Footfall data begrijpen: winkelbezoek omzetten in bruikbare inzichten

Footfall data laat zien hoeveel mensen een winkel bezoeken en, afhankelijk van de gebruikte sensortechnologie, hoe bezoekersstromen zich binnen een locatie ontwikkelen. In combinatie met verkoopgegevens, personeelsplanning en marketinginformatie ontstaat een veel completer beeld van de winkelprestaties dan met omzetcijfers alleen.

Door bezoekersgegevens goed te analyseren kunnen retailers onder andere conversie meten, piekuren herkennen, personeelsplanning verbeteren en veranderingen in winkelindeling of promoties objectiever beoordelen.

Wat is footfall data?

Footfall data bestaat in de basis uit gegevens over het aantal personen dat een winkel, winkelcentrum of andere fysieke locatie bezoekt. Moderne systemen kunnen, afhankelijk van de gebruikte technologie, aanvullende informatie leveren over bijvoorbeeld bewegingsrichting, bezetting, verblijfsduur en het gebruik van specifieke zones.

Transactiedata registreert alleen wat daadwerkelijk is verkocht. Footfall data voegt daar informatie aan toe over het aantal potentiële klanten dat de winkel heeft bezocht.

Hierdoor kunnen retailers bijvoorbeeld onderscheid maken tussen een omzetdaling die wordt veroorzaakt door minder bezoekers en een omzetdaling waarbij het bezoekersvolume gelijk blijft maar de conversie afneemt.

Van bezoekersaantallen naar retail analytics

Een eenvoudige personenteller geeft antwoord op de vraag hoeveel mensen een entree passeren. Uitgebreidere systemen kunnen daarnaast informatie verzamelen over:

• IN- en OUT-bezoekersstromen;
• actuele of historische bezetting;
• verblijfsduur binnen geconfigureerde zones;
• bezoekersvolume per uur, dag, week of seizoen;
• verschillen tussen ingangen, zones of winkellocaties.

Welke gegevens beschikbaar zijn, hangt af van de gekozen sensor, installatie en softwareconfiguratie.

Footfall data versus transactiedata

Transactiedata laat zien hoeveel klanten een aankoop hebben gedaan en hoeveel omzet daarmee is gerealiseerd. Footfall data laat zien hoeveel potentiële klanten de winkel hebben bezocht.

Wanneer de verkoop tegenvalt, kunnen daar verschillende oorzaken achter zitten:

• minder bezoekers;
• een lagere conversieratio;
• onvoldoende personeelsbezetting tijdens drukke perioden;
• een minder effectieve winkelindeling;
• lange wachtrijen bij de kassa;
• een promotie die wel bezoekers aantrekt maar onvoldoende verkopen oplevert.

Door footfall en verkoopgegevens naast elkaar te analyseren wordt duidelijker waar het probleem daadwerkelijk ontstaat.

Bezoekersaantallen zijn niet hetzelfde als footfall inzichten

Een dagelijks bezoekersaantal is nuttig, maar vertelt slechts een deel van het verhaal. Twee winkels kunnen bijvoorbeeld allebei 1.000 bezoekers ontvangen en toch sterk verschillende omzetresultaten behalen.

Door bezoekersaantallen te combineren met andere KPI's kunnen retailers analyseren:

• welk percentage bezoekers daadwerkelijk koopt;
• op welke uren de conversie het hoogst of laagst is;
• welke locaties meer bezoekers nodig hebben en welke vooral hun conversie moeten verbeteren;
• hoe bezoekersstromen veranderen na aanpassingen in de winkel.

Footfall data wordt daardoor vooral waardevol wanneer de cijfers in hun operationele en commerciële context worden bekeken.

Welke technologieën worden gebruikt voor footfall meting?

Er bestaan verschillende technologieën voor personentelling en bezoekersanalyse. De juiste keuze hangt af van de entree, bezoekersdichtheid, gewenste informatie, privacyvereisten en beschikbare infrastructuur.

Infrarood personentelling

Infraroodsensoren registreren wanneer een persoon een onzichtbare infraroodstraal tussen twee sensorunits onderbreekt. Deze technologie is vooral geschikt voor duidelijke doorgangen en standaard winkelentrees.

Afhankelijk van het model kan infrarood worden gebruikt voor eenvoudige passage telling of bidirectionele IN/OUT-telling.

Radar voor personentelling

SensMax TAC-B radar gebruikt 60 GHz mmWave-technologie om beweging en aanwezigheid te detecteren zonder camera's.

Radar is niet afhankelijk van zichtbaar licht en kan meerdere personen binnen een groter detectiegebied volgen. Afhankelijk van het model en de configuratie zijn functies mogelijk zoals IN/OUT-telling, realtime bezetting, meerdere tellijnen en zones en analyse van verblijfsduur.

Cameragebaseerde systemen

Camerasystemen gebruiken beeldanalyse om personen en bewegingen te herkennen. Afhankelijk van het systeem kunnen aanvullende functies beschikbaar zijn, zoals heatmaps of uitgebreidere visuele analyse.

Omdat beeldgegevens worden gebruikt, vereisen dergelijke systemen extra aandacht voor privacy, gegevensverwerking en installatieomstandigheden.

Andere technologieën

Ook thermische sensoren en andere detectietechnologieën worden gebruikt voor personentelling. Iedere technologie heeft eigen voordelen en beperkingen. Er bestaat daarom geen universeel beste meetmethode voor iedere retailomgeving.

Nauwkeurigheid, privacy en betrouwbare footfall data

De kwaliteit van footfall analyse begint bij betrouwbare meetgegevens. Een foutief geïnstalleerde sensor kan leiden tot verkeerde conclusies, ongeacht hoe uitgebreid het dashboard is.

Belangrijke aandachtspunten zijn:

• de juiste technologie kiezen voor de entree en bezoekersstroom;
• sensoren correct positioneren en configureren;
• periodiek controleren of de telling overeenkomt met de werkelijke situatie;
• rekening houden met bezoekersdichtheid en mogelijke obstakels;
• duidelijk bepalen welke gegevens daadwerkelijk nodig zijn.

Privacy speelt daarbij eveneens een belangrijke rol. SensMax infrarood- en radarsystemen maken geen foto's of video-opnames en registreren geen gezichten of andere visuele persoonlijke identificatiegegevens.

Belangrijke KPI's uit footfall data

Bezoekersaantallen krijgen meer betekenis wanneer ze worden omgezet in KPI's die gekoppeld kunnen worden aan operationele en commerciële prestaties.

Conversieratio

De retailconversie geeft aan welk percentage winkelbezoekers daadwerkelijk een aankoop doet.

De basisformule is:

Conversieratio = aantal transacties ÷ aantal bezoekers × 100%

Bij 200 transacties en 1.000 bezoekers bedraagt de conversieratio bijvoorbeeld 20%.

Bezoekersvolume per periode

Door bezoekersaantallen per uur, dag, week of maand te vergelijken worden piekuren, rustige perioden en seizoenspatronen zichtbaar.

Bezetting

Bij bidirectionele of realtime systemen kan worden berekend hoeveel personen zich op een bepaald moment binnen een locatie bevinden.

Verblijfsduur

Bij systemen die zoneanalyse ondersteunen kan worden gemeten hoe lang bezoekers gemiddeld binnen een geconfigureerde zone aanwezig zijn.

Dit kan nuttig zijn bij bijvoorbeeld promotionele displays, wachtruimtes of specifieke commerciële gebieden.

Van footfall analytics naar concrete retailbeslissingen

Het verzamelen van gegevens op zichzelf verbetert de winkelprestaties niet. De waarde ontstaat wanneer retailers de informatie gebruiken om hypotheses te testen en operationele veranderingen te beoordelen.

Een winkel kan bijvoorbeeld constateren dat een bepaalde periode veel bezoekers aantrekt maar relatief weinig transacties oplevert. Mogelijke oorzaken kunnen zijn:

• onvoldoende personeel;
• lange wachttijden;
• onduidelijke productpresentatie;
• een promotie die verkeer genereert maar weinig koopintentie;
• een winkelindeling die bezoekers onvoldoende naar relevante producten leidt.

Footfall data bewijst niet automatisch welke oorzaak verantwoordelijk is, maar helpt retailers wel om gerichter te onderzoeken waar verbetering mogelijk is.

Footfall data gebruiken voor winkelindeling en merchandising

Een winkelindeling hoeft niet uitsluitend op ervaring of gevoel te worden beoordeeld. Met zone- en bezoekersgegevens kunnen veranderingen vóór en na implementatie worden vergeleken.

Retailers kunnen bijvoorbeeld onderzoeken:

• welke zones veel of weinig bezoekers ontvangen;
• of een nieuw display meer bezoekers aantrekt;
• of bezoekers langer in een bepaalde zone blijven na een wijziging;
• hoe het gebruik van een gebied verandert nadat producten zijn verplaatst;
• of aangepaste routing het bezoekersverkeer anders verdeelt.

De beschikbare analyses hangen af van de gebruikte personentellingstechnologie. Een eenvoudige infraroodsensor bij de entree levert bijvoorbeeld geen volledige analyse van bewegingen door de winkel, terwijl een configureerbaar radarsysteem meerdere zones binnen zijn detectiegebied kan monitoren.

Drukke en rustige zones herkennen

Wanneer verschillende zones afzonderlijk worden gemeten, kunnen retailers gebieden herkennen die structureel veel of weinig verkeer ontvangen.

Deze informatie kan worden gebruikt om:

• productpresentaties op andere locaties te testen;
• bewegwijzering aan te passen;
• personeel tijdens piekuren anders te verdelen;
• promotionele zones met elkaar te vergelijken;
• de impact van wijzigingen in de winkelindeling te meten.

Het is daarbij belangrijk om bezoekersdata samen met verkoopgegevens en operationele observaties te beoordelen. Veel bezoekers in een zone betekent niet automatisch dat die zone commercieel goed presteert.

Footfall data voor betere personeelsplanning

Personeel is een belangrijke kostenpost in retail. Wanneer personeelsroosters worden afgestemd op werkelijke bezoekerspatronen kunnen winkels drukke perioden beter opvangen zonder tijdens rustige uren structureel te veel personeel in te plannen.

Footfall gegevens helpen bijvoorbeeld bij:

• het herkennen van structurele piekuren;
• het vergelijken van werkdagen en weekenden;
• het plannen van kassabezetting;
• het aanpassen van roosters tijdens promoties of evenementen;
• het vergelijken van bezoekersvolume met gewerkte uren.

Realtime systemen kunnen daarnaast actuele bezoekersdrukte zichtbaar maken, terwijl historische gegevens vooral geschikt zijn voor planning op langere termijn.

Dagelijkse footfall rapporten gebruiken voor langetermijnanalyse

Een enkele drukke of rustige dag zegt weinig. De grootste waarde ontstaat wanneer footfall data over langere perioden wordt verzameld en structureel wordt vergeleken.

Dagelijkse rapporten kunnen helpen om:

• onverwachte stijgingen of dalingen te herkennen;
• het effect van tijdelijke promoties te onderzoeken;
• verschillen tussen werkdagen zichtbaar te maken;
• terugkerende seizoenspatronen te herkennen;
• filialen met elkaar te vergelijken.

Van historische patronen naar operationele richtlijnen

Wanneer voldoende historische gegevens beschikbaar zijn, kunnen retailers vaste operationele regels ontwikkelen, bijvoorbeeld voor:

• personeelsbezetting per uur of dag;
• extra kassacapaciteit tijdens voorspelbare pieken;
• timing van promoties;
• openingstijden;
• planning rond feestdagen en seizoensperiodes.

Footfall data visualiseren in dashboards

Bezoekersgegevens zijn eenvoudiger te interpreteren wanneer ze duidelijk worden gevisualiseerd. Een dashboard kan bijvoorbeeld bezoekersaantallen per uur, dag, winkel of periode weergeven.

Afhankelijk van de beschikbare data kunnen visualisaties bestaan uit:

• tijdgrafieken voor bezoekersaantallen;
• vergelijkingen tussen verschillende winkels;
• IN/OUT-statistieken;
• bezettingsgrafieken;
• gegevens over verblijfsduur en zones.

Heatmaps en uitgebreide routevisualisaties vereisen specifieke sensortechnologie en zijn niet automatisch beschikbaar bij iedere personenteller.

Footfall data voor langetermijnplanning

Historische bezoekersgegevens kunnen naast dagelijkse operationele beslissingen ook worden gebruikt voor strategische planning.

Retailers kunnen footfall trends meenemen bij:

• seizoensplanning;
• personeelsbudgetten;
• voorraadplanning;
• evaluatie van openingstijden;
• vergelijking van winkellocaties;
• beoordeling van uitbreidingen of verhuizingen.

Een locatie met hoge omzet maar uitzonderlijk veel bezoekers kan bijvoorbeeld een heel andere commerciële prestatie leveren dan een winkel die dezelfde omzet behaalt met aanzienlijk minder footfall.

Footfall data combineren met marketinganalyse

Footfall kan ook worden gebruikt om veranderingen in fysiek winkelbezoek rond marketingcampagnes te analyseren.

Retailers kunnen bezoekersaantallen vergelijken:

• vóór en tijdens een campagne;
• tussen promotionele en normale perioden;
• tussen verschillende winkels;
• tussen vergelijkbare campagnes uit verschillende perioden.

Een stijging in footfall tijdens een campagne laat zien dat winkelbezoek is veranderd, maar bewijst op zichzelf niet welke individuele advertentie of marketinguiting het bezoek heeft veroorzaakt. Voor volledige attributie zijn aanvullende gegevens en systemen nodig.

Veelvoorkomende uitdagingen bij footfall analyse

Footfall data moet altijd in context worden geïnterpreteerd. Alleen naar het totale bezoekersaantal kijken kan tot verkeerde conclusies leiden.

Veelvoorkomende uitdagingen zijn:

• onjuiste sensorinstallatie of configuratie;
• bezoekersaantallen analyseren zonder verkoopdata;
• verschillende winkels vergelijken zonder rekening te houden met locatie of openingstijden;
• zonegegevens interpreteren zonder te weten wat er in die zone gebeurt;
• te veel conclusies trekken uit korte meetperioden;
• privacy en gegevensbeheer onvoldoende meenemen bij de keuze van technologie.

De toekomst van footfall analytics

Footfall analyse verschuift steeds meer van losse bezoekersaantallen naar geïntegreerde retail analytics. Door historische bezoekersdata te combineren met verkoop-, personeels- en andere bedrijfsgegevens kunnen retailers betere voorspellingen en operationele modellen ontwikkelen.

Geavanceerde analytics kan bijvoorbeeld worden gebruikt voor:

• het voorspellen van verwachte bezoekerspieken op basis van historische patronen;
• het automatisch herkennen van afwijkende bezoekersaantallen;
• het ondersteunen van personeels- en capaciteitsplanning;
• het vergelijken van prestaties binnen grotere winkelnetwerken.

De kwaliteit van dergelijke analyses blijft afhankelijk van betrouwbare brongegevens en voldoende historische data. Voorspellende modellen zijn daarom een aanvulling op nauwkeurige personentelling, geen vervanging ervan.

Van winkelbezoek naar bruikbare inzichten

Footfall data wordt pas echt waardevol wanneer bezoekersaantallen worden gekoppeld aan de vragen die een retailer wil beantwoorden. Hoeveel potentiële klanten bezoeken de winkel? Wanneer ontstaan piekmomenten? Welk percentage koopt daadwerkelijk? Welke locaties groeien in bezoekersaantallen en welke winkels verbeteren vooral hun conversie?

Door betrouwbare personentelling te combineren met duidelijke rapportage en commerciële gegevens kunnen retailers winkelprestaties beter begrijpen en beslissingen nemen op basis van werkelijke bezoekerspatronen in plaats van aannames.