Aplicaciones del Big Data en el Retail Offline: Analítica In-store

La analítica In-Store o de la tienda física nos va a permitir obtener un gran número de insights o KPIS con los que podremos tener datos objetivos del comportamiento de nuestros clientes, medir el rendimiento del punto de venta y así, tomar las mejores decisiones para nuestro negocio. 

Gracias a la analítica In-Store podemos saber:

• Cuántas personas transitan frente a nuestro punto de venta en las distintas horas del día y días de la semana. Además, podemos conocer cuántas de las mismas entran en nuestro negocio, lo cual nos aportará el llamado porcentaje de captura o tasa de atracción. Obtenemos: Número de transeúntes y % de atracción.
• Cuántas personas entran en nuestro punto de venta por horas, días, semanas, etc. También podemos conocer cuáles son nuestras horas puntas, los días con mayor afluencia o, por el contrario, cuáles son aquellos períodos más flojos y con menor número de visitas. Obtenemos: Número de visitas y Horas punta.

• Cuántas de nuestras visitas son nuevas, es decir, es la primera vez que visitan nuestro punto de venta y cuántas de ellas son repetidas, es decir, ya nos han visitado con anterioridad. Este dato nos permite extraer métricas de fidelización (tasa de repetición). Obtenemos: Número de visitas nuevas, visitas repetidas y % de fidelidad.
• Cuánto tiempo permanecen los clientes dentro de nuestra tienda. Gracias al Big Data es posible conocer cuánto tiempo, de media, pasan los visitantes en el interior de nuestro punto de venta. Obtenemos: Tiempo medio de permanencia en tienda.
• Por qué zonas se mueven nuestros clientes dentro de nuestro negocio. Qué áreas de la tienda gustan más (zonas calientes), cuáles pasan desapercibidas y apenas reciben visitas (zonas frías), qué productos se tocan más, en qué lugares o zonas de la tienda se paran los clientes en mayor medida, etc. Obtenemos: Zonas frías, zonas calientes, tiempo de permanencia por zonas, conversión por zonas…

• Cómo se comportan y si están teniendo una experiencia de compra óptima. Lo sabremos analizando cómo interactúan con los productos expuestos, cuáles se prueban, cuáles tocan, cuáles les gustan más, etc. Obtenemos: Historial de compras, productos probados, interacciones, preferencias, movimientos… 
• Cuánto gastan, el número de transacciones o tickets obtenidos en un intervalo de tiempo concreto, el total de ventas, la venta media o ticket medio, etc. Podremos saber, gracias a los datos y en tiempo real, cómo es el customer journey o viaje del consumidor, desde que éste pasa por delante de nuestro negocio, hasta que compra. Transeúnte – Visita – Venta. Obtenemos: Número de tickets, % de conversión, ticket medio y funnel de conversión.