Bezoekersstroom versus omzet: waarom verkeer en inkomsten verschillende verhalen vertellen

Een retailer in een middelgrote Zweedse stad meldde in november een recordbezoekersstroom. Het aantal bezoekers en de verblijftijd waren gestegen, en het marketingteam voelde zich in het gelijk gesteld. Toen kwamen de resultatencijfers binnen, en de omzet bleek vlak. De verklaring was eenvoudig toen iemand ging kijken: de meeste extra bezoekers kwamen voor een evenement in de winkel waarbij niemand rondkeek of iets kocht. De bezoekersstroom was echt, maar leverde geen verkoop op, en niemand had de kloof tussen die twee in de gaten gehouden.

Niemand twijfelt aan bezoekersstroom, totdat die de omzet tegenspreekt

Bezoekersstroom en inkomsten zijn de twee cijfers die elke retailer bijhoudt. Meestal wijzen ze dezelfde kant op, maar als het ene beweegt zonder het andere, loopt de discussie hoog op: het management wijst op het verkeer als bewijs dat de locatie gezond is, en finance wijst op de omzetlijn als bewijs dat er iets mis is. Beide hebben gelijk, en beide missen het cijfer dat ze verbindt: conversie in de winkel.

Conversie is transacties gedeeld door bezoekers, uitgedrukt als percentage. De conversie in de winkel verschilt sterk per formaat: supermarkten converteren het hoogst omdat de meeste bezoekers komen om te kopen, terwijl formaten waar mensen vooral rondkijken veel lager converteren. Eén “gemiddelde” is misleidend, omdat een supermarkt en een luxe horlogeboutique op deze maatstaf bijna niets gemeen hebben. Daarom telt je eigen voortschrijdende basislijn zwaarder dan welke gepubliceerde benchmark ook. Conversie beantwoordt de vraag waarop bezoekersstroom en inkomsten afzonderlijk geen antwoord geven: hoeveel van alle mensen die binnenkwamen, kochten er werkelijk iets?

Wanneer bezoekersstroom stijgt en inkomsten niet

Verkeersgroei zonder omzetgroei is de vaakst voorkomende verrassing, en die duikt op in een paar herkenbare patronen. Een promotiecampagne trekt nieuwe bezoekers aan die nieuwsgierig zijn maar nog niet van plan zijn te kopen; de conversie daalt omdat de nieuwkomers zich anders gedragen dan de vaste klanten. Een drukke locatie in een winkelcentrum profiteert van de bezoekers van een populaire ankerhuurder, maar weet weinig van die klanten voor zichzelf te winnen. Het weer in een bepaald seizoen drijft mensen naar binnen die helemaal niet van plan waren te winkelen.

In elk van die gevallen zag het ruwe bezoekersaantal er bemoedigend uit, terwijl het conversiecijfer eerder had laten zien wat er aan de hand was, als iemand het had bijgehouden.

Wanneer inkomsten stijgen en bezoekersstroom niet

Het omgekeerde is even leerzaam en vaak welkomer. Een winkel vereenvoudigt zijn etalage, deelt de winkelvloer opnieuw in rond een kleiner aantal hoofdcategorieën en traint het personeel gerichter. De bezoekersstroom blijft gelijk: evenveel mensen lopen voorbij en besluiten binnen te komen. Maar het percentage dat koopt stijgt, de gemiddelde mandgrootte stijgt en de inkomsten groeien zonder de marketinguitgaven die nodig zijn om meer bezoekers te trekken.

Dat is een argument om conversie als een eigen hefboom te behandelen. Meer bezoekers aantrekken is duur en de concurrentie is groot, terwijl het converteren van de bezoekers die je al hebt vooral neerkomt op meten en uitvoeren.

Wat de data laat zien en instinct niet

Winkelmanagers voelen aan wanneer een periode druk of rustig is, en daarin hebben ze vaak gelijk. Over het waarom hebben ze bijna nooit gelijk. Was afgelopen dinsdag rustig omdat er minder mensen binnenkwamen, of omdat de mensen die binnenkwamen sneller weggingen en minder kochten? Vanachter de toonbank zien beide gevallen er hetzelfde uit, maar ze vragen om een totaal andere aanpak: meer marketing in het eerste geval, meer merchandising of aandacht van het personeel in het tweede.

Daarom omvat de datalevering van een goed uitgeruste winkel zowel het bezoekersaantal als de tijdstempels waarmee je dat aantal aan je kassaexport kunt koppelen. Die bezoekerstelling komt rechtstreeks uit de bestaande Wi-Fi van het gebouw, zonder camera’s. Zonder beide cijfers stel je een diagnose met maar de helft van de informatie.

Conversie per dag, uur en zone

Zodra je beide cijfers naast elkaar bijhoudt, worden de vragen preciezer. De conversie op zaterdagmiddag kan vijftien punten hoger liggen dan op dinsdagochtend, en de nuttige vervolgvraag is of je daar genoeg personeel voor hebt ingeroosterd. Personeelsplanning op basis van bezoekerspatronen betekent meer mensen op de vloer zetten wanneer er ook werkelijk meer kopers in het gebouw zijn, in plaats van terug te vallen op vaste roosters die de pieken afvlakken.

Data per zone voegt nog een laag toe zodra je bewegingsdata combineert met verkoopdata. Een drukbezocht deel van de winkel dat weinig transacties oplevert, is vaak slecht ingericht of onhandig verlicht, terwijl een deel met minder verkeer dat goed converteert misschien uitbreiding verdient.

Het ketenprobleem

Voor één winkel is het gesprek relatief overzichtelijk. Voor een winkelketen met tientallen vestigingen staat er meer op het spel en leveren de vergelijkingen meer op. Een keten die haar locaties tegelijk op verkeer en conversie kan rangschikken, ziet snel welke vestigingen op de ene maatstaf onderpresteren en op de andere uitblinken, en dat onderscheid bepaalt wat je per vestiging doet. Die rangschikking houdt alleen stand als elke vestiging op dezelfde manier is geteld (zie wat een bezoekersbenchmark werkelijk waard is).

Een locatie met een hoge bezoekersstroom en een lage conversie heeft een ander operationeel probleem dan een locatie met een lage bezoekersstroom en een hoge conversie. Bij de eerste moet er iets gebeuren aan het productaanbod, de indeling of het personeel. De tweede heeft marketing of bewegwijzering nodig om meer passanten binnen te halen, want ze heeft al laten zien dat ze die kan converteren. Zonder beide cijfers zien ze er allebei gewoon uit als vestigingen die onderpresteren.

Tellingen aan kassa’s koppelen via API

De praktische bottleneck is doorgaans integratie. Bezoekersdata en kassadata zitten in verschillende systemen, met een verschillende tijdsgranulariteit en verschillende eigenaars. Een analyseplatform met API-koppeling lost dat op door beide stromen op een gedeelde tijdas te normaliseren. Zo wordt conversie een doorlopende operationele maatstaf in plaats van iets wat iemand één keer per maand in een spreadsheet uitrekent.

Als de conversie op een donderdagmiddag zonder duidelijke externe reden daalt, weet iemand dat de volgende dag en niet pas bij de volgende verkoopevaluatie. Zo wordt bezoekersdata een managementinstrument in plaats van een rapportage-instrument, en verklein je de kloof tussen verkeer en inkomsten actief in plaats van hem af en toe op te merken. Zowel voor flagshipstores als voor ketens werkt de AVG-proof bezoekersanalyse achter dit alles zonder één klant bij naam te identificeren.

Bronnen

• 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