Måndagsmötet börjar med en siffra: omsättningen i butiken på Drottninggatan är ner 9 procent mot samma vecka förra året. Regionchefen vill veta varför. Butikschefen gissar på vädret. Marknadschefen gissar på att kampanjen inte nådde fram. Ingen i rummet kan svara på den enda fråga som faktiskt spelar roll: kom det färre människor in genom dörren, eller kom lika många men färre köpte? Utan den distinktionen är varje åtgärd en chansning.
Det är precis det problemet besöksanalys i butik löser. Men bara om mätningen görs rätt, och bara om ni bestämt i förväg vilka beslut datan ska styra. Den här texten går igenom vad ni ska mäta, hur ni säkrar att siffrorna går att lita på och hur ni kopplar dem till försäljning och bemanning så att de faktiskt påverkar budgetbeslut.
Många kedjor installerar besökarräknare, får en dashboard med ett dagligt besökstal och slutar där. Ett dagstal säger nästan ingenting. Det som förändrar hur ni driver butik är kombinationen av besök med annan data och upplösningen i tid. Ställ därför tre frågor innan ni jämför leverantörer:
Det finns fyra tal som återkommer hos varje kedja som fått besöksanalysen att fungera i praktiken. Alla bygger på besöksräkning som grund, men värdet uppstår i kopplingen.
Ett vanligt misstag är att räkna konverteringsgrad på dagsnivå. En butik kan visa 22 procent för hela lördagen och samtidigt ligga på 11 procent mellan klockan 14 och 17, när trafiken är som högst och kön till kassan längst. Dagstalet döljer exakt det ni behöver se. Mät per timme, eller åtminstone per tretimmarsblock.
Om räkningen är fel är allt som byggs på den fel. Konverteringsgraden blir för hög eller för låg, bemanningen optimeras mot en illusion och benchmarks mellan butiker blir meningslösa. Var därför noga med hur leverantören beskriver sin noggrannhet. En seriös aktör anger ett kontraktsbundet minimum, hos Vemco 96 procent, och beskriver sedan att den typiska nivån ligger på 98–99 procent när förhållandena tillåter det. Ljus, entréns utformning och hur besökarna rör sig påverkar resultatet, och den som lovar ett fast tal utan förbehåll har antingen inte mätt ordentligt eller berättar inte hela sanningen.
Här kommer en sak som varje implementatör lär sig den hårda vägen: den största felkällan är sällan sensorn. Det är det som händer under den. Personal som går in och ut genom huvudentrén tio gånger om dagen, leverantörer som bär in varor, och framför allt den kampanjställning eller julgran som visual merchandising placerar rakt under sensorn i november. En butikschef ringer och säger att besöken sjönk 15 procent över natten, och orsaken är en två meter hög pappskylt som skymmer räknezonen. Lägg därför in en rutin: varje förändring av entrézonen ska stämmas av mot besöksdatan följande dag, och personalingång ska om möjligt separeras eller filtreras bort.
Validera dessutom själva. Låt någon stå vid entrén och räkna manuellt under två timmar vid hög trafik och två timmar vid låg, och jämför mot systemet. Gör det vid installation, och gör om det när layouten ändras. Det tar en förmiddag och ger er en siffra ni kan försvara inför ledningsgruppen.
Integrationen mot kassasystemet är det steg som avgör om besöksanalysen blir ett verktyg eller en kuriosa. Tekniskt är det ofta enkelt, men det organisatoriska kräver att någon äger frågan. Butiks-ID, tidsstämplar och öppettider måste matcha på minutnivå, annars hamnar kvitton på fel timme och konverteringen blir skev.
Luksusbaby är ett bra exempel på vad som händer när kopplingen finns. De använde VemCount för att följa hit rate och konvertering i realtid, kombinerat med demografi om vem som faktiskt besöker butiken. Realtidsdelen är inte en detalj: en butikschef som ser att konverteringen faller klockan 13 kan flytta en person från lagret till golvet samma dag, i stället för att läsa om det i en månadsrapport.
För kedjor med både fysiska butiker och e-handel finns ett ytterligare lager. Daells Bolighus samlade under sin turnaround försäljnings- och besöksdata från både butik och webb över alla lägen i en och samma vy. Det gjorde det möjligt att se om en kampanj som gav svag butikstrafik i stället drev onlineköp, och att bedöma varje butiks bidrag utifrån hela kundens beteende snarare än bara kassan. Den frågan, om butiken tappar eller om kunden bara flyttat kanal, går inte att svara på med separata system.
När entréräkningen fungerar och konverteringen följs per timme uppstår nästa fråga: var i butiken tappar vi kunden? Här tar kundflödesanalys vid. Med VemTrack går det att följa rörelsemönster, se vilka zoner som besöks men inte genererar köp och identifiera var kön eller ett dåligt placerat sortiment bryter flödet. AI-baserad Re-ID gör att en och samma besökare kan följas mellan zoner utan att räknas flera gånger, vilket är avgörande för att beräkna hur många som faktiskt nådde en viss avdelning.
Rådet är ändå att inte börja där. Kedjor som hoppar direkt till heatmaps utan att ha stabil entréräkning och kassaintegration får vackra bilder men inga beslut. Ordningen bör vara: korrekt räkning, konvertering per timme, bemanning mot trafik, och först därefter rörelseanalys i de butiker där konverteringen avviker utan uppenbar förklaring.
Tillbaka till måndagsmötet. Med den här mätningen på plats blir svaret inte en gissning utan ett konstaterande: besöken var ner 3 procent, konverteringen ner 6, och tappet låg mellan 15 och 18 på fredag och lördag när två säljare saknades. Det är ett problem som går att åtgärda till nästa vecka. Vill ni ha hjälp att sätta upp besöksanalys som ger den typen av svar för era butiker? Kontakta Vemco Group så går vi igenom vilka nyckeltal, integrationer och valideringsrutiner som passar just er kedja.