Im Jahr 1943 wurde Abraham Wald mit einer Frage zu Bombern konfrontiert, die von Einsätzen über Europa zurückkehrten. Die Flugzeuge kehrten mit Einschusslöchern an Flügeln, Rumpf und Heck zurück, und die instinktive Schlussfolgerung lag auf der Hand: Die Bereiche, die den größten Schaden davontrugen, mussten verstärkt werden. Wald, der bei der Statistical Research Group an der Columbia University tätig war, erkannte, dass das Problem nicht in der Analyse, sondern in der Stichprobe lag. Bei den untersuchten Flugzeugen handelte es sich um die Überlebenden. Jedes Flugzeug, das an einer wirklich kritischen Stelle getroffen worden war, war nie zurückgekehrt, um vermessen zu werden; das bedeutete, dass die Schäden an den Bombern, die es nach Hause geschafft hatten, lediglich zeigten, an welchen Stellen ein Flugzeug getroffen werden konnte und dennoch überlebte. Die unbeschädigten Bereiche waren nicht sicher. Sie waren nicht untersucht worden, da die entsprechenden Belege auf dem Grund des Ärmelkanals lagen. Walds Arbeit zur Überlebensfähigkeit von Flugzeugen, die später im „Journal of the American Statistical Association“ dokumentiert wurde, wurde zu einem klassischen Beispiel dafür, was geschieht, wenn ein Modell ausschließlich auf der Grundlage der Fälle erstellt wird, die den untersuchten Vorgang überstanden haben.
Der Einzelhandel hat eine Variante desselben Problems, und diese verbirgt sich in aller Öffentlichkeit in jedem Bericht an den Vorstand. Sobald ein Kunde eine Transaktion abgeschlossen hat, verfügt der Einzelhändler über eine außergewöhnliche Menge an Informationen über ihn: Die Kasse erfasst, was er gekauft, wie viel er bezahlt und wann er bezahlt hat; Treuedaten verknüpfen diesen Kauf mit früheren Einkäufen; die Warenkorb-Analyse zeigt, welche Produkte häufig zusammen gekauft werden; und der durchschnittliche Transaktionswert, die Stückzahl pro Transaktion sowie der Umsatz pro Quadratfuß beschreiben das geschäftliche Ergebnis im Detail. Doch der Kunde, der hereinkam, fünfzehn Minuten lang stöberte und ohne Kauf wieder ging, verschwindet fast vollständig aus diesem Bild – ebenso wie die Person, die durch das Schaufenster schaute und weiterging, und der Kunde, der zur Stoßzeit eintraf, keine Hilfe fand und aufgab.
An der Kasse wird davon nichts registriert. Keine Transaktion bedeutet keinen Datensatz. Doch das Unternehmen hat dennoch etwas verloren: einen Kunden, der hereinkam und ging, ohne etwas zu kaufen. Das sind die Flugzeuge, die nie zurückgekehrt sind.
Ihre nächste Lektüre 👉 Warum die reine Besucherzählung allein nicht mehr ausreicht
Jeder Datensatz, den ein Geschäft generiert, wird durch einen Kauf ausgelöst. Transaktionsdaten, Warenkorbzusammensetzung, Treueprogramm-Anmeldung und Margenzusammensetzung werden alle in dem Moment erstellt, in dem jemand „Ja“ sagt; dadurch stellen sie präzise Beschreibungen abgeschlossener Kaufprozesse dar, während sie über abgebrochene Kaufprozesse keine Auskunft geben. Der Einzelhandel hat Jahrzehnte damit verbracht, sich in der Messung erfolgreichen Kundenverhaltens außerordentlich zu verbessern, während er erfolgloses Verhalten eher als Fehlen von Daten denn als eigenständige Daten betrachtet hat.
NielsenIQ beschrieb eine Ausprägung dieses Problems im August 2026 in einem Bericht mit dem Titel „The Invisible Shopper: What Retail Data Isn’t Telling You“ und argumentierte, dass Einzelhandelsdaten zwar sehr gut Aufschluss darüber geben, was Kunden bei uns gekauft haben, jedoch nahezu nichts darüber aussagen, was Kunden anderswo getan haben. Die Version dieses blinden Flecks im Ladengeschäft ist enger gefasst und unmittelbarer. Es geht nicht nur darum, dass ein Kunde anderswo eingekauft hat. Es geht darum, dass er in Ihrem Geschäft stand und nichts gekauft hat – und kein System hat erfasst, dass er überhaupt dort war.
Im E-Commerce hat sich dieser blinde Fleck nie gebildet, da der Nenner online unmöglich zu übersehen ist. Ein digitales Team kann Sitzungen, Aufrufe von Produktseiten, Suchaktivitäten und Warenkorbabbrüche einsehen, sodass die Konversion von Anfang an zu einer selbstverständlichen Betriebskennzahl wurde. Ein stationäres Geschäft hatte schon immer genau denselben Nenner, der durch seine Türen schritt. Es gab lediglich nicht immer eine zuverlässige Methode, diesen zu messen. Dieser eine Unterschied erklärt weit mehr, als es auf den ersten Blick scheint, denn ein Unternehmen, das nur Ergebnisse zählen kann, kann nur wachsen, indem es mehr Ergebnisse erzielt. Es öffnet mehr Türen, verlängert die Öffnungszeiten, führt mehr Warenbestand und plant mehr Personal ein, denn man kann eine Kennzahl nicht optimieren, die man nie berechnet hat.
Genau diese Lücke soll Traffic Analytics schließen. Indem erfasst wird, wer am Ladenlokal vorbeigeht, wer den Laden betritt, wie viele Personen sich im Laden befinden und wie sich diese Bewegungen auf den Umsatz auswirken, wird der Transaktion ein Nenner zugewiesen und die Ladenleistung von einer Gesamtsumme in eine Kennzahl umgewandelt, die tatsächlich gesteuert werden kann.
Die eigenen Daten von RetailNext zum Black-Friday-Wochenende 2025 zeigen, wie stark sich Kundenfrequenz und Umsatz voneinander unterscheiden können. Im Zeitraum von Freitag bis Montag sank die Kundenfrequenz im Vergleich zum Vorjahr um 5,8 % und der Nettoumsatz um 4,4 %, was für sich genommen als klarer Rückgang zu werten ist. Dennoch stieg der durchschnittliche Stückpreis um 4,4 %, der durchschnittliche Transaktionswert um 2,1 % und der „Shopper Yield“ – also der durchschnittliche Umsatz pro Person, die das Geschäft betrat – stieg leicht um 0,3 %. Es kamen weniger Menschen, und die Einzelhändler erzielten mit jedem einzelnen Besucher einen etwas höheren Ertrag. Eine Umsatzzahl allein kann ein Nachfrageproblem nicht von einem Umsetzungsproblem unterscheiden, und diese beiden erfordern gegensätzliche Maßnahmen.
Dieselbe Mehrdeutigkeit liegt jeder Filialrangliste zugrunde. Betrachten Sie zwei Filialen: Die erste erzielt bei 180.000 Besuchen einen Umsatz von 2,1 Mio. Dollar, die zweite bei 85.000 Besuchen einen Umsatz von 1,4 Mio. Dollar. Betrachtet man allein den Umsatz, so ist die erste Filiale das Vorzeigemodell und die zweite das Problem, und die Beförderungen sowie der Leistungsplan werden entsprechend vergeben. Teilt man den Umsatz jedoch durch die Besucherzahl, so erzielt die erste Filiale 11,67 $ pro Besucher, während die zweite 16,47 $ erzielt – das sind 41 % mehr pro Kundenbesuch. Die weniger frequentierte Filiale ist nicht der schwächere Betreiber. Sie ist die bessere, die in einem schwächeren Einzugsgebiet tätig ist. Ordnen Sie ein Portfolio nach Umsatz, und Sie erfahren, welche Filialen die besten Standorte haben. Ordnen Sie es danach, wie viel des verfügbaren Potenzials jede einzelne Filiale ausschöpft, und Sie erfahren, welche Filialen gut geführt werden.
Diese zweite Rangliste ist erst dann möglich, wenn das Kundenaufkommen an allen Standorten einheitlich erfasst wird – und genau das leistet der Benchmarks Hub, indem er jeden Monat auf der Grundlage tatsächlicher Sensordaten aus Tausenden von Filialen berichtet und nicht auf Umfragen oder modellierten Schätzungen basiert.
Die Erkenntnis, dass eine Filiale ihr Konversionspotenzial nicht voll ausschöpft, ist eher der Anfang als das Ende der Fragestellung – und genau hier setzt Insights an. Mithilfe von Full-Path-Analysen, Verweildauer- und Heatmap-Analysen lässt sich aufzeigen, an welchen Stellen innerhalb der Filiale die Kunden interagieren und an welchen sie das Interesse verlieren, sodass sich eine Konversionslücke auf den Bereich, die Auslage oder den Kundenweg zurückführen lässt, der bzw. die tatsächlich dafür verantwortlich ist.
Erfahren Sie mehr 👉 Wie sich die Genauigkeit von Traffic-Daten auf die Personalkosten und die Konversionsrate auswirkt
In einer Umfrage vom März 2025 unter 500 Mitarbeitern im Direktverkauf in den Vereinigten Staaten gaben nur 36 % an, dass die Dienstpläne konsequent auf das tatsächliche Kundenaufkommen abgestimmt seien. Mehr als die Hälfte, nämlich 51 %, berichtete, dass sie in Stoßzeiten meist unterbesetzt seien. Fast drei Viertel (73 %) hatten bereits erlebt, dass Kunden das Geschäft verließen, weil niemand zur Verfügung stand, um ihnen zu helfen, und 77 % gaben an, dass ihr Geschäft regelmäßig Umsatzeinbußen aufgrund von Entscheidungen zur Dienstplanerstellung erleidet. Eine parallele Umfrage unter 500 Mitarbeitern im Vereinigten Königreich im Juli 2025 ergab, dass 84 % Umsatzverluste aufgrund einer schlechten Schichtplanung beobachteten, während 68 % zudem eine Überbesetzung in ruhigen Zeiten feststellten. Das Problem ist selten, dass insgesamt zu wenige Mitarbeiter zur Verfügung stehen. Vielmehr sind es Mitarbeiter, die zu den falschen Zeiten im Dienst sind.
Diese Lücke entsteht, weil die meisten Planungen auf den Umsätzen des Vorjahres basieren und nicht auf der erwarteten Nachfrage des laufenden Monats, und Umsätze geben lediglich Auskunft darüber, wann Kunden gekauft haben, niemals jedoch darüber, wann sie im Geschäft waren. Zu wissen, wie viele Kunden gestern das Geschäft besucht haben, erklärt lediglich die Situation von gestern. Zu wissen, wann die Nachfrage eintreffen wird, verändert die Situation im nächsten Monat. Die Besucherprognosen von RetailNext sagen die Nachfrage in 15-Minuten-Intervallen bis zu 45 Tage im Voraus anhand der eigenen historischen Daten jedes Geschäfts voraus. Dadurch fließt die erwartete Besucherzahl bereits in die Personalplanung ein, während der Dienstplan noch erstellt wird – und nicht erst, nachdem er bereits feststeht.
Prognosen sind natürlich nur dann von Bedeutung, wenn die zugrunde liegenden Zählwerte zuverlässig sind, und die Besucherzahlen sind selten ein Endpunkt. Sie dienen als Nenner bei der Konversion, als Grundlage für die Personalplanung, als Referenz für den Filialvergleich und als Input für Entscheidungen im Marketing und in der Filialplanung – was bedeutet, dass ein kleiner Messfehler nicht klein bleibt. Er breitet sich im gesamten System aus und verändert die Schlussfolgerung am anderen Ende. Aus diesem Grund wird jede Aurora®-Sensorinstallation anhand von unscharfen Videoaufnahmen eines zufällig ausgewählten Datums und einer zufällig ausgewählten Uhrzeit überprüft, bevor ihre Zählwerte überhaupt verwendet werden; sie wird so lange neu konfiguriert und erneut geprüft, bis sie den Schwellenwert erfüllt, und danach jährlich erneut verifiziert. An dem Punkt, an dem die Besucherdaten darüber entscheiden, ob eine Filiale offenbar ein Konversionsproblem aufweist oder ob Personal umverteilt werden sollte, sind sie keine bloße Kennzahl mehr, sondern werden zur Infrastruktur. Und dieser Infrastruktur muss man vertrauen können.
Sobald dies der Fall ist, kommen die Fragen schneller, als Dashboards sie beantworten können – und genau dafür gibt es Pulse AI. Ein Regionalleiter, der einen Rückgang der Konversionsrate feststellt, kann in einfacher Sprache und nacheinander abfragen, welche Filiale dafür verantwortlich ist, ob sich dort die Besucherzahlen verändert haben und wie die Personalausstattung im Vergleich zum Vormonat aussah, ohne zwischen jeder Frage einen Bericht erstellen zu müssen.
UNTUCKit ist ein anschauliches Beispiel dafür, was sich verändert hat – gerade weil das Unternehmen online gestartet war und bereits über das Know-how für ein Online-Geschäft verfügte. Der digitale Bereich konnte den gesamten Weg bis zum Kauf nachverfolgen. Die Filialen hingegen konnten lediglich die Transaktion am Ende dieses Weges erfassen. Sobald die Besucherzahlen in den Filialen gemessen und mit der Konversionsrate verknüpft wurden, konnte das Unternehmen die Besucherentwicklungen mit den Umsätzen vergleichen, jeden Standort anhand der tatsächlich verzeichneten Besucherzahlen bewerten und betriebliche Entscheidungen auf einer fundierteren Grundlage als der reinen Anzahl der abgeschlossenen Transaktionen treffen. Dies führte zu einer gemeldeten Steigerung der Konversionsrate um 6,9 %, einer Erhöhung der Kundenrendite um 18 % und einer Senkung der IT-Infrastrukturkosten um 40 %. Die UNTUCKit-Kundenreferenz ist von Bedeutung, da die Technologie diesen Kundenverkehr nicht erst geschaffen hat. Die Kunden kamen bereits von sich aus. Die Messung hat lediglich ihr Verhalten sichtbar gemacht.
Genau das ist letztlich der Zusammenhang zwischen Walds Beispiel und dem Einzelhandel. Das Problem bestand nie darin, dass die verfügbaren Daten ungenau waren. Vielmehr bestimmte der Prozess, durch den die Daten generiert wurden, was überhaupt sichtbar war. Eine Transaktionsdatenbank beschreibt Kunden, die gekauft haben, mit großer Präzision, während sie Kunden, die einen Kauf in Erwägung gezogen, den Laden betreten und wieder verlassen oder sich dem Laden näherten und dann weitergingen, überhaupt nicht erfasst. Diese Kunden haben nicht aufgehört, wirtschaftlich relevant zu sein. Sie sind lediglich analytisch unsichtbar geworden, und ein Kunde, den man nicht sehen kann, ist eine Chance, die man niemandem zuweisen, messen oder für deren Erfassung belohnen kann.
Die sinnvollste Frage lautet daher wahrscheinlich nicht mehr, wie viele Personen den Laden betreten haben. Vielmehr geht es darum, was mit all jenen geschehen ist, die kurz davor standen, etwas zu kaufen, es aber letztendlich doch nicht getan haben. Sobald ein Einzelhändler diese Frage beantworten kann, ist die Besucheranalyse nicht mehr nur eine Zählübung, sondern wird zu einem Mittel, um den Teil der Customer Journey wiederherzustellen, der durch die Transaktionsdaten ausgelöscht wurde.
Lesen Sie weiter 👉 Warum sich große Einzelhandelsunternehmen für RetailNext entscheiden