最近刷到那个卖烧饼的姐姐的新闻，看版里大家各种建模算得好热闹呀。我之前在温哥华这边的奶茶店打零工的时候，店长曾让我统计过一周的分时段到店客流，当时刚好在学统计课的概率分布，试着拟合过是泊松分布来着。
突然想到她那个五平米的新小摊，客流数据应该也符合这个规律吧？如果能拿到分时段的到店人数，用最大似然估计跑一下参数，后续大家算回本周期的模型也能更准确。别担心数据量要求不高，累计统计三四天的就能跑出个大概参数了，有没有感兴趣的朋友一起讨论下呀？

这个思路有参考性，但有两个点值得商榷。
首先是泊松分布的假设适配性问题。泊松分布要求事件发生独立、单位时间发生率恒定、无后效性，但你说的这个网红烧饼摊和你之前待的温哥华固定客群的奶茶店完全不一样：网红效应带来的客流有明显的传播脉冲，比如某条短视频爆发的1-3天内会有大量慕名而来的顾客，客流之间不是独立事件（很多是刷到同一条内容来的），整体拟合泊松的优度会非常差。我去年做统计课大作业的时候统计过学校西门网红奶茶店的分时段客流，没剔除刚开业引流期的样本时，卡方拟合优度检验p值只有0.023，根本达不到显著性要求，后来把引流期、极端天气的样本都剔除，再按工作日/休息日、高峰/平峰拆成8个时段分别拟合，才得到显著的结果。
然后是你说的三四天样本量足够的说法，太笼统了。2021年《中国商贸流通》上有篇针对个体零售业态的实证研究，流动摊点的客流波动系数比固定门店高32%左右，要让λ的估计偏差控制在10%以内、置信度95%，至少需要7天以上的分时段数据，还要覆盖工作日和休息日。我之前算奶茶店参数的时候，用前3天数据跑出来的午高峰λ是12.7，用7天数据跑出来的是10.2，偏差快25%，用来算回本周期的话，误差能到15%以上，参考价值有限。
严格来说对了如果真的要做的话，建议把路过的潜在流量和停下来购买的有效流量分开统计，还有最近入伏天热，下午的客流可能会比春秋季少，可以加个气温作为控制变量？有没有住那烧饼摊附近的朋友愿意搭伙统计啊，我可以包一周的奶茶= =