Bästa praxis för retail analytics i detaljhandeln

En regionchef sitter med två butiker som båda omsatte 4,2 miljoner förra kvartalet. Den ena hade 61 000 besökare, den andra 38 000. På pappret är de likvärdiga. I verkligheten läcker den första butiken konvertering medan den andra sannolikt är underbemannad på lördagar och tappar kunder som aldrig hinner in. Utan besöksdata ser båda ut som stabila butiker. Det är här retail analytics slutar vara ett BI-projekt och blir ett operativt verktyg: skillnaden mellan att förklara omsättning i efterhand och att påverka den på torsdag nästa vecka.

De flesta kedjor har redan kassadata, lagersaldo och kampanjkalendrar. Det som oftast saknas är nämnaren: hur många människor som faktiskt kom in. Nedan följer de arbetssätt som skiljer kedjor som får ut beslut ur sin data från dem som får ut rapporter.

Börja med nämnaren, inte med dashboarden

Omsättning per kvadratmeter, snittköp och försäljning per timme är alla täljare. Lägg till besökare som nämnare och samma siffror börjar berätta något annat. Konverteringsgrad per timme avslöjar när personalen inte räcker till. Försäljning per besökare visar om en kampanj drog in rätt kunder eller bara fler. Besökare per anställd timme är det mått som flest driftchefer säger att de önskar att de hade haft tidigare.

En praktisk regel: om ett nyckeltal inte kan brytas ner per butik och per timme, går det inte att agera på. Veckosiffror på kedjenivå är bra för styrelsen men värdelösa för butikschefen som ska lägga schema.

Datakvalitet avgörs vid entrén

Här gör många kedjor sitt dyraste misstag. De köper billiga kundräknare, får siffror som avviker 15 procent från verkligheten och bygger sedan konverteringsmått på dem. Resultatet är att ingen litar på rapporterna, och när ingen litar på dem används de inte.

Ställ krav på noggrannhet i avtalet. Ett rimligt kontraktuellt minimum är 96 procent, och under goda förhållanden med rätt belysning, vettig placering och normalt besöksbeteende landar moderna 3D-sensorer typiskt på 98 till 99 procent. Det går inte att lova en fast siffra oavsett miljö, och en leverantör som gör det bör man vara skeptisk till. Lika viktigt är att personalen räknas bort. En butik med åtta anställda som går ut och in tjugo gånger om dagen får 160 falska besökare utan algoritmer för personalexkludering. Det förstör konverteringsgraden i mindre butiker helt.

En observation från installationer i praktiken: den vanligaste felkällan är inte sensorn utan placeringen. En sensor monterad för nära ett skyltfönster räknar folk som stannar och tittar, och en entré med automatiska skjutdörrar skapar ett "pendelbeteende" där kunder som står kvar i dörröppningen räknas dubbelt. Verifiera manuellt under de första två veckorna, en timme per dag, och jämför. Det tar tid, men det är den timme som gör att resten av organisationen vågar använda siffrorna.

Retail analytics fungerar först när datakällorna kopplas ihop

Besöksräkning i ett system, kassadata i ett annat och scheman i ett tredje ger tre sanningar som ingen hinner jämföra. Det som fungerar är när besöksdata går rakt in i samma BI-miljö som POS- och ERP-data, så att konvertering, snittköp och bemanning hamnar i samma vy. Vemcos plattform är byggd just för det, med integrationer mot POS, ERP och BI och utan låsning till en viss sensortillverkare, vilket spelar roll för kedjor som redan har hårdvara från exempelvis Xovis, Milesight eller AXIS i delar av beståndet.

Tre kopplingar ger snabbast avkastning:

• Besöksflöde mot schema. Lägg besökare per timme bredvid planerade arbetstimmar. De flesta kedjor upptäcker att de är överbemannade tisdag förmiddag och underbemannade lördag mellan 13 och 16.
• Besökare mot kvitton. Konverteringsgrad per timme visar var köer, saknade storlekar eller passiv personal kostar försäljning. En butik med hög trafik och låg konvertering har ett driftproblem, inte ett marknadsföringsproblem.
• Besökare mot kampanjkalender. Mät om kampanjen ökade trafiken, konverteringen eller bara flyttade köp mellan veckor. Det är tre helt olika utfall som alla ser likadana ut i en omsättningsrapport.

Butiksanalys för kommersiella team: zoner, demografi och hyra

Entréräkning är grunden, men kommersiella team behöver mer. Zonräkning visar hur många som faktiskt når bakre delen av butiken, vilket ändrar diskussionen om var högmarginalvaror ska stå. AI-sensorer som kan uppskatta ålder och kön samt skilja barn från vuxna gör det möjligt att se om kampanjen mot barnfamiljer faktiskt drog in barnfamiljer, i stället för att gissa utifrån kvittodata.

För kedjor i köpcentrum finns ett ytterligare värde. När hyran förhandlas om är egen besöksdata ett betydligt starkare argument än centrumets egna siffror. En butik som kan visa att dess andel av centrumets trafik sjunkit från 9 till 6 procent efter en ombyggnad har en konkret grund för omförhandling. Samma logik gäller omvänt för fastighetsägare som använder verktyg som VemTenant för att jämföra hyresgäster på lika villkor.

Bestäm ägarskap innan systemet går live

Det vanligaste skälet till att butiksanalys rinner ut i sanden är inte tekniken. Det är att ingen äger siffrorna. Ett arbetssätt som fungerar i kedjor med 30 till 300 butiker:

• Butikschefen äger konvertering per timme och agerar på den i veckans schema. Inga andra mått, inga andra rapporter.
• Regionchefen äger jämförelser mellan butiker och ställer frågan varför två butiker med liknande trafik konverterar olika.
• Kommersiella teamet äger kampanjutvärdering och hyresunderlag.
• Driftledningen äger datakvaliteten: sensorstatus, avvikelser och manuella kontroller.

Ge varje roll ett mått och ett beslut. Det låter banalt, men kedjor som sprider 40 nyckeltal till alla får i praktiken noll beslut fattade på data.

Mät i hela flöden, inte i enskilda butiker

När grunden sitter är nästa steg att jämföra. En enskild butiks konverteringsgrad på 23 procent säger ingenting. Samma butik jämförd med elva liknande butiker i kedjan, justerat för läge och yta, säger allt. Bygg jämförelsegrupper efter butikstyp, inte efter geografi. En cityläge-butik på 180 kvadratmeter har inget att lära av en handelsplatsbutik på 1 400 kvadratmeter, oavsett om de ligger i samma region.

Och sätt en tidshorisont. De första tre månaderna handlar om att lita på datan. Månad fyra till sex handlar om schemaläggning. Först därefter ger kampanjanalys och zonmätning tillförlitliga svar, eftersom man då har en baslinje att jämföra mot.

Vanliga frågor

Vad kostar sensorer för besöksräkning? Priset varierar kraftigt beroende på sensortyp, antal entréer och om zonräkning och demografi ska ingå. En enkel dörräknare kostar en bråkdel av en 3D-sensor med personalexkludering, men den senare ger data som faktiskt går att bygga konverteringsmått på. Räkna på kostnaden per butik mot värdet av en enda procentenhets bättre konvertering, så blir kalkylen oftast tydlig.

Hur mäter man besöksflödet i en butik? Montera en takmonterad 3D-sensor eller AI-kamera ovanför varje entré, riktad så att den räknar personer som faktiskt passerar in och ut, inte de som stannar i dörren. Se till att personalen exkluderas ur räkningen och verifiera manuellt de första veckorna. Koppla sedan datan till kassasystemet så att besökare per timme kan ställas mot kvitton per timme.

Vill du se hur dina egna butiker skulle se ut när besöksdata, kassadata och bemanning hamnar i samma vy? Kontakta Vemco Group så går vi igenom vilka nyckeltal som ger snabbast effekt i din kedja och hur en pilot i tre till fem butiker kan sättas upp.