Footfall-data: Hvor de kommer fra, og hvor pålidelige de er

En regionschef sidder mandag morgen med to butikker i samme kæde. Butik A melder 2.300 besøgende i sidste uge, butik B melder 1.100. Omsætningen er næsten ens. Enten er butik B dobbelt så god til at sælge, eller også er der noget galt med tallene. Det er præcis dér, diskussionen om footfall bliver konkret: Et besøgstal er kun værd at handle på, hvis man ved, hvordan det er opstået, og hvad der kan have forstyrret det undervejs.

Fem kilder til footfall – og hvad de reelt måler

Begrebet dækker over vidt forskellige teknologier, og de giver ikke det samme tal for den samme dør.

• Infrarøde lysbomme: Billige og enkle, men de kan ikke skelne to personer, der går ind side om side, og de registrerer ofte begge retninger som ét tal. Fungerer i smalle indgange, ikke i brede glaspartier.
• 3D-stereo- og time-of-flight-sensorer i loftet: Ser ned på indgangen, måler højde og retning, kan filtrere børn og indkøbsvogne fra og adskille grupper. Det er den type kundetæller, der ligger bag de fleste seriøse kædeinstallationer i dag.
• Wifi- og Bluetooth-opsamling: Registrerer signaler fra telefoner i nærheden. Moderne smartphones randomiserer deres MAC-adresser, så metoden tæller enheder, ikke mennesker, og den fanger også folk på fortovet udenfor.
• Kameraer med videoanalyse: Giver både tælling og demografi, men er følsomme over for modlys, skygger og kameravinkel.
• Mobile lokationsdata fra apps: Købt som datasæt fra tredjepart. Baseret på en stikprøve af brugere og skaleret op med modeller. Brugbart til at sammenligne områder og konkurrenter, ubrugeligt som grundlag for bemanding i en konkret butik.

Pointen er ikke, at én metode er rigtig og de andre forkerte. Pointen er, at man ikke kan sammenligne footfall data på tværs af butikker, før man ved, at de kommer fra samme type kilde og er opsat efter samme regler.

Hvad der afgør, om tallet holder

Når leverandører taler om nøjagtighed, taler de om forholdet mellem det, sensoren tæller, og det, en person med en klikker ville tælle i samme periode. Vemco arbejder med et kontraktligt minimum på 96 procent, og under gode forhold ligger tallene typisk på 98 til 99 procent. Det er de tre ord "under gode forhold", der er interessante. De dækker over tre ting:

• Lys: Kraftig lavtstående sol gennem en glasfacade, blinkende julebelysning eller en mørk vindfang kan forstyrre optiske sensorer. 3D-sensorer er langt mindre følsomme end 2D-kameraer, men ikke immune.
• Layout: En indgang på fem meter kræver flere sensorer, der er kalibreret til at arbejde sammen. En kasselinje placeret lige inden for døren får kunder til at stå stille i tællezonen og blive talt to gange.
• Adfærd: Familier med klapvogne, kunder der går ud for at hente kortet i bilen, og medarbejdere der ryger ved indgangen. Hver af dem skaber et tal, der skal håndteres bevidst.

Det sidste punkt er det mest undervurderede. I en butik med 15 ansatte, der hver går ind og ud fire gange på en vagt, ender 60 passager om dagen i besøgstallet, hvis ikke personalet filtreres fra med en separat indgang eller en zone-undtagelse. På en stille tirsdag med 400 reelle kunder er det en fejl på 15 procent, som ingen leverandørgaranti dækker, fordi sensoren jo talte korrekt.

Fejlen, de fleste først opdager efter et kvartal

Her er en observation fra implementeringsarbejdet, som sjældent står i brochurerne: Den største kilde til dårlige data er ikke sensoren, men det der sker omkring den efter installationen. Visual merchandising flytter et kampagnebord ind under tællezonen i uge 8. Facility sætter en ny måtte op, som ændrer gulvets refleksion. En elektriker afbryder strømmen til en PoE-switch i to timer og glemmer at tænde den igen. Ingen af disse hændelser ligner en fejl i rapporten. Tallet falder bare lidt, og butikken får ros for sin stigende konverteringsrate.

Derfor er overvågning af sensorernes tilstand lige så vigtig som selve tællingen. I VemCount markeres det automatisk, når en sensor går offline, leverer et unaturligt fladt mønster eller afviger markant fra sit eget historiske forløb, så hullet opdages, inden det havner i en ugerapport. Uden den funktion opdager man typisk problemet, når en controller sammenligner Q1 med Q1 sidste år og ikke kan få tallene til at give mening.

Sådan tester du selv din kundetrafik

Du behøver ikke tage leverandørens ord for det. En simpel valideringsrutine, som enhver butikschef kan køre:

• Tæl manuelt i to perioder på 30 minutter, én i myldretid og én i en stille periode, ved hver indgang. Noter personale og børn separat.
• Sammenlign med systemets tal for præcis samme vindue. Afvigelser over fire procent i myldretiden peger på problemer med grupper eller zonebredde; afvigelser i den stille periode peger ofte på personale eller kunder, der står i døren.
• Tjek, at ind og ud balancerer ved lukketid. En dag, der slutter med 80 flere ind end ud, afslører en retningsfejl eller en bagdør, der ikke tælles.
• Gentag efter hver ombygning eller sæsonskift. Det er netop der, tallene skrider.

Fra besøgstal til beslutninger, du tør stå ved

Når grundlaget er efterprøvet, bliver footfall det eneste tal, der kan forklare forskellen mellem en butik med lav omsætning på grund af få kunder og en butik med lav omsætning på grund af dårlig betjening. Det er to vidt forskellige problemer med to vidt forskellige løsninger, og et kasseapparat kan ikke skelne dem.

Daells Bolighus brugte netop den kobling under sin turnaround: Besøgsdata blev lagt sammen med både fysisk og online salg på tværs af butikkerne, så ledelsen kunne se, hvor kunderne faktisk kom, hvor de ikke købte, og hvor markedsføringen flyttede trafik frem for omsætning. Den slags analyse forudsætter, at ingen i mødelokalet sidder og tvivler på, om tælleren i Herning nu også talte rigtigt i oktober. Tvivl om datakvaliteten er dyrere end fejlen selv, fordi den får organisationen til at falde tilbage på mavefornemmelse.

Vend tilbage til regionschefen fra indledningen. Da hun fik kigget på det, viste det sig, at butik A havde sit personaletoilet uden for tællezonen, så hver medarbejder blev talt otte gange om dagen, og at butik B havde en sideindgang fra parkeringskælderen uden sensor. Butik B var ikke dobbelt så dygtig. Tallene var bare bygget på to forskellige virkeligheder. Det er den slags, der skal ryddes af vejen, før man begynder at bruge kundetrafik til at fordele timer, bonus og marketingbudget.

Ofte stillede spørgsmål

Hvor præcise er footfall-data? Det afhænger af teknologien og forholdene. Moderne 3D-sensorer leverer typisk 98 til 99 procent nøjagtighed, når lys, indgangens udformning og kundernes adfærd tillader det, og Vemco garanterer kontraktligt mindst 96 procent. Wifi-baserede og app-baserede datasæt ligger væsentligt lavere og egner sig til tendenser, ikke til styring af den enkelte butik.

Er du i tvivl om, hvor pålidelige dine nuværende besøgstal er, eller står du over for at vælge teknologi til nye butikker? Kontakt Vemco Group, så gennemgår vi dine indgange, dine datakilder og din valideringsrutine sammen og viser, hvordan VemCount overvåger sensorerne, så fejl bliver fanget, før de ender i din rapport.