Besøgstrafik vs. salg: hvorfor trafik og omsætning fortæller forskellige historier

En detailhandler i en mellemstor svensk by havde en november rekordhøj besøgstrafik. Besøgstallet var steget, opholdstiden var steget, og marketingteamet følte sig bekræftet. Så kom resultatopgørelsen, og omsætningen var flad. Forklaringen var enkel, da nogen først kiggede efter: De fleste af de ekstra besøgende var kommet til et arrangement i butikken, der hverken indebar at kigge på varer eller at købe. Besøgstrafikken var reel, men den blev aldrig til salg, og ingen havde holdt øje med kløften mellem de to.

Ingen tvivler på besøgstallet, før det modsiger omsætningen

Besøgstrafik og omsætning er de to tal, alle detailhandlere følger. Når det ene bevæger sig uden det andet, bliver diskussionen højlydt: Ledelsen peger på trafikken som bevis på, at beliggenheden er sund, og økonomiafdelingen peger på omsætningen som bevis på, at noget er galt. Begge har ret, og begge mangler det tal, der forbinder dem: konverteringsraten i butikken.

Konverteringsraten er transaktioner divideret med besøgende, udtrykt i procent. Konverteringen i butik varierer markant efter format: Dagligvarer konverterer højest, fordi de fleste besøgende kommer for at købe, mens formater, hvor folk mest kigger rundt, konverterer langt lavere. Et enkelt “gennemsnit” er misvisende, fordi et supermarked og en luksusurbutik næsten intet har til fælles på det mål. Derfor betyder din egen løbende baseline mere end noget offentliggjort benchmark. Konverteringsraten besvarer det spørgsmål, som besøgstrafik og omsætning ikke kan besvare hver for sig: Hvor mange af alle dem, der kom ind, købte faktisk noget?

Når besøgstrafik stiger, og omsætning ikke gør det

Trafikvækst uden omsætningsvækst er den hyppigste overraskelse, og den viser sig i flere genkendelige mønstre. En reklamekampagne bringer nye besøgende, der er nysgerrige, men ikke klar til at købe; konverteringen falder, fordi de nyankomne opfører sig anderledes end de faste kunder. En butik med en travl placering i et indkøbscenter får besøgstrafik fra en populær ankerlejer, men fanger kun få af de kunder selv. Årstidens vejr sender folk indenfor, som slet ikke havde tænkt sig at handle.

I alle tilfældene så det rå besøgstal opmuntrende ud, og konverteringstallet ville have vist, hvad der foregik, tidligere, hvis nogen havde holdt øje med det.

Når omsætning stiger, og besøgstrafik ikke gør det

Det modsatte er lige så lærerigt og ofte mere velkomment. En butik strammer op i sin vinduesudstilling, indretter gulvet omkring færre hovedkategorier og træner personalet mere målrettet. Besøgstrafikken er uændret: Det samme antal mennesker går forbi og beslutter sig for at gå ind. Men andelen, der køber, stiger, den gennemsnitlige kurvstørrelse stiger, og omsætningen vokser uden de markedsføringsudgifter, det ville kræve at trække flere besøgende ind.

Det er argumentet for at behandle konvertering som en løftestang i sig selv. Det er dyrt og konkurrencepræget at tiltrække mere besøgstrafik, mens det at konvertere de besøgende, man allerede har, mest handler om måling og eksekvering.

Hvad dataene viser, som instinktet ikke gør

Butikschefer fornemmer, hvornår en periode er travl eller stille, og de har ofte ret. Til gengæld har de næsten aldrig ret i hvorfor. Var sidste tirsdag stille, fordi færre mennesker kom ind, eller fordi de mennesker, der kom ind, gik hurtigere og købte for mindre? Bag disken ser de to tilfælde ens ud, men de kræver helt forskellige reaktioner: mere markedsføring i det første tilfælde, mere merchandising eller mere opmærksomhed fra personalet i det andet.

Derfor omfatter dataleverancerne fra en korrekt instrumenteret butik både besøgstallet og de tidsstempler, der gør det muligt at matche det med din POS-eksport. Uden begge dele diagnosticerer du forretningen med halvdelen af oplysningerne. Selve besøgstallet kan komme direkte fra bygningens eksisterende Wi-Fi, helt uden kameraer.

Konvertering pr. dag, time og zone

Når du har begge tal kørende side om side, bliver spørgsmålene mere præcise. Konverteringen lørdag eftermiddag kan ligge femten procentpoint højere end tirsdag formiddag, og det nyttige opfølgende spørgsmål er, om du er bemandet til det. Vagtplanlægning bygget på besøgstrafikmønstre betyder flere medarbejdere på gulvet, når der faktisk er flere købere i bygningen, i stedet for faste vagtplaner, der udjævner toppene.

Data på zoneniveau tilføjer endnu et lag, når bevægelsesdata kombineres med salgsdata. Et område i butikken med meget besøgstrafik, men få transaktioner, har ofte en dårlig varepræsentation eller dårlig belysning, mens et område med mindre trafik, der konverterer godt, kan fortjene at blive udvidet.

Kædeproblemet

For en enkelt butik er diskussionen forholdsvis afgrænset. For en detailkæde, der driver snesevis af lokationer, står der mere på spil, og sammenligningerne bliver mere nyttige. En kæde, der kan rangere sine lokationer efter trafik og konvertering på samme tid, kan hurtigt se, hvilke der klarer sig dårligt på det ene mål og godt på det andet, og den forskel ændrer, hvad man gør ved hver af dem. Rangeringen holder kun, hvis alle lokationer er talt på samme måde (se hvad et besøgstrafikbenchmark egentlig er værd).

Et sted med høj besøgstrafik og lav konvertering har et andet driftsproblem end et sted med lav besøgstrafik og høj konvertering. Det første kræver arbejde med sortimentet, indretningen eller personalet. Det andet kræver markedsføring eller skiltning, der kan trække mere af den forbipasserende trafik ind, som stedet allerede har vist, at det kan konvertere. Uden begge tal ligner de bare to steder, der underpræsterer.

At forbinde tællinger med kasser via API

Den praktiske flaskehals er som regel integrationen. Besøgsdata og POS-data ligger i forskellige systemer med forskellig tidsopløsning og forskellige ejere. En analyseplatform med API-forbindelse løser det ved at normalisere begge datastrømme på en fælles tidsakse, så konverteringsraten bliver et løbende driftsmål i stedet for noget, nogen regner ud i et regneark én gang om måneden.

Når konverteringen falder en torsdag eftermiddag uden nogen åbenlys ekstern årsag, ved nogen det dagen efter i stedet for først ved næste salgsgennemgang. Dermed går besøgsdata fra at være et rapporteringsværktøj til at være et ledelsesværktøj, og du kan lukke kløften mellem trafik og omsætning, mens den står åben, i stedet for kun at bemærke den en gang imellem. For både flagskibsbutikker og kæder kører besøgsanalyse godkendt af en databeskyttelsesmyndighed bag det hele uden at identificere en eneste kunde ved navn.

Kilder

• 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