这样的人机结合机制，比任何单一方案都靠谱。等到积累了足够多的这种“隐性事件标签”之后，算法才可能真正学会处理这些特殊情况。
我的总结与建议你的下一步行动
无人零售设备运营与用户分析，本质上是一场“从设备思维转向用户思维”的变革。把设备看作是销售终端，你只能理解“卖了多少”；把设备看作是服务用户的一个触点，你才有机会回答“为什么卖、为谁而卖、怎样卖得更好”。数据分析的意义，恰恰是帮助运营者完成这次思维切换。
在这个行业里，真正的差异化竞争力不是拥有更贵的设备，而是拥有更准确的数据判断力。一个能读懂数据的运营商，用100台看似普通的设备，也能比一个凭感觉做决策的同行用300台设备创造更多利润。这一点，我们在数以万计的设备数据中反复验证过，也在数十个扭亏为盈的案例中经历过。
你的下一步可以很具体：从今天开始整理你手头设备的原始数据，先按单台设备、按周、按SKU三个维度梳理一张完整的销售与成本明细表。不用急着做复杂图表，先用最基础的数据看清“哪台机器赚钱、哪台机器赔钱”。等这些基础问题有答案之后，再考虑用户分析模型和智能预测工具。
数据不会骗人，但前提是你愿意投入时间让数据“开口说话”。无人零售这个行业，正在从蛮荒走向精细，那些能驾驭数据的人，注定会留在牌桌上。我也希望，读到这里的你，能成为其中的一员。
我在多个无人零售项目中做过设备运营数据体系，踩过最大的坑，就是被后台“大而全”的报表带着走。报表看似信息很多，真正对经营决策有帮助的却很少。运营者每天需要关注的核心指标不超过10个，但必须分层看，并且看“分布”而非只看“平均值”。第一层是生存指标，包括设备在线率、交易成功率、支付结算差异率。
设备在线率反映IoT心跳是否正常，但不能代表交易链路通畅。我遇到过一批设备在线率99%以上，交易成功率却只有88%的情况，因为4G信号不稳定，设备能上报心跳，支付请求却频繁超时。只看在线率，等于只看到车没看到发动机。第二层是效率指标，包括SKU动销率、缺货率、盘点差异率。
动销率低于50%，说明有大量SKU在“躺仓”；缺货率超过8%，复购会受影响；盘点差异率超过1%，要警惕盗损或系统漏洞。第三层是利润指标，包括单柜日营收、毛利额、设备坪效。很多人把“营收”当核心，但无人零售没有毛利约束，规模越大亏得越多。
我会把单柜毛利额作为末尾考核指标，低于阈值的点位直接列入淘汰名单。
层级指标健康阈值数据来源 生存设备在线率≥98%IoT心跳 生存交易成功率≥95%支付订单日志 效率SKU动销率≥60%进销存系统 效率缺货率≤8%补货盘点记录 利润单柜日毛利按点位设定财务结算 数据看板设计的另一个关键差异是拆分维度。按“单柜+日期”维度查看指标分布，不要只盯整体均值。
均值合格但个别柜连续三天交易失败率超过15%，这是一个需要立刻报警的位置。我曾见过某点位整体日营收不错，但拆开看是A柜承担了主要销量，B柜已经一周几乎零交易，这种问题靠平均数据看不出来。相比之下，如果只盯一项指标，盯“交易成功率”。
它综合反映网络、设备、软件和支付四个环节的可用性，也直接对应用户体验。交易成功率低于92%时，客服投诉量和退货率会同步上升，修复优先度高于补货频次调整。
无人零售的用户购买数据，与传统超市POS数据最核心的差异是“销售场景碎片化”。用户多半是顺路购买，目标明确，决策时间短。因此优化商品陈列和补货，不能只看“哪个商品卖得多”，要看“在哪台柜、什么时段、什么组合下卖得多”。我的第一手做法是分三层拆解。
第一层做“时段×SKU”热力矩阵，把一天分成早高峰、午间、晚间、深夜四段，统计每个SKU在各时段的销量占比。办公区场景里，早高峰酸奶和三明治销量能占全天50%以上；深夜低糖饮料和独立小包装零食的需求明显上升。分时段看数据后，补货策略从“每天补满”变成“固定时段补足”，减少早晚配送成本。
第二层做“同单组合”挖掘。无人货柜的SKU数量有限，当用户同时拿A和B，往往是真实场景需求。比如“咖啡+坚果”是上午提神，“常温酸奶+燕麦杯”是轻食早餐。我会把高频组合放在相邻货道，位置相邻本身就能提升连带购买率。实际测试中，这个调整让部分柜机的单笔金额从4.2元提升到5.7元，连带率上升约18%。
第三层是用“货道周转率”替代“总销量”做陈列决策。同一柜的货道是等量资源，一个高销量但低毛利的SKU占住两条货道，会挤掉两个可能贡献更大毛利的机会。每周导出“分SKU、分点位、分货道”的周销量，计算货道周转率并排序，后20%的SKU直接进入淘汰观察名单。
分析维度分析动作运营动作 时段×SKU识别早晚高峰品类差异分时段补货，重点时段加大高频SKU备货 同单组合筛选高频组合调整货道位置，形成相邻陈列 货道周转率按周排序并淘汰后20%更新SKU清单，提升单柜SKU贡献度 一个非常重要的判断是“铺货策略必须按点位画像差异化”。
市中心交通枢纽的售货柜以饮料和应急零食为主，办公区的柜机以早餐、下午茶场景为主，社区柜则更看重家庭装和居家零食。统一铺货清单会拉低整体动销率，也容易掩盖真正本地化的用户需求。我的经验是每月做一次点位画像，再调整商品SKU清单，而不是每次补货都拍脑袋。
做无人零售设备维护，最容易犯的错是一上来就追求AI故障预测。真实世界里，80%的故障有明确的前兆信号，用规则引擎加阈值告警就能提前发现。我在一个17台设备的项目里整理了8类主要故障，其中5类都能通过设备运行参数的变化提前1到2天预判。例如制冷失效，压缩机出口温度持续4小时偏离设定值2℃以上；
网络异常，设备在线率连续3天低于95%。我的建议是把设备数据分为两类：一类是设备运行数据，包括温度、电压、网络信号、开门耗时；另一类是业务数据，包括支付成功率、交易耗时、退款率。单看运行数据会忽略“设备看起来正常但不能交易”的隐形故障，单看业务数据又很难定位根因。两套数据交叉比对时，效果最好。
温度异常加上支付下降同时出现，优先级可以直接提为最高。
故障类型关键信号预警阈值预计提前量 制冷失效温度持续偏移偏离设定值2℃，持续4小时1-2天 网络异常离线时长增加在线率连续3天低于95%半天 支付模块故障支付成功率下降单日低于90%2-4小时 柜门卡滞开门耗时变长平均超过8秒连续3次1-2天 电源波动电压持续不稳相对基准波动超过10%2-3天 落地预警体系时，先把设备心跳数据做成基础数据表，至少保留30天历史，再按上述阈值设置群组预警。
预警规则用联动逻辑，即两个信号同时异常才推送优先告警，避免误报。维修侧接单后，携带常见备件一次到场，因为预警已经能帮助判断故障类型，不需要维修师傅二次跑腿。维护闭环的价值很明显。我们用规则预警之后，设备平均停机时长从26小时降到约1.5小时，被动维修订单减少六成。
制冷类故障尤其重要，用户买到“实际温度偏高”的商品，会对品牌产生长期的负面判断，那比一次设备停机的损失更大。
先看两个典型陷阱。第一个是复购率被首单优惠抬高。无人零售的新用户首购往往是折扣拉动的，如果只按“购买次数≥2的用户比例”计算复购，这些被优惠驱动的短期行为也会被计入，但这类用户下个月可能就不会来了。第二个陷阱是不同点位的用户行为差异太大，所有点位混在一起做聚合分析，会掩盖代表性点位的真实问题。
比如地铁口用户的购买间隔平均是3天，办公区是2天，社区是5天，合并计算出来的平均间隔没有任何运营指导意义。我的做法是引入“净贡献毛利”和“用户分群”。计算单个用户在一个月内对利润的净贡献，公式是收入减去商品成本、履约成本和分拣损耗，然后把这个毛利额除以活跃用户数，得到“每活跃用户贡献毛利”。
如果用户数量上升但单位贡献毛利下降，说明新增用户质量在走低。用户分群的具体标准如下。高活跃用户：过去7天购买5次以上，是核心利润来源，要确保柜内高频SKU不断货。中频用户：过去7天购买2-4次，要优化固定时段的SKU匹配，把他们转化为高活跃。
低频用户：过去7天只买一次，关注触发因素，比如新上的饮料或夜宵零食。沉默用户：超过7天未购买，在无人零售场景基本意味着流失，需要重新激活。这个分群建议按点位分组，不要全盘统一。用真实项目数据说话。一个合作项目，后台显示的复购率有60%，但三个月营业额基本没变。
我们把用户按点位拆分之后发现，复购贡献的毛利只有30%，其余全靠首购折扣拉动。调整策略后，我们把重点放在“高频高毛利”的组合推荐上，并在午间高峰提前补货。两个月后老客毛利贡献占比提升到51%，整体毛利增长约12%。
最后，无人零售的用户分析要紧紧贴合“购买情境”，不需要过于复杂的用户画像，因为用户对你来说很可能只是路过的消费行为。真正需要分析的单元是“点位×时段×商品偏好”。只看复购率很容易被数据噪声带偏，结合毛利和分群来看，才能找到真正影响销售的原因。
读者评论
文章说得很实在，尤其是“卖得好不等于赚钱”这点，我深有体会。我们网点有几台机器销售额看着不错，一算场地费和损耗，实际是亏的。现在开始按文里说的拆分时段和SKU毛利，确实找到了问题货道。
作为刚入行的运营商，最受用的是那六个误区的总结。之前就老拿平均值看整体，结果资源全投给了低效设备。现在学会了先看分位数和诊断性分析，思路清晰多了。
做设备维护的，文中提到设备状态数据和销售数据关联那块很有共鸣。之前我们也遇到过货道卡滞导致退款多、销量下滑的情况，当时只当故障处理，没想过和销售趋势挂钩。这个视角值得推广。
比较认可“不同场景定义不同用户指标”的说法。我们同时运营社区和写字楼点位，复购率完全两回事。文章提醒我不要用一套逻辑套所有场景，接下来准备按场景拆开做分析。