En 1943, a Abraham Wald le plantearon una pregunta sobre los bombarderos que volvían de sus misiones sobre Europa. Los aviones regresaban con agujeros de bala repartidos por las alas, el fuselaje y la cola, y la conclusión instintiva era clara: reforzar las zonas que sufrían más daños. Wald, que trabajaba con el Grupo de Investigación Estadística de la Universidad de Columbia, se dio cuenta de que el problema no estaba en el análisis, sino en la muestra. Los aviones que se examinaban eran los que habían sobrevivido. Cualquier avión alcanzado en una zona realmente crítica nunca había vuelto para ser examinado, lo que significaba que los daños en los bombarderos que lograban volver a casa solo mostraban dónde podía recibir un impacto un avión y seguir sobreviviendo. Las zonas sin daños no eran seguras. No se habían examinado, porque las pruebas sobre ellas yacían en el fondo del Canal de la Mancha. El trabajo de Wald sobre la supervivencia de los aviones, que más tarde se publicó en el Journal of the American Statistical Association, se convirtió en un ejemplo clásico de lo que pasa cuando se construye un modelo basándose únicamente en los casos que sobrevivieron al proceso que se estaba estudiando.
El sector minorista tiene una versión del mismo problema, y está ahí, a la vista de todos, en cada informe de la junta directiva. En cuanto un cliente completa una compra, la cantidad de información que tiene el minorista sobre él es enorme: el punto de venta sabe qué compró, cuánto pagó y cuándo; los datos de fidelización relacionan esa compra con las anteriores; el análisis de la cesta de la compra revela qué productos se compran juntos; y el valor medio de la compra, las unidades por compra y las ventas por pie cuadrado describen el resultado comercial con todo detalle. Sin embargo, el cliente que entró, se pasó quince minutos echando un vistazo y se fue sin comprar nada desaparece casi por completo de ese panorama, al igual que la persona que miró por el escaparate y siguió su camino, y el comprador que llegó en un momento de mucho ajetreo, no encontró a nadie que le atendiera y se fue.
En el punto de venta no se ve nada de esto. Si no hay transacción, no hay registro. Pero el negocio igual ha perdido algo: un cliente que entró y se fue sin comprar nada. Son como esos aviones que nunca volvieron.
Tu próxima lectura 👉 Por qué ya no basta con contar el tráfico
Cada conjunto de datos que genera una tienda se activa con una compra. Los registros de transacciones, la composición de la cesta, la inscripción en programas de fidelización y la composición de los márgenes se crean en el momento en que alguien dice «sí», lo que los convierte en descripciones precisas de los procesos de compra completados, pero no dicen nada sobre los que se han abandonado. El sector minorista lleva décadas perfeccionándose en la medición del comportamiento exitoso de los clientes, mientras que trata el comportamiento fallido como una ausencia de datos en lugar de como datos en sí mismos.
NielsenIQ describió una versión de este problema en agosto de 2026 en un informe titulado «El comprador invisible: lo que los datos del comercio minorista no te dicen», en el que se argumentaba que los datos del comercio minorista son muy útiles para saber qué te compraron los clientes, pero casi no dicen nada sobre lo que hicieron en otros sitios. La versión en tienda de ese punto ciego es más limitada y más inmediata. No se trata solo de que un cliente haya comprado en otro sitio. Se trata de que estuvo dentro de tu tienda y no compró nada, y ningún sistema registró que hubiera estado allí.
El comercio electrónico nunca tuvo ese punto ciego, porque en Internet es imposible pasar por alto el denominador común. Un equipo digital puede ver las sesiones, las visitas a las páginas de productos, la actividad de búsqueda y los carritos abandonados, así que la conversión se convirtió desde el principio en una métrica operativa natural. Una tienda física siempre ha tenido exactamente el mismo denominador común entrando por sus puertas. Simplemente, no siempre ha tenido una forma fiable de medirlo. Esa única diferencia explica mucho más de lo que parece, porque un negocio que solo puede contar los resultados solo puede crecer generando más resultados. Abre más puertas, amplía el horario, aumenta el stock y contrata a más personal, porque no puedes optimizar una tasa que nunca has calculado.
Esta es precisamente la brecha que Traffic Analytics está diseñado para cubrir. Al medir quién pasa por delante del escaparate, quién entra, cuánta gente hay dentro y cómo se relacionan esos movimientos con las ventas, le da a la transacción un denominador y convierte el rendimiento de la tienda de una cifra total en una tasa que realmente se puede gestionar.
Los datos propios de RetailNext sobre el fin de semana del Black Friday de 2025 muestran lo diferentes que pueden ser la afluencia de clientes y las ventas. Entre el viernes y el lunes, la afluencia a las tiendas bajó un 5,8 % respecto al año anterior y las ventas netas cayeron un 4,4 %, lo que, por sí solo, parece un claro descenso. Sin embargo, el precio medio por unidad subió un 4,4 %, el valor medio de las transacciones aumentó un 2,1 % y el rendimiento por comprador —la venta media generada por cada persona que entró en la tienda— subió ligeramente un 0,3 %. Vino menos gente, pero los comercios sacaron un poco más de cada uno de los que sí vinieron. Una cifra de ingresos por sí sola no permite distinguir entre un problema de demanda y un problema de ejecución, y ambos requieren respuestas opuestas.
Esa misma ambigüedad está presente en todas las clasificaciones de tiendas. Piensa en dos tiendas: la primera factura 2,1 millones de dólares con 180 000 visitas, y la segunda, 1,4 millones con 85 000. Si nos fijamos solo en los ingresos, la primera es la tienda estrella y la segunda es la que da problemas, y la promoción y el plan de rendimiento se asignan en consecuencia. Pero si lo dividimos por el número de visitas, la primera saca 11,67 dólares de cada persona que entra, mientras que la segunda saca 16,47 dólares, lo que supone un 41 % más por cada cliente que recibe. La tienda más tranquila no es la que peor funciona. Es la mejor, pero opera en una zona comercial menos favorable. Si clasificas una cartera por ingresos, descubrirás qué tiendas tienen las mejores ubicaciones. Si la clasificas según la proporción de oportunidades disponibles que cada una aprovecha, descubrirás qué tiendas están bien gestionadas.
Esa segunda clasificación solo es posible cuando se mide el tráfico de forma sistemática en todas las ubicaciones, que es precisamente lo que hace el Benchmarks Hub a partir de datos reales de sensores de miles de tiendas cada mes, en lugar de encuestas o estimaciones basadas en modelos.
Saber que una tienda no está alcanzando todo su potencial de conversión es solo el principio del problema, no el final, y ahí es donde entra en juego Insights. El análisis de la ruta completa, el tiempo de permanencia y los mapas de calor muestran en qué zonas de la tienda los clientes se interesan y en cuáles pierden el interés, lo que permite identificar la zona, el expositor o el recorrido que realmente está provocando esa brecha en la conversión.
Más información 👉 Cómo influye la precisión de los datos de tráfico en los costes de personal y la conversión
En una encuesta realizada en marzo de 2025 a 500 empleados de primera línea del sector minorista de todo Estados Unidos, solo el 36 % afirmó que los horarios del personal se ajustan sistemáticamente al tráfico real de la tienda. Más de la mitad, el 51 %, señaló que la mayoría de las veces les faltaba personal durante las horas punta. Casi tres cuartas partes, el 73 %, habían visto cómo se marchaban clientes porque no había nadie disponible para atenderles, y el 77 % dijo que su tienda pierde ventas con frecuencia por culpa de las decisiones sobre los horarios. Una encuesta paralela realizada en julio de 2025 a 500 empleados del Reino Unido reveló que el 84 % había observado pérdidas de ventas debido a una mala planificación de los turnos, mientras que el 68 % también había visto exceso de personal durante los periodos de menor actividad. El problema rara vez es que haya muy poca gente en total. El problema es que la gente está asignada a horarios equivocados.
Esa diferencia se debe a que la mayoría de los horarios se elaboran a partir de las ventas del año pasado, en lugar de basarse en la demanda prevista para este mes, y las ventas solo te dicen cuándo compró la gente, nunca cuándo llegó. Saber cuánta gente visitó la tienda ayer te da una idea de lo que pasó ayer. Saber cuándo llegará la demanda cambia lo que pasará el mes que viene. Las previsiones de afluencia de RetailNext calculan la demanda en intervalos de 15 minutos con hasta 45 días de antelación usando el historial de cada tienda, lo que permite tener en cuenta la afluencia prevista a la hora de planificar el personal mientras aún se está elaborando el horario, en lugar de después de que ya esté cerrado.
Por supuesto, las previsiones solo tienen sentido si el recuento subyacente es fiable, y el tráfico rara vez es un fin en sí mismo. Se convierte en el denominador de la conversión, la base para la dotación de personal, la referencia para comparar tiendas y un dato clave en las decisiones de marketing y planificación de las tiendas, lo que significa que un pequeño error de medición no se queda en eso. Se propaga por todo el sistema y altera la conclusión al otro lado. Por eso, cada instalación de sensores Aurora® se audita comparándola con un vídeo borroso de una fecha y hora elegidas al azar antes de que se utilicen sus recuentos; se reconfigura y se vuelve a auditar hasta que supera el umbral, y a partir de ahí se vuelve a verificar cada año. En el momento en que los datos de tráfico determinan si una tienda parece tener un problema de conversión o si hay que reasignar personal, deja de ser una métrica y se convierte en infraestructura. Y en la infraestructura hay que confiar.
Una vez que es así, las preguntas surgen más rápido de lo que los paneles de control pueden responderlas, y para eso está Pulse AI. Un responsable regional que vea que la conversión está bajando puede preguntar qué tienda está influyendo en ello, si ha cambiado el tráfico allí y cómo ha estado la dotación de personal en comparación con el mes pasado, en un lenguaje sencillo y de forma secuencial, sin tener que crear un informe entre cada pregunta.
UNTUCKit es un buen ejemplo de lo que cambia, precisamente porque la empresa empezó en Internet y ya sabía cómo gestionar un negocio basado en tarifas. Su operación digital podía ver todo el proceso hasta la compra. Sus tiendas, en cambio, solo veían la transacción final. Una vez que se midió el tráfico en las tiendas y se relacionó con la conversión, la empresa pudo comparar los patrones de tráfico con las ventas, evaluar cada establecimiento en función del número de compradores que recibía realmente y tomar decisiones operativas basadas en algo más que el recuento final de transacciones, lo que se tradujo en un aumento del 6,9 % en la conversión, un incremento del 18 % en el rendimiento por comprador y una reducción del 40 % en los costes de infraestructura informática. La historia del cliente UNTUCKit es importante porque la tecnología no generó ese tráfico. Los clientes ya estaban llegando. La medición simplemente hizo visible su comportamiento.
En definitiva, esto es lo que tiene que ver el ejemplo de Wald con el comercio minorista. El problema nunca fue que los datos disponibles fueran inexactos. El problema era que el proceso que generaba los datos determinaba lo que se podía ver y lo que no. Una base de datos de transacciones describe con gran precisión a los clientes que compraron, pero no explica en absoluto qué pasa con los que se plantearon comprar, entraron y se fueron, o se acercaron al escaparate y siguieron su camino. Esos clientes no han dejado de ser relevantes desde el punto de vista comercial. Simplemente se han vuelto invisibles desde el punto de vista analítico, y un comprador que no puedes ver es una oportunidad que no puedes asignar, medir ni recompensar a nadie por captarla.
Así que probablemente la pregunta más útil ya no sea cuántas personas entraron en la tienda, sino qué pasó con todos aquellos que estuvieron a punto de comprar y al final no lo hicieron. En cuanto un comerciante pueda responder a eso, el análisis del tráfico deja de ser un simple recuento y se convierte en una forma de recuperar esa parte del recorrido del cliente que los datos de las transacciones habían borrado.
Sigue leyendo 👉 ¿Por qué las grandes cadenas minoristas eligen RetailNext?