„Kapacita prodejny je obsazená z 34 %.“ Určitě to znáte. Obchodníci a poskytovatelé některých služeb musí od listopadu 2020 monitorovat (a regulovat) počet zákazníků na ploše. A tak nejsou podobná sdělení umístěná na digitálních plochách u vchodu ničím zvláštním. Počítání příchozích a odchozích zákazníků je ale jen špičkou ledovce v možnostech, které in-store analytika dává. A data rozhodně nemusí sloužit jen k regulaci návštěvníků. Můžou pomoci ušetřit náklady, nebo naopak (ještě více) vydělávat.
Zatímco data z interního CRM, případně data o prodejích popisují „jen“ konec zákaznické cesty, tedy samotný nákup, případně jakoukoli jinou na prodejně provedenou konverzi, data z in-store analytiky ukazují téměř vše, co se děje předtím, než zákazník (ne)nakoupí. A to včetně dění před prodejnou.
Mimochodem, podle dat odborníků z projektu Pygmalios, se kterými zajišťujeme sběr a vyhodnocování dat z prodejen a poboček pro naše klienty, nedokážou obchodníci zachytit a vyhodnotit více než 90 % chování zákazníků na prodejnách.
Mnohdy tak vědí jen to, kolik zákazníků nakoupilo, už ale netuší, kolik jich okolo prodejny prošlo, kolik následně vstoupilo dovnitř. Nemají informace, kudy prodejnou brouzdají, jak dlouho čekají na obsluhu, kolik času tráví ve frontách nebo při komunikaci s obsluhou. A jestli tak nepřichází o zisk, protože se jim nedaří naplno využít potenciál.
Tohle všechno přitom dokážou chytré systémy změřit. A nejen to – získaná data propojí s informacemi o prodejích nebo třeba s tím, jaké bylo v daný den venku počasí. Výsledkem je tak skutečně plastický obrázek toho, co se na pobočkách děje a co do budoucna změnit. Ostatně, podívejme se, na které otázky dokážou posbíraná, vyhodnocená a správně interpretovaná in-store data odpovědět.
Kdo k nám na prodejny chodí a kdy?
Základní otázka, na kterou dokáže in-store analytika nabídnout odpověď. Informace z čidel, detektorů a senzorů dokáže systém (i s pomoci AI) přetavit v informace o tom, kolik je na pobočce v jakou denní dobu lidí, kolik tu stráví času a kde konkrétně ten čas stráví. Systém dokáže určit, zda jde o nového, nebo vracejícího se zákazníka, pozná jeho pohlaví a zařadí ho i do příslušné věkové skupiny. Všechna data zároveň vyhodnocuje v čase a dokáže vysledovat dlouhodobé trendy, ale třeba i lokální abnormality. A na ty může firma reagovat.
Třeba tím, že jako O2 posílí na prodejnách týmy konzultantů právě v časech, kdy do nich míří nejvíce zákazníků. Nebo dopoledne zvýší počet pokladních na pokladnách, byť by k obsluze stačili samoobslužné kiosky – a to proto, že mezi zákazníky převažují lidé v seniorském věku, kteří s nimi pracovat neumí.
In-store analytika a soukromí
Data, která klienti získávají, jsou velmi přesná (počet zákazníků systém určí s přesností 95 % a s vyloučením členů personálu, jejich pohlaví pak s přesností 90 %), zároveň jsou ale samozřejmě anonymní. Vše je v souladu s GDPR, systém nesbírá žádná osobní data. Součástí řešení jsou sice video senzory, ty ale video nikam nestreamují, ani nezaznamenávají, pracují pouze s takzvanými meta daty, která vyhodnocují, a to v reálném čase.
Naplňujeme potenciál, který konkrétní pobočka má?
V O2 společně s experty z Pygmalios nabízíme řešení, které vyhodnocuje nejen dění na pobočce, ale i v jejím bezprostředním okolí. A dokážeme dokonce vyhodnotit i to, zda jsou zákazníci věrní jedné pobočce, nebo je střídají (hodnota tzv. cross visits).
V praxi jsme tak už několika klientům doporučili upravit provozní hodiny. Data zkrátka říkala, že je otevřeno zbytečně brzo ráno, kdy je místo frekventované jen minimálně, a naopak zavírá příliš brzo – ve chvíli, kdy teprve vrcholí (pod)večerní špička. I drobná změna provozní doby pak může přinést dvouciferné procentuální navýšení tržeb.
Vysoká míra cross visits pak může poukazovat třeba na to, že zákazníci proudí z jedné prodejny na jiné, protože je v některé dny odrazují dlouhé fronty, které se na některých frekventovaných pobočkách tvoří, nebo třeba nedostatek akčního zboží, kterým jiná prodejna netrpí, případně absence části sortimentu. I s tím by měl (a díky datům i může) management pracovat.
Jsou naše služby zákazníkům kvalitní a efektivní?
Díky in-store analytice dokážeme identifikovat místa a časy, ve kterých zákazníci čekají nejdelší čas – ať už ve frontě, nebo na obsluhu, která se věnuje někomu jinému. A podle toho upravit rozpis a obsazení směn tak, abyste se zbytečným prodlevám vyhnuli.
Když vám směny naplánuje umělá inteligence
Mít data a správně vyhodnotit data. To jsou dvě rozdílné disciplíny. V O2 je ale dokážeme spojit do jediné, a díky systému Pygmalios Optimal Workforce automaticky naplánovat směny a kapacity zaměstnanců tak, aby jich byl optimální počet. Nikdy se vám tak nestane, že bude polovina osazenstva pobočky v některé časy nevyužitá a v jiný okamžik personál nebude stíhat.
Systém sám na základě kombinace dat o prodejnách, prodejích, informací z in-store analytiky a HR datech navrhne a rozplánuje směny. Report je manažerovi k dispozici v aplikaci a ten ho může upravit podle reálných možností. Systém mu také nabídne informace o tom, jak bude vypadat například z pohledu revenue optimální a reálný stav. Asi není nutné dodávat, že tato data jsou pak ideálním podkladem třeba pro rozhodnutí o náboru dalších zaměstnanců.
Hloubka informací pak může sahat až na úroveň jednotlivých konzultantů, případně prodejců. Tráví někteří z nich se zákazníky až příliš dlouhý čas? Možná zjistíte, že je to v pořádku, protože je jejich konverzní míra dramaticky vyšší než u ostatních zaměstnanců. Anebo si „jen“ potvrdíte svůj dojem, že je zaměstnanec neefektivní.
Funguje náš marketing?
Data vám mohou říci, o kolik procent se zvedl počet nových zákazníků po představení nové služby. A zda jsou to lidé z vaší cílové skupiny. Z dat vykoukáte i to, do kterých částí obchodu míří vaši zákazníci nejčastěji. Je to ta část, kde prezentujete novinky z letáku nebo katalogu?
Atraktivní a zajímavou metrikou může být i takzvaný bounce rate – tedy informace o tom, kolik lidí vejde do prodejny, ale hned ve dveřích se otočí a odejde. Trenduje rostoucí míra okamžitého opuštění s nákupními špičkami? Pak jsou tou pomyslnou stopkou třeba dlouhé fronty. Nebo to, že je vchod do prodejny zaskládaný krabicemi s novým zbožím. Vliv může mít i třeba i nové přeskupení prodejny, které někoho znejistí, jiného rovnou odradí od vstupu.
Pomůžeme vám zefektivnit chod vašich poboček
Ať už potřebujete najít chytré a efektivní řešení pro management obsazenosti prodejny, nebo vás in-store analytika zajímá do většího detailu, ozvěte se nám. Rádi s vámi probereme všechny možnosti, které díky propojení s platformou Pygmalios máte.
A ty v retailu nekončí jen u analytiky:
