unøjagtige footfall-data omkostninger detailhandel — De reelle omkostninger ved unøjagtige footfall-data i detailhandlen | Vemco Group

To butikker i samme kæde, samme koncept, næsten samme omsætning. Den ene rapporterer en konverteringsrate på 22 procent, den anden 31 procent. Regionschefen roser den ene butikschef og sætter den anden under pres. Seks måneder senere opdager en analytiker, at butikken med de flotte tal har en tæller, der systematisk misser besøgende ved den ene indgang – og at medarbejdernes ture gennem indgangszonen tælles med i den anden. Forskellen mellem de to butikker var aldrig salgsevne. Det var datakvalitet.

Den slags historier er ikke undtagelser. De er reglen i kæder, hvor kundetælling blev installeret for år tilbage og aldrig valideret siden. Og fordi footfall er nævneren i næsten alle butiksnære KPI'er – konvertering, salg pr. besøgende, effekt af kampagner, bemandingsbehov – forplanter en fejl på 10-15 procent i tælledata sig direkte ind i beslutninger, der koster rigtige penge.

Hvor pengene reelt forsvinder

Unøjagtige data koster sjældent på én stor post. De koster på fire mindre, som tilsammen bliver betydelige:

• Fejlallokeret bemanding. Vagtplaner bygget på trafikmønstre, der overtæller om formiddagen og undertæller sidst på dagen, betyder for mange medarbejdere når butikken er tom og for få når kunderne står i kø. Lønomkostninger er typisk den største påvirkelige post i en butiks P&L – og den styres i stigende grad af netop disse kurver.
• Forkerte konverteringskonklusioner. Hvis tælleren overtæller med 12 procent, ser konverteringen 12 procent dårligere ud, end den er. Ledelsen igangsætter salgstræning, incitamentsprogrammer eller ombygninger for at løse et problem, der aldrig fandtes.
• Kampagneevaluering på falsk grundlag. Marketing måler effekt som løft i trafik. Er baseline forkert, bliver ROI-beregningen det også – og budgettet flyttes mod aktiviteter, der tilfældigvis så gode ud i støjen.
• Svage forhandlingspositioner. Lejeforhandlinger i centre, hvor udlejer har egne trafiktal, tabes af lejere, der ikke kan dokumentere deres egne. Det gælder også omvendt: en butik, der undertæller, betaler i praksis for mere trafik end den tror, den får.

Et regneeksempel til CFO'en

Tag en tænkt butik med 1.000 besøgende om dagen, 25 procent konvertering og en gennemsnitskurv på 350 kr. Overtæller systemet med 10 procent, planlægger man bemanding og evaluerer performance ud fra 100 besøgende dagligt, som aldrig var der. Det svarer til, at hver eneste analyse, hver benchmark mellem butikker og hver bonusudbetaling knyttet til konvertering hviler på et forkert grundlag. Regnestykket skal laves med jeres egne tal – men pointen holder uanset størrelse: fejlen skalerer med hele forretningen, fordi footfall sidder i nævneren.

Det interessante for en økonomifunktion er, at omkostningen ved dårlige data er usynlig i regnskabet. Der findes ingen konto for "beslutninger truffet på forkert grundlag". Den viser sig kun som lidt for høj lønprocent her, en kampagne der ikke leverede der, og en butik der blev lukket, selvom den reelt performede.

De fejlkilder, ingen leverandørbrochure nævner

Her er en observation fra praksis, som enhver, der har implementeret kundetælling i mere end fem butikker, vil nikke genkendende til: den største enkeltstående fejlkilde er sjældent selve sensoren. Det er medarbejdertrafik. Personale, der møder ind, går til pause, henter varer på lageret via butikken eller står i indgangszonen og taler med kunder, kan i mindre butikker udgøre 10-20 procent af de samlede tællinger. En butik med lav kundetrafik og høj personalerotation gennem indgangen kan se markant mere "besøgt" ud, end den er. Derfor er algoritmer til frasortering af medarbejdere ikke en luksusfunktion – det er forudsætningen for, at konverteringstal overhovedet kan sammenlignes på tværs af butikker med forskellig indretning.

Andre klassikere fra virkeligheden:

• Dobbelttælling ved brede indgange, hvor én sensor dækker for stort et felt, eller to sensorers zoner overlapper.
• Børn og barnevogne, der enten tælles som voksne besøgende eller slet ikke registreres – afhængigt af teknologi og montering. Moderne AI-sensorer kan adskille børn fra voksne, hvilket ændrer konverteringsberegningen mærkbart i børnefamilietunge formater.
• Ændret butikslayout efter installation. En ny displayreol under sensoren, ændret belysning eller en flyttet indgangsmåtte kan forskyde nøjagtigheden, uden at nogen opdager det, før tallene har været skæve i måneder.
• Manglende driftsovervågning. En sensor, der falder ud en fredag eftermiddag og først genstartes mandag, efterlader et hul, som ødelægger ugesammenligninger et helt år frem.

Hvad "nøjagtighed" bør betyde i kontrakten

Mange leverandører markedsfører nøjagtighed som et enkelt flot tal. Det bør gøre jer skeptiske. Nøjagtighed afhænger af forhold, leverandøren ikke kontrollerer alene: belysning, indgangens bredde og udformning, og hvordan besøgende faktisk bevæger sig. Et seriøst setup arbejder derfor med et kontraktligt minimum – hos Vemco Group er det 96 procent – og leverer typisk 98-99 procent, når forholdene tillader det. Forskellen mellem de to formuleringer er ikke semantik. Den ene kan I holde leverandøren op på; den anden er markedsføring.

Sensorvalget spiller også ind. 3D-baserede AI-sensorer som Xovis håndterer brede indgange, grupper og modlys bedre end ældre teknologier, og en platform, der er sensor-uafhængig, giver mulighed for at vælge hardware efter den enkelte lokations forhold i stedet for at tvinge samme sensor ind alle steder. I en kæde med 40 butikker og 40 forskellige indgangsforhold er det ikke en detalje.

Tre ting I kan gøre i denne måned

• Lav en manuel valideringstælling i tre butikker: to timer, én person med et klikketæller-ark, sammenlignet mod systemets tal for samme periode. Afvigelser over et par procent kræver handling.
• Spørg jeres leverandør om medarbejderfrasortering. Hvis svaret er vagt, ved I, at jeres konverteringstal indeholder støj, der varierer fra butik til butik.
• Kræv driftsovervågning med alarmer. Datahuller opdaget efter tre dage er dyre; datahuller opdaget efter tre timer er en fodnote.

Det afgørende skifte i tankegang er dette: kundetælling er ikke et it-projekt, der blev afsluttet ved installationen. Det er et måleinstrument, som hele butiksdriftens beslutningskæde hviler på – og måleinstrumenter skal kalibreres, overvåges og udfordres. En kæde, der behandler footfall-data med samme disciplin som finansielle data, træffer simpelthen bedre beslutninger end en, der ikke gør.

Er I i tvivl om, hvad jeres nuværende tælledata reelt koster jer i skæve vagtplaner, misvisende konverteringstal og tabte forhandlinger? Kontakt Vemco Group for en gennemgang af jeres datakvalitet – inklusive validering af eksisterende sensorer og en konkret plan for medarbejderfrasortering og driftsovervågning: vemcogroup.com/contact-us.