每一筆交易都是一個數據點
你可能覺得販賣機就是簡單的「投幣→出貨」。但在 IoT 時代，每一台智慧販賣機都是一個持續運轉的數據採集站。
每一筆交易、每一次開門、每一度電力消耗、每一次溫度波動——全部被記錄、傳輸、分析。當你管理 10 台、50 台、100 台販賣機時，這些數據加總起來，就是一座零售洞察的金礦。
「數據不值錢，能從數據中做出正確決策才值錢。我們的平台不只是收集數據，而是把數據變成每個經營者都看得懂、用得上的營運建議。」——李奇申，龍雲數位執行長
智慧販賣機收集哪些數據？
數據採集全景圖
| 數據類別 | 具體數據項 | 採集頻率 | 分析價值 |
|---|---|---|---|
| 銷售數據 | 商品、金額、時間、支付方式 | 即時 | ★★★★★ |
| 庫存數據 | 各品項剩餘量、缺貨時間 | 每小時 | ★★★★★ |
| 環境數據 | 機台內溫度、外部溫度、濕度 | 每 15 分鐘 | ★★★★☆ |
| 設備數據 | 電力消耗、運轉狀態、故障碼 | 每 30 分鐘 | ★★★★☆ |
| 互動數據 | 螢幕瀏覽、商品點擊、未完成交易 | 即時 | ★★★★☆ |
| 支付數據 | 支付方式佔比、失敗率 | 即時 | ★★★☆☆ |
一台販賣機每天產生多少數據？
以一台日均 50 筆交易的中等流量機台為例：
- 銷售記錄：50 筆 × 15 個欄位 = 750 個數據點
- 庫存回報：24 次 × 30 個貨道 = 720 個數據點
- 溫度記錄：96 次 × 3 個溫區 = 288 個數據點
- 設備狀態：48 次 × 10 個指標 = 480 個數據點
- 每天合計：約 2,200+ 個數據點
- 每月合計：約 66,000+ 個數據點
- 50 台機器一年：約 4,000 萬個數據點
BI 報表：把數據變成決策
第一層：基礎營運報表
這是每個經營者每天都要看的數字：
日報表範例
| 機台編號 | 今日營收 | 交易筆數 | 客單價 | 缺貨品項 | 補貨急迫度 |
|---|---|---|---|---|---|
| VM-001 | NT$2,340 | 42 | NT$56 | 礦泉水、可樂 | 急 |
| VM-002 | NT$1,890 | 35 | NT$54 | 無 | 正常 |
| VM-003 | NT$980 | 18 | NT$54 | 咖啡×3、茶飲×2 | 注意 |
| 合計 | NT$5,210 | 95 | NT$55 |
第二層：趨勢分析報表
用週、月、季的維度看趨勢：
月度趨勢分析
月營收趨勢（VM-001）
1月 ████████████████████ NT$68,000
2月 ██████████████████ NT$62,000（春節假期）
3月 ███████████████████████ NT$75,000
4月 ████████████████████████ NT$80,000
5月 ██████████████████████████ NT$85,000（氣溫升高）
第三層：深度洞察報表
這是真正創造價值的分析層：
商品表現矩陣
| 高銷量 | 低銷量 | |
|---|---|---|
| 高毛利 | 明星商品（維持） | 待推廣（調整位置/價格） |
| 低毛利 | 流量商品（維持但控量） | 淘汰候選（考慮下架） |
「大部分經營者只看營收數字，但真正的利潤藏在商品組合的優化裡。一台販賣機 30 個貨道，如果有 5 個放了錯誤的商品，可能損失 15-20% 的利潤。」——李奇申
5 個數據驅動的營運決策
決策一：動態選品
問題：哪些商品該上架、哪些該下架？
傳統做法：老闆靠直覺和經驗判斷
數據做法：
- 計算每個商品的「貨道效率」= 日均銷量 × 毛利率
- 每月自動排名，末位 3-5 名列入觀察
- 連續兩個月墊底的商品自動建議替換
- 替換建議來自其他同類型機台的暢銷品數據
決策二：智慧定價
問題：商品價格設多少最合適？
| 定價策略 | 適用情境 | 數據依據 |
|---|---|---|
| 時段定價 | 尖峰/離峰不同價 | 時段銷量曲線 |
| 天氣定價 | 高溫時冰飲微漲 | 溫度 vs 銷量關聯 |
| 庫存定價 | 即期品降價促銷 | 效期和庫存數據 |
| 競爭定價 | 根據周邊零售調整 | 市場調查數據 |
動態定價不是「隨便漲價」，而是在消費者可接受的範圍內，找到營收最大化的甜蜜點。龍雲數位的 IoT 平台支援規則化的動態定價設定。
決策三：預測性補貨
問題：什麼時候該補貨？帶多少量？
AI 預測模型考量的變數：
- 歷史銷售：過去 30 天同商品的日均銷量
- 週期因素：星期幾、是否假日
- 天氣預報：未來 3 天的氣溫和降雨機率
- 特殊事件：附近是否有活動、周邊學校是否考試周
- 安全庫存：設定最低庫存水位，低於就觸發補貨
效果：缺貨率從 15-20% 降到 3-5%，補貨趟次減少 30-40%。
決策四：場域效益評估
問題：這個點位值不值得繼續經營？
| 評估指標 | 計算方式 | 健康閾值 |
|---|---|---|
| 日均營收 | 月營收 / 30 | > NT$1,500 |
| 毛利率 | (營收-進貨) / 營收 | > 35% |
| 坪效 | 月營收 / 佔地面積 | > NT$15,000/坪 |
| 回本月數 | 機台成本 / 月淨利 | < 18 個月 |
| 營收成長率 | 本月 vs 上月 | > 0%（至少持平） |
決策五：消費者行為洞察
問題：我的消費者是誰？他們要什麼？
透過交易數據的交叉分析，可以描繪出清晰的消費者輪廓：
- 時段偏好：早上買咖啡的和下午買零食的是同一群人嗎？
- 支付偏好：年輕族群偏好行動支付，年長族群偏好電子票證
- 價格敏感度：漲 5 元銷量會掉多少？降 5 元會增加多少？
- 交叉購買：買咖啡的人通常會順便買什麼？
IoT 數據分析平台架構
龍雲數位的 BI 平台架構
┌─────────────────────────────────────────┐
│ BI 報表 / 管理後台 │
│ 營運儀表板、趨勢分析、AI 建議 │
├─────────────────────────────────────────┤
│ 數據分析引擎 │
│ 統計分析、機器學習、預測模型 │
├─────────────────────────────────────────┤
│ 數據倉儲 │
│ 時間序列資料庫、事件儲存 │
├─────────────────────────────────────────┤
│ 數據接收層 │
│ MQTT/HTTP 接收、資料清洗、格式化 │
├─────────────────────────────────────────┤
│ 販賣機端（IoT 設備群） │
│ 感測器 → 邊緣運算 → 4G 上傳 │
└─────────────────────────────────────────┘
關鍵技術特色
- 邊緣運算：販賣機端先做初步運算，減少雲端負載
- 即時串流：銷售數據毫秒級回傳，不延遲
- 彈性擴展：從 1 台到 10,000 台，架構自動擴展
- API 開放：可與經營者現有的 ERP、財務系統串接
- 行動優先：手機 APP 隨時隨地查看報表
數據分析的 ROI：值得投資嗎？
投資回報估算（以 20 台機台為例）
| 改善項目 | 月度效益估算 | 數據來源 |
|---|---|---|
| 缺貨率降低（18%→4%） | +NT$28,000 | 避免的營收損失 |
| 選品優化（淘汰滯銷品） | +NT$15,000 | 貨道效率提升 |
| 補貨路線優化 | +NT$12,000 | 人力成本節省 |
| 過期品減少 | +NT$8,000 | 損耗降低 |
| 動態定價 | +NT$6,000 | 毛利率提升 |
| 月度總效益 | +NT$69,000 | |
| IoT 平台月費 | -NT$24,000 | 20 台 × NT$1,200 |
| 淨效益 | +NT$45,000/月 | ROI 288% |
未來展望：從 BI 到 AI 自動決策
當數據累積到一定量級，下一步就是讓 AI 直接做決策：
| 階段 | 能力 | 時間軸 |
|---|---|---|
| BI 報表 | 人看數據、人做決策 | 現在已實現 |
| AI 建議 | AI 分析數據、建議方案、人確認 | 2025-2026 |
| AI 自動化 | AI 自動調價、自動訂貨、自動排程 | 2026-2027 |
| AI 預測 | AI 預測市場趨勢、建議新點位 | 2027+ |
「我們的目標是讓每一個販賣機經營者，即使只有 5 台機器，也能享受到和大型連鎖零售一樣等級的數據分析能力。這就是 IoT 平台的價值——把數據民主化。」——李奇申
結語
在零售業，誰掌握數據，誰就掌握未來。智慧販賣機不只是一個販售終端，更是一個 24 小時不間斷運作的數據採集和分析節點。
對於認真經營販賣機事業的業者，投資 IoT 數據分析平台不是「加分題」——而是必答題。因為你的競爭對手正在用數據優化每一個決策，而你如果還在靠直覺，差距只會越來越大。