Návštěvnost prodejny vs. tržby: proč počet zákazníků a výnosy vyprávějí jiné příběhy

Obchodník ve středně velkém švédském městě jednoho listopadu vykázal rekordní návštěvnost prodejny. Návštěvníků přibylo, doba setrvání se prodloužila a marketingový tým se cítil potvrzený. Pak přišel výkaz zisku a ztráty a tržby stály na místě. Vysvětlení bylo jednoduché, jakmile se na to někdo podíval: většina návštěvníků navíc přišla na akci v prodejně, při které si nikdo neprohlížel zboží a nic nekupoval. Návštěvnost byla skutečná, jen se nikdy nepřeměnila v prodej, a rozdíl mezi nimi nikdo nehlídal.

Návštěvnost nikdo nezpochybňuje, dokud neodporuje tržbám

Návštěvnost a tržby jsou dvě čísla, která vyhodnocuje každý obchodník. Když se jedno pohne a druhé ne, debata se vyhrotí: vedení ukazuje na počet zákazníků jako důkaz, že je prodejna v pořádku, a finanční oddělení ukazuje na tržby jako důkaz, že něco nesedí. Mají pravdu obě strany a oběma chybí číslo, které obě veličiny spojuje: konverzní poměr kamenné prodejny.

Konverzní poměr je počet transakcí vydělený počtem návštěvníků, vyjádřený v procentech.

Konverze v kamenných prodejnách se podle formátu výrazně liší: nejvyšší je u potravin, protože většina návštěvníků přichází nakoupit, zatímco formáty, kde si lidé zboží spíš prohlížejí, mají konverzi mnohem nižší. Jeden „průměr“ zavádí, protože supermarket a butik s luxusními hodinkami nemají v tomto ukazateli téměř nic společného. Proto má vaše vlastní klouzavá základní úroveň větší váhu než jakákoli zveřejněná srovnávací hodnota.

Tento poměr odpovídá na otázku, na kterou návštěvnost a tržby samy o sobě neodpovědí: kolik ze všech lidí, kteří přišli, skutečně nakoupilo?

Když návštěvnost roste a tržby ne

Růst návštěvnosti bez růstu tržeb je častější překvapení a má několik známých podob. Reklamní kampaň přivede nové návštěvníky, kteří jsou zvědaví, ale nerozhodnutí, a konverze klesne, protože se nováčci chovají jinak než stálí zákazníci. Prodejna na rušném místě v nákupním centru získá návštěvnost od oblíbeného kotevního nájemce, ale jen málo těchto zákazníků si udrží pro sebe. Počasí v určité sezóně zažene dovnitř lidi, kteří vůbec nakupovat nechtěli.

Ve všech těchto případech vypadal hrubý počet návštěvníků povzbudivě a konverzní poměr by ukázal, co se děje, mnohem dřív, kdyby se na něj někdo díval.

Když tržby rostou a návštěvnost ne

Opačný případ je stejně poučný a často příjemnější. Prodejna zjednoduší výlohu, přeuspořádá plochu kolem menšího počtu hlavních kategorií a lépe zaškolí personál. Návštěvnost se nezmění: kolem projde a dovnitř se rozhodne vejít stejný počet lidí. Podíl těch, kdo nakoupí, ale roste, roste i průměrná hodnota nákupu a tržby se zvyšují bez marketingových výdajů, které by bylo potřeba na přilákání dalších návštěvníků.

To je důvod, proč brát konverzi jako samostatnou páku.

Přilákat vyšší návštěvnost je drahé a konkurence je velká, kdežto přeměnit v zákazníky návštěvníky, které už máte, je hlavně otázka měření a provedení.

Co data ukážou a instinkt ne

Vedoucí prodejen vycítí, kdy je období rušné a kdy klidné, a často mají pravdu.

Téměř nikdy ale nevědí proč.

Bylo minulé úterý klidné proto, že přišlo méně lidí, nebo proto, že lidé, kteří přišli, odešli rychleji a koupili méně? Zpoza pultu oba případy vypadají stejně, vyžadují ale úplně jinou reakci: v prvním případě víc marketingu, ve druhém víc práce s prezentací zboží nebo pozornosti personálu.

Proto data z prodejny se správně nastaveným měřením obsahují jak počet návštěvníků, tak časové značky, podle kterých je spárujete s exportem z pokladního systému. Bez obojího diagnostikujete podnik s polovinou informací. Samotný počet návštěvníků může pocházet přímo ze stávající Wi-Fi v budově, bez kamer.

Konverze podle dne, hodiny a zóny

Jakmile běží obě čísla souběžně, otázky jsou přesnější. Konverze v sobotu odpoledne může být o patnáct procentních bodů vyšší než v úterý dopoledne a užitečná navazující otázka zní, jestli na to máte dost lidí. Plánování směn podle návštěvnosti znamená mít víc personálu na ploše tehdy, když je v budově skutečně víc kupujících, místo pevných rozpisů, které špičky zploští.

Data po zónách přidávají další vrstvu, jakmile se data o pohybu spojí s daty o prodeji. Část prodejny s vysokou návštěvností, kde vzniká málo transakcí, má často špatně uspořádané zboží nebo nevhodné osvětlení, zatímco méně navštěvovaná část s dobrou konverzí si možná zaslouží víc místa.

Problém řetězců

U jedné prodejny je debata poměrně ohraničená. Pro obchodní řetězec s desítkami prodejen je v sázce víc a srovnání jsou užitečnější. Řetězec, který dokáže seřadit své prodejny podle návštěvnosti a konverze zároveň, rychle uvidí, které z nich v jednom ukazateli zaostávají a v druhém vynikají, a tento rozdíl mění to, co s každou z nich uděláte. Pořadí platí, jen pokud se všude počítalo stejně (viz jakou hodnotu má benchmark návštěvnosti).

Prodejna s vysokou návštěvností a nízkou konverzí má jiný provozní problém než prodejna s nízkou návštěvností a vysokou konverzí. První potřebuje zapracovat na nabídce, uspořádání nebo personálu. Druhá potřebuje marketing nebo navigační značení, které přivede víc kolemjdoucích, protože už ukázala, že je dokáže proměnit v zákazníky. Bez obou čísel vypadají obě prostě jako prodejny, které neplní plán.

Propojení počtů s pokladnami přes API

Praktickým úzkým hrdlem bývá integrace. Data o návštěvnosti a data z pokladen leží v různých systémech, s různou časovou podrobností a různými vlastníky. Analytická platforma s napojením přes API to řeší tak, že oba toky převede na společnou časovou osu. Konverzní poměr se tak stane průběžným provozním ukazatelem místo něčeho, co někdo jednou za měsíc spočítá v tabulce.

Když konverze ve čtvrtek odpoledne bez zjevné vnější příčiny klesne, někdo se to dozví další den, a ne až na příští obchodní poradě. Data o návštěvnosti se tak z nástroje pro reporting stanou nástrojem řízení a rozdíl mezi návštěvností a tržbami můžete uzavřít, dokud trvá, místo abyste si ho tu a tam všimli. Pro flagship store i pro řetězce funguje počítání osob v souladu s GDPR, na kterém to celé stojí, aniž by identifikovalo jediného zákazníka jménem.

Zdroje

• Perdikaki, O., Kesavan, S., & Swaminathan, J. M. (2012). Effect of traffic on sales and conversion rates of retail stores. Manufacturing & Service Operations Management, 14(1), 145–162. https://doi.org/10.1287/msom.1110.0356
• Mani, V., Kesavan, S., & Swaminathan, J. M. (2015). Estimating the impact of understaffing on sales and profitability in retail stores. Production and Operations Management, 24(2), 201–218. https://doi.org/10.1111/poms.12237