模拟场景：14个餐饮点里，有3个只卖到平均水平的六成
以下为模拟示例，不对应真实场馆。某城市一座18000座的室内体育馆，主要承接篮球联赛和部分演出。场馆大厅通道（Concourse）上分布着14个餐饮点，按编号F1到F14排列。上个月8场主场比赛的数据显示，单点平均场均销售额约2.3万元，而F3、F7、F11三个点分别只有1.4万元、1.3万元和1.5万元。
运营团队的第一个提议是给这三个点统一降价15%。这个做法的问题在于，它默认三个点的原因相同，而且默认原因就是价格。实际上，同一座场馆里，销售不好的餐饮点常常各有各的原因。与其整体讨论“价格还是排队”，不如先给每一个餐饮点建一份诊断档案。
先给每个餐饮点建一份五维档案
档案的五个维度分别是：排队（Queue）、价格（Price）、位置（Location）、时段（Time）和商品（Product）。每个维度只回答一个问题，并且只用这个点位自己的数据和全场均值做比较。下表是三个问题点位在模拟数据中的档案摘要：
| 维度 | F3 | F7 | F11 |
|---|---|---|---|
| 排队：高峰平均队长 | 27人（全场均值12人） | 4人 | 9人 |
| 价格：主力商品与全场均价比 | 持平 | 持平 | 高18% |
| 位置：经过点位的观众数 | 全场前三 | 全场倒数第一 | 中等 |
| 时段：销售集中在哪几分钟 | 中场休息前后 | 开场前20分钟 | 分布平均 |
| 商品：销量前三品类 | 热狗、啤酒、可乐 | 热狗、瓶装水 | 双人套餐、小食拼盘 |
仅从这张表就能看出，三个点位的“销售不好”完全是三件事：F3是需求多到接不住，F7是几乎没人经过，F11才可能与价格和商品有关。
排队检查：看“看了没排”的人，而不只看排了多久
很多场馆只统计平均等待时间，但对销售影响最大的，是那些走到餐饮点附近、看到队伍就离开的人。可以用通道上的匿名客流计数，估算每个点位的“经过人数—驻足人数—排队人数—成交人数”四个数字。
模拟数据中，F3在中场前后每分钟约有180人经过，驻足看菜单的有60人左右，但真正加入排队的只有40人，看了就走的比例约为33%。而它的单窗口处理速度并不慢，问题是只有2个收银窗口。这种点位降价没有意义，降价只会让队伍更长。
价格检查：同一件商品，在不同点位的转化率是否不同
判断价格是否是问题，最干净的做法是找同一件商品在不同点位的表现。如果热狗在全场都是25元，而F3、F7的热狗转化率（驻足观众中购买的比例）和其他点位差不多，那么价格就不是它们的主要问题。
F11不同。它主推的双人套餐定价98元，比全场同类组合高出约18%，而它面对的看台区以学生票和单人观众为主。驻足人数并不少，但转化率只有全场均值的一半，且购买者中七成只点了单品饮料。这里价格和商品结构同时出了问题：不是观众不愿意花钱，而是这一区域的观众不需要“双人”这种规格。
位置与时段检查：点位在不在观众真正走过的那条路上
F7的问题要放到场馆平面图上才看得清。它位于西侧通道尽头，离最近的座席出入口约70米，而且在观众离场方向的背面。Spatial Analytics 把每一分钟经过各点位的人数画成热力图后发现，F7只有在开场前20分钟、观众从西侧入口进来找座位时有人流经过，中场和赛后几乎没有人往这个方向走。
一个点位的“有效营业时间”，并不是整场比赛的两个多小时，而是真正有人经过的那几十分钟。F7的有效时间只有20分钟左右，单场1.3万元已经接近它的上限。给它降价或加窗口都不会改变什么，需要讨论的是换位置、改做预订取餐点，或者把它调整为只在演出类活动开放。
商品检查：卖得少的，是不是本来就不该放在这里
商品检查要回答两个问题：这个点位的商品，是否符合周边座席区的观众结构；高峰时段的主力商品，是否会在最关键的几分钟里售罄。模拟数据里，F3的热狗在中场第6分钟左右开始断供，之后只能卖饮料，客单价从42元掉到18元。F11则是规格不对，观众想要的是单人快餐，点位准备的是分享装。
所以商品问题常常和位置问题绑在一起。Consumer Analytics 会把每个座席分区的票种、同行人数、历史消费品类与附近餐饮点的菜单做匹配，找出“菜单与人群错位”的点位。
一份可以直接照着做的逐点诊断清单
把上面的检查整理成顺序，运营人员在每一轮复盘时可以按下面的步骤逐个点位过一遍：
- 先看经过人数：如果经过人数远低于全场均值，优先判断为位置或时段问题，暂不讨论价格。
- 再看看了没排的比例：高峰时超过25%，并且队长超过20人，优先判断为排队或收银能力问题。
- 然后看同款商品的转化率：只有这个点位明显偏低，且队伍不长时，才把价格列为主要嫌疑。
- 核对售罄时间：主力商品在高峰前半段断供，说明是备货和出餐问题。
- 核对菜单与周边人群：规格、价格带与座席区票种是否匹配。
- 最后写下一个最可能的原因和一个备选原因，交给现场负责人确认。
每个点位一次只做一个实验
诊断只是给出嫌疑，验证还要靠实验。最常见的错误，是在一个点位同时降价、加窗口、换菜单，之后销售上涨了，却说不清是哪一项起了作用，下个赛季也无法复制。
在模拟方案里，三个点位各自只改一项：F3只增加1个移动收银终端（热狗备货放到下一轮再调），F7在接下来4场比赛改为线上预订取餐点，F11把双人套餐整体替换为定价与全场均值一致的单人套餐。每个点位都选一个条件相近的点位作为对照，观察至少4场。模拟结果显示，F3中场单数提高约35%，F11转化率接近全场均值，F7的预订取餐量仍然偏低，说明它更适合被撤并。
BB体育的做法是让 Venue Intelligence 先给出每个点位的五维档案和嫌疑排序，再由场馆餐饮负责人决定实验方案，BB体育场馆商业研究组负责复盘数据口径。如果想了解客流增长但餐饮不增长时，如何在全场层面区分价格和排队，可以阅读场馆消费分析一文；更多点位、动线和消费路径的内容，收录在BB体育场馆消费栏目中。
