門市動線 AI 最該先解決的不是畫出漂亮熱區圖，而是幫店家找出顧客在哪一段從「有興趣」變成「沒買」。台灣中小店家可以先用 POS 銷售、店員觀察、顧客常問問題、排隊狀況與商品位置做 14 天診斷；只有當這些基礎證據還不足以判斷，才需要考慮攝影機、感測器或更進階的 AI 視覺分析。先查 5 個漏水點，通常比先買工具更接近營收改善。
門市動線 AI 先回答什麼問題
門市動線設計不是把架子排整齊而已。TruRating 的零售店設計指南把重點放在顧客流動、商品能見度、體驗與轉換，這個方向對台灣小店也成立：你要知道顧客進門後先看哪裡、在哪裡停下來、哪裡找不到、哪裡需要人解釋、最後在哪裡放棄。
所以，門市動線 AI 的第一題不是「我能不能用 AI 看人流」，而是「我現在缺的是哪一種證據」。如果問題是顧客不知道先看什麼，先改入口訊息；如果問題是熱門商品常被問但不成交，先改比較資料；如果問題是排隊太久，先改櫃檯流程。AI 應該協助整理和判斷，不應該讓店家跳過現場基本功。
漏水點一：入口有流量但沒有第一個理由
很多門市以為人有走進來就代表動線成功，但入口真正要做的是讓顧客在 3 到 8 秒內知道「我應該先看哪裡」。如果入口只放滿新品、優惠立牌和熱門品，顧客反而不知道這家店的主軸。比較好的做法是只放一個主訊息：今天最值得看的類別、最適合新客的方案，或最能代表店家的主打組合。
AI 可以幫你整理兩種低成本證據。第一，請店員每天記下進門後第一句常見問題，例如「這區是什麼」、「有沒有適合送禮的」、「哪個比較熱賣」。第二，把入口附近商品的瀏覽、詢問、加購與成交分開記錄。兩週後，你會知道入口是在引導，還是在分散注意力。
漏水點二：死角貨架不是位置差而已
死角貨架常被解讀成「那裡沒人走」，但真正原因可能是品類不清楚、價格牌不清楚、商品太難比較，或旁邊缺少相關商品。遠傳企業的商品陳列文章提醒，黃金陳列線、同類商品集中、關聯商品放在一起，都會影響顧客是否容易看見與比較。這些原則不用等 AI 才能開始做。
實務上，可以先把每個貨架貼上簡單代碼，每天用 POS 或試算表看三件事：該區商品被問幾次、被拿起但放回幾次、最後賣出幾件。若詢問高但成交低，問題可能是價格、規格或用途說明；若詢問低但商品本身毛利高，問題可能是入口導流與陳列高度；若常被拿起又放回，可能要補比較卡或讓店員主動一句話解釋。
漏水點三：顧客一直問同一題，代表比較動線斷掉
顧客反覆問「這兩個差在哪」、「哪個適合我」、「為什麼價格差這麼多」，不是麻煩，而是訊號。這代表商品陳列沒有讓人完成比較，店員也可能一直重複回答同一組問題。門市動線 AI 可以做的第一件事，是把這些問題整理成比較表、商品卡、FAQ 或 LINE 後續訊息。
這裡不需要一開始就上大型系統。請店員每天記 5 到 10 句原話，AI 再幫忙分成規格比較、使用情境、價格疑慮、售後問題與送禮選擇。下一步不是自動生成銷售話術，而是把最常見的比較補回貨架、商品頁、Google 商家貼文或 LINE 選單，讓顧客自己先看懂一半。
漏水點四：結帳與排隊把成交熱度冷掉
Axis Communications 的零售 AI 文章提到，排隊流程太慢可能讓顧客放棄購買，AI 與人流統計可以協助門市在結帳區人數達到上限時提醒人員處理。對大店或多店品牌，這類即時分析很有價值；但台灣小店可以先做更簡單的版本。
先記錄三個時間點：顧客決定購買到排隊、排隊到結帳、結帳到離店。若排隊常超過店家可接受的時間，先檢查是不是付款方式太少、會員輸入太慢、加購話術太長，或店員同時要包裝和回 LINE。AI 可以每週整理尖峰時段與卡點，但流程改動仍要由店家決定，不能只靠工具判斷。
漏水點五：資料蒐集沒有邊界會傷信任
只要門市開始蒐集顧客行為、影像、人流或會員資料，就要先想清楚用途與告知。經濟部中企署 2026 年 AI 行銷論壇新聞也提醒，中小企業導入 AI 要同時兼顧資料保護、內容正確性與使用風險管理。個人資料保護法第 20 條則要求非公務機關利用個人資料應在特定目的必要範圍內，首次行銷也要提供拒絕接受行銷的方式。
因此，門市動線 AI 不應該偷偷蒐集一堆「以後可能有用」的資料。比較安全的做法是先用匿名或彙整資料：區域銷售、商品被問次數、排隊時段、促銷位置、店員備註。若要用攝影機、人臉、會員軌跡或跨渠道再行銷，就要重新檢查告知、同意、保存期限、存取權限與刪除流程。
四種證據怎麼分工
| 證據來源 | 適合回答 | AI 可以做什麼 | 限制 |
|---|---|---|---|
| 店員觀察 | 顧客卡在哪一句、哪一區、哪個比較問題 | 整理原話、分群問題、產生比較卡草稿 | 主觀性高，要連續記錄才可靠 |
| POS 與庫存 | 哪些商品常賣、慢賣、缺貨或被促銷影響 | 找出區域銷售變化與異常品項 | 看不到沒買的人為什麼離開 |
| 網站與 LINE 互動 | 顧客進店前後看過哪些內容或入口 | 把常見問題接回商品頁、FAQ 與回訪訊息 | 需要明確同意與資料邊界 |
| AI 視覺或熱區 | 人流、停留、排隊、展示區互動 | 補足人工看不到的流量與時段模式 | 成本、隱私、告知與資料治理要求較高 |
14 天小測試流程
第一到第三天，先畫出店內 5 到 7 個區域：入口、主打架、比較區、低動能區、結帳區、等候區、離店前區。每區只追一個問題，不要一次追所有指標。第四到第七天，請店員記顧客原話、被拿起又放回的商品、排隊卡點與缺貨情況。
第八到第十天，把資料交給 AI 做摘要，但只讓它輸出「可能原因」和「可測假設」，不要讓它直接決定答案。例如：主打架詢問多但成交少，可能要補價格比較；入口停留短，可能主訊息太多；結帳排隊長，可能包裝與會員流程要拆開。第十一到第十四天，只改一到兩個地方，再看詢問、成交、排隊與店員負擔是否改善。
誰適合這篇，誰不適合
這篇適合小型零售、選物店、食品店、藥妝、生活用品、展售型服務業和有實體接待空間的台灣 SME。尤其適合已經有基本 POS、LINE 官方帳號、Google 商家檔案或簡單試算表紀錄，但還沒有完整 BI 或多店管理系統的店家。
如果你是大型連鎖、已經有完整人流系統、會員 CDP、影像分析和總部陳列規範，這篇會太基礎。你的重點應該是跨店比較、統計顯著性、資料治理、模型偏誤與權限管理，而不是 14 天手動診斷。
資料更新與限制
本文資料更新於 2026 年 7 月 14 日。外部來源包括 TruRating retail store design guide、Axis Communications 零售 AI 視覺文章、遠傳企業商品陳列文章、經濟部中企署 AI 行銷論壇新聞、Google Analytics ecommerce measurement、Google Analytics recommended events 與 個人資料保護法第 20 條。
本文不是法律意見，也不保證任何陳列調整一定提升營收。門市動線 AI 的效果取決於商圈、品類、客群、員工執行、價格、庫存與資料品質。若涉及攝影機、會員軌跡、人臉辨識或個人化行銷，請另外確認法律、合約與告知義務。
結論：先找漏水點，再買 AI 工具
門市動線 AI 的價值，不是讓小店看起來像大型連鎖，而是讓老闆和店員更快知道顧客在哪裡卡住。先查入口理由、死角貨架、比較問題、排隊流程與資料邊界，再決定要改陳列、補內容、調整人力，或導入熱區與攝影機。
如果你今天只能做一件事，先拿一張紙畫出店內區域，連續 14 天記錄每區一個問題。當證據開始累積，AI 才有東西可以整理；當 AI 的整理能回到現場改善，門市動線才會從漂亮平面圖變成真正能提升顧客理解與成交機會的營運系統。
FAQ
門市動線 AI 一定要裝攝影機嗎？
不一定。小店可以先用 POS、店員觀察、顧客問題、排隊紀錄與商品位置做診斷。當人工資料無法判斷人流或停留模式時，再評估攝影機或熱區工具。
沒有 POS 系統也能做店內動線分析嗎？
可以先用試算表記錄區域、商品、詢問次數、拿起放回、成交與缺貨。資料不必完美，但要連續記錄同一套欄位，AI 才能協助整理規律。
門市動線 AI 最適合先分析哪個區域？
先看最接近成交的區域，例如主打貨架、比較區與結帳區。這些位置一旦改善，通常比調整低流量角落更容易看到詢問、成交或排隊負擔的變化。
用 AI 分析顧客動線會不會有個資問題？
如果只用匿名區域銷售、商品詢問與排隊時段，風險較低；若涉及影像、會員軌跡、人臉或個人化行銷，就要確認告知、同意、保存期限與拒絕方式。
門市動線改善要看哪些成效指標？
至少看區域詢問數、拿起放回、區域成交、排隊時間、缺貨次數、加購率與店員重複回答問題的次數。不要只看總營收，否則很難知道是哪一段改善有效。