Shoe Palace wurde 1993 von der Familie Mersho in San Jose, Kalifornien, gegründet und hat sich von einem einzigen Ladengeschäft zu einem der führenden Sneaker- und Streetwear-Einzelhändler des Landes entwickelt. Heute betreibt das Unternehmen mehr als 250 Filialen im Westen und Süden der Vereinigten Staaten und zeichnet sich durch eine enge Verbundenheit mit der Sneaker-Kultur sowie langjährige Partnerschaften mit Marken wie Nike, Jordan und Adidas aus. Dieses Wachstum erforderte den Ausbau eines Filialnetzes in sehr unterschiedlichen Umgebungen – von stark frequentierten Standorten in Einkaufszentren bis hin zu eigenständigen Straßenfilialen –, die jeweils eigene Kundenfrequenzmuster und Personalbedürfnisse aufweisen.
Die Herausforderung
Jahrelang betrieb „Shoe Palace“ seine Filialen ohne eine zuverlässige Methode, um die Leistung im Verhältnis zur Nachfrage zu messen. Die Verkaufszahlen zeigten dem Team zwar, was geschehen war, aber nicht, warum – und auch nicht, ob ein „ruhiger“ Tag tatsächlich ruhig war. Ohne Besucherfrequenzdaten basierten Gespräche über die Filialleistung auf Vermutungen. Annahmen zu Stoßzeiten, Personalbedarf und Vergleichen zwischen den Filialen konnten nicht anhand einer Referenzgrundlage überprüft werden.
„Es ist schwer vorstellbar, dieses Geschäft ohne Kundenströme zu betreiben. Doch die Realität ist, dass es viele Einzelhändler gibt, die keine solchen Daten haben. Einst gehörten auch wir zu diesen Einzelhändlern.“
– David Lizak, Plattformmanager, Shoe Palace
Wie Lizak es ausdrückt, gleicht der Betrieb einer Filiale ohne Besucherzahlen dem Fahren eines Autos ohne Tacho: Man hat zwar das Gefühl, schnell zu fahren, kann dies aber nicht überprüfen.
Die Lösung
Shoe Palace begann 2018 mit der Einführung der RetailNext-Lösungen zur Besucherfrequenzerfassung. Als David Lizak 2019 zum Unternehmen stieß, hatte sich die Herausforderung von der Einführung hin zur Schulung verlagert, und das Team baute sein Programm auf drei Grundsätzen auf.
Halten Sie es einfach. Anstatt die Filialteams mit komplexen Kennzahlen zu überfordern, übersetzte „Shoe Palace“ die Besucherzahlen in klare, umsetzbare Begriffe. Anstatt einen Teilzeitmitarbeiter zu bitten, Konversionsraten zu berechnen, formulierte das Team die Ziele neu und bezog sich dabei auf etwas, das die Mitarbeiter bereits verstanden: einen Kunden mehr als gestern bedienen.
Eine gemeinsame Sprache schaffen. „Shoe Palace“ entwickelte ein Verhältnis von Personal zu Kundenfrequenz, das es TPLH – Traffic per Labor Hour – nannte. Damit erhält jeder Filialleiter einen intuitiven Überblick darüber, ob eine Schicht angemessen besetzt ist. Das Verhältnis verwandelt eine abstrakte Zahl in eine Frage, die jeder Mitarbeiter beantworten kann: Können Sie und ich so viele Kunden in einer Stunde bedienen?
Normalisierung über einen vielfältigen Filialbestand hinweg. Da sich die Filialen über Kalifornien, Texas, Arizona, Nevada und Florida verteilen, gleicht kein Standort dem anderen. Mit TPLH kann „Shoe Palace“ die Leistung fair vergleichen und dabei zwischen Einkaufszentrum- und Straßenstandorten unterscheiden, anstatt jede Filiale an denselben Maßstab zu legen.
Jede Zahl, die hinter diesen Personalentscheidungen steht, geht auf ein einziges Gerät zurück. Aurora®, der All-in-One-IoT-Sensor von RetailNext, liefert eine zu 95 bis 99 % genaue Personenzählung – die bei jeder Installation manuell überprüft wird – über ein einziges, an der Decke montiertes Gerät. Für ein Filialnetz, das sich über mehrere Bundesstaaten und Filialformate erstreckt, ist es genau diese Genauigkeit, die eine zuverlässige Personalplanung in großem Maßstab ermöglicht.
Die Ergebnisse
Bereits im zweiten Jahr der Datenerfassung und -auswertung hatte Shoe Palace im Vergleich zum Vorjahr eine durchschnittliche Steigerung der Konversionsrate um 10 % erzielt. Eine Filiale steigerte ihre Konversionsrate in diesem Zeitraum von 15 % auf fast 17 %.
Intelligentere Personalplanung. TPLH lieferte dem Betriebsteam einen soliden Personalbesetzungs-Richtwert, der sich je nach Filialtyp flexibel anpassen lässt. Indem den Teams genau aufgezeigt wurde, wo ihre Spitzenzeiten lagen – und wie stark diese von Filiale zu Filiale variierten –, erhielten die Führungskräfte die notwendigen Details, um ihre Teams entsprechend zu coachen, und das Unternehmen erhielt aggregierte Daten für die flottenweite Planung.
Faire Filialvergleiche. Zwei Filialen, die nur wenige Meilen voneinander entfernt liegen – wie der ursprüngliche Standort von Shoe Palace in San Jose und eine nahegelegene Filiale in einem Einkaufszentrum –, können sich hinsichtlich der Kundenfrequenzmuster oder der demografischen Zusammensetzung völlig unterscheiden. Mithilfe der RetailNext-Daten kann das Team ähnliche Filialtypen miteinander vergleichen, anstatt Leistungen auf der Grundlage von „Äpfeln und Birnen“ zu bewerten.
Bessere funktionsübergreifende Entscheidungen. Marketing- und Produktteams stützen sich nicht mehr ausschließlich auf umsatzbasierte Annahmen darüber, wo die Nachfrage am höchsten ist. Daten zu Kundenfrequenz und demografischen Merkmalen fließen nun in die Bestandsverteilung und die regionale Strategie ein.
Annahmen werden anhand historischer Daten hinterfragt. Während Manager bisher davon ausgingen, den Rhythmus ihrer Filiale, die Spitzenzeiten und den Personalbedarf zu kennen, begann Shoe Palace, diese Annahmen anhand historischer Besucherzahlen zu überprüfen. Das Ergebnis: verpasste Chancen während Zeiten mit hohem Kundenaufkommen, die jahrelang unbemerkt geblieben waren.
Shoe Palace kombiniert nun die Besucherzahlen von RetailNext mit Personalplanungsplattformen wie StoreForce und fasst so TPLH, Umsatz pro Stunde und Verkaufsfläche in einer einzigen Übersicht zusammen. Diese Integration hilft dem Team, die umsatzstärksten Stunden und Spitzenzeiten Filiale für Filiale genau zu bestimmen – etwas, das vor der Verfügbarkeit von Besucherzahlen nicht erkennbar war.
