Bästa praxis för store traffic analytics

En torsdag klockan 16 visar försäljningsrapporten att butiken ligger 12 procent under samma dag förra året. Butikschefen drar slutsatsen att färre människor kom in. Räknaren över entrén säger något annat: besöken ökade med 4 procent, men andelen som köpte sjönk. Två helt olika problem, två helt olika åtgärder. Det är det här skillnaden mellan att ha en kundräknare och att faktiskt arbeta med store traffic analytics: datan ska ändra vilket beslut du fattar, inte bara bekräfta det du redan trodde.

Bestäm frågan innan du bestämmer sensorn

De flesta misslyckade projekt vi ser har samma ursprung: någon köpte teknik först och funderade på användningen efteråt. Vänd på ordningen. Skriv ner de tre beslut som ska bli bättre med hjälp av datan. För en modekedja är det ofta bemanning per timme, utvärdering av kampanjer och jämförelse mellan butiker. För ett köpcentrum handlar det om hyresförhandlingar och var i gallerian flödet faktiskt går. För ett universitetsbibliotek kan frågan vara så enkel som om de nya öppettiderna på söndagar används av någon alls.

Varje beslut kräver olika upplösning. Bemanning kräver timdata, gärna kvartstimmar. Hyresförhandlingar kräver månadsdata per entré med historik som går att verifiera. Kampanjutvärdering kräver att du kan matcha besöksräkning mot kassadata på samma tidsaxel. Vet du detta i förväg slipper du upptäcka efter ett halvår att systemet inte sparar datan i det format du behöver.

Placering och kalibrering avgör allt i store traffic analytics

En sensor som sitter fel ger siffror som ser rimliga ut men är systematiskt skeva. Det är värre än inga siffror alls, eftersom ingen ifrågasätter dem. Tre återkommande fällor: entréer utan dörrar där folk genar genom räkningszonen utan att gå in, personal som använder samma dörr som kunderna och räknas tio gånger om dagen, samt glaspartier som ger reflexer som vissa sensortyper tolkar som rörelse.

Ett råd från den som installerat tillräckligt många system: gör en manuell kontrollräkning i minst två pass under första veckan, ett i rusningstid och ett i lugnt tempo. Jämför med sensorn. Avvikelser på några procent är normalt, men om avvikelsen är större under rusning än i lugnt tempo har du troligen ett problem med personer som går tätt ihop, och då handlar det om monteringshöjd eller sensorval snarare än om mjukvaran. Vad gäller noggrannhet: ett seriöst leverantörsavtal ska ange en lägsta nivå, hos Vemco 96 procent, och i praktiken ligger räkningen på 98 till 99 procent när belysning, layout och besökarnas beteende tillåter det. Var skeptisk till den som lovar ett fast tal oavsett förutsättningar.

Kundtrafik är en nämnare, inte ett mål

Det vanligaste felet i rapporteringen är att behandla antalet besök som ett resultat. Antalet besök är nämnaren i nästan alla nyckeltal som faktiskt betyder något: konverteringsgrad, försäljning per besökare, besökare per anställd timme. Ett varuhus som rapporterar att kundtrafiken ökade med 8 procent har sagt väldigt lite. Ett varuhus som rapporterar att trafiken ökade med 8 procent medan konverteringsgraden föll från 22 till 19 procent har identifierat ett konkret problem på golvet.

Luksusbaby är ett bra exempel på hur det fungerar när nämnaren används rätt. De använde VemCount för att se konverteringsgraden i realtid, inte i efterhand, och kombinerade den med demografisk information om vilka som faktiskt kom in. Realtid är avgörande här. En konverteringsgrad som rapporteras på måndag morgon beskriver vad som gick fel i lördags. En som visas klockan 14 kan fortfarande påverka hur eftermiddagen går.

Demografin löser dessutom en klassisk konflikt mellan marknad och butik. Marknadsavdelningen köper annonser riktade mot en viss målgrupp. Butiken ser vilka som faktiskt kommer in. När de två bilderna inte stämmer överens är det ofta första gången någon upptäcker att kampanjbudgeten går till fel personer.

Lägg besöksflödet bredvid försäljningen, inte i ett separat system

Siffror som bor i olika system jämförs sällan. Om kassadata, e-handelsdata och besöksdata ligger i tre dashboards kommer analysen att göras en gång per kvartal av en controller, och butikscheferna kommer aldrig att se den. Daells Bolighus hanterade just detta under en turnaround: de lade samman försäljning i butik, försäljning online och besöksdata från alla sina anläggningar i en gemensam bild. Poängen var inte tekniken i sig utan att ledningen kunde se om en nedgång i en butik berodde på färre besökare, lägre konvertering eller att kunderna flyttat till webben.

Praktiskt innebär det tre saker: samma tidsstämpling i alla källor, samma definition av vad en "butik" är i alla system, och en rapport som butikschefen får automatiskt och inte behöver be om.

Från entrén till golvet: när du behöver mer än räkning

Entréräkning svarar på hur många. Den svarar inte på vart de gick, hur länge de stannade eller varför halva lokalen är tom medan kassakön ringlar. För det krävs analys av kundresan och rörelsemönster. VemTrack lägger till det lagret, med anonym AI-baserad återidentifiering som gör det möjligt att följa ett besök genom lokalen utan att lagra personuppgifter. För ett köpcentrum betyder det att du kan visa en hyresgäst hur stor andel av dem som passerade entrén som faktiskt gick förbi deras skyltfönster. För en flygplats betyder det att du ser var passagerarna fastnar mellan säkerhetskontroll och gate, och hur det påverkar tiden i butikerna.

Värmekartor över butiksytan är användbara, men bara om någon agerar på dem. En kall zon i bakre delen av butiken är en uppmaning att flytta en kategori, inte ett dekorativt diagram i kvartalsrapporten. Sätt en rutin: en person äger kartan, granskar den varje månad och dokumenterar vilken förändring som gjordes och vad som hände efteråt.

Datadisciplin som håller över tid

• Nollkontroll varje morgon. En entré som visar noll besök under öppettid är nästan alltid en sensor som tappat ström eller nätverk, inte en tom butik. Lägg en automatisk varning på det.
• Öppettider i systemet, inte i huvudet. Räkning utanför öppettid, till exempel städpersonal på kvällen, förstör dagsgenomsnittet om den inte filtreras bort.
• Jämför rätt dagar. Veckodag mot samma veckodag, helger mot helger, och markera ombyggnader och extraordinära händelser så att ingen om två år undrar varför november var konstig.
• Ett nyckeltal per roll. Butikschefen behöver konvertering per timme. Regionchefen behöver besökare per anställd timme. Fastighetsägaren behöver trafik per entré och månad. Ge varje person det tal de kan påverka.

Detta gäller lika mycket för ett bibliotek som för en butikskedja. Skillnaden är bara vad som står i täljaren: utlån, bokade studieplatser eller ställda frågor i informationsdisken i stället för kvitton.

Vanliga frågor

Hur mäter man kundtrafik i en butik? Vanligast är sensorer över varje entré, oftast 3D- eller videobaserade, som räknar in- och utpasseringar och skickar datan till en plattform där den kan jämföras med försäljning och bemanning. Noggrannheten beror på placering, belysning och hur folk rör sig, så en manuell kontrollräkning vid installation är obligatorisk. För att förstå rörelsemönster inne i lokalen krävs kompletterande sensorer eller kundreseanalys.

Hur ökar man kundtrafiken till en butik? Börja med att ta reda på vilka timmar och dagar som är svaga i dag och om det beror på färre besökare eller lägre konvertering, för de kräver olika åtgärder. Flytta sedan kampanj- och personalresurser till de tidpunkter där datan visar att besökarna faktiskt finns, och testa en förändring i taget så att effekten går att läsa av. Demografisk data hjälper dig att rikta marknadsföringen mot de grupper som redan visat att de kommer in.

Vill du veta hur din entréräkning, konverteringsgrad och kundresa skulle se ut i samma bild, och vilka av dina befintliga sensorer som kan återanvändas? Kontakta Vemco Group så går vi igenom era entréer, era rapportbehov och vilken upplösning datan behöver ha för de beslut ni faktiskt fattar.