Shoe Palace, fundada en San José (California) en 1993 por la familia Mersho, ha pasado de ser una simple tienda a convertirse en uno de los principales minoristas de zapatillas y ropa urbana del país. Hoy en día cuenta con más de 250 tiendas repartidas por el oeste y el sur de Estados Unidos, con fuertes vínculos con la cultura de las zapatillas y colaboraciones de larga duración con marcas como Nike, Jordan y Adidas. Ese crecimiento supuso ampliar la red de tiendas en entornos muy diferentes —desde centros comerciales muy concurridos hasta tiendas independientes en la calle—, cada uno con sus propios patrones de afluencia y necesidades de personal.
El reto
Durante años, Shoe Palace gestionó sus tiendas sin una forma fiable de medir el rendimiento en relación con la demanda. Las cifras de ventas le decían al equipo lo que había pasado, pero no por qué —ni si un día «tranquilo» era realmente tranquilo—. Sin datos de afluencia, las conversaciones sobre el rendimiento de las tiendas se basaban en el instinto. Las suposiciones sobre las horas punta, los niveles de personal y las comparaciones entre tiendas no tenían una referencia con la que contrastarlas.
«Es difícil imaginar cómo se puede llevar este negocio sin datos de afluencia. Pero la realidad es que hay muchos minoristas que no los tienen. En su momento, nosotros éramos uno de ellos».
— David Lizak, responsable de plataforma, Shoe Palace
Como dice Lizak, llevar una tienda sin datos de tráfico es como conducir un coche sin velocímetro: puedes sentir que vas rápido, pero no tienes forma de confirmarlo.
La solución
Shoe Palace empezó a implementar las soluciones de tráfico de RetailNext en 2018. Para cuando David Lizak se incorporó en 2019, el reto había pasado de la adopción a la formación, y el equipo basó su programa en tres principios.
Que sea sencillo. En lugar de abrumar a los equipos de las tiendas con métricas complejas, Shoe Palace tradujo los datos de tráfico a términos sencillos y prácticos. En lugar de pedir a un empleado a tiempo parcial que calculara porcentajes de conversión, el equipo reformuló los objetivos en torno a algo que el personal ya entendía: atender a un cliente más que ayer.
Crear un lenguaje común. Shoe Palace desarrolló un ratio de personal por tráfico al que apodó TPLH —tráfico por hora de trabajo— que ofrece a cada gerente de tienda una idea intuitiva de si un turno cuenta con el personal adecuado. El ratio convierte una cifra abstracta en una pregunta que cualquier empleado puede responder: ¿podemos atender entre tú y yo a tantos clientes en una hora?
Estandariza en una red diversa. Con tiendas repartidas por California, Texas, Arizona, Nevada y Florida, no hay dos establecimientos iguales. El TPLH permite a Shoe Palace comparar el rendimiento de forma justa, ajustando los resultados según si la tienda está en un centro comercial o en la calle, en lugar de aplicar el mismo criterio a todas las tiendas.
Cada cifra que hay detrás de esas decisiones de dotación de personal parte de un solo dispositivo. Aurora®, el sensor IoT «todo en uno» de RetailNext, ofrece un recuento de personas con una precisión del 95 al 99 % —auditado manualmente en cada instalación— desde una única unidad montada en el techo. Para una red que abarca varios estados y distintos formatos de tienda, esa precisión es lo que hace que la planificación de la plantilla sea fiable a gran escala.
Los resultados
En su segundo año de seguimiento y formación basada en los datos, Shoe Palace había logrado un aumento medio del 10 % en la tasa de conversión respecto al año anterior. Una tienda pasó de una tasa de conversión del 15 % a casi el 17 % en ese periodo.
Planificación de personal más inteligente. TPLH proporcionó al equipo de operaciones un punto de referencia sólido para la dotación de personal que se adapta según el tipo de tienda. Mostrar a los equipos exactamente dónde se producían los picos —y cuánto variaban de una tienda a otra— dio a los responsables la información concreta necesaria para orientar al personal, y proporcionó a la empresa datos agregados para la planificación de toda la red.
Comparaciones justas entre tiendas. Dos tiendas situadas a unas pocas millas de distancia, como la tienda original de Shoe Palace en San José y una tienda cercana en un centro comercial, pueden no tener nada en común en cuanto a patrones de afluencia o datos demográficos. Los datos de RetailNext permiten al equipo comparar entre sí tipos de tiendas similares, en lugar de tener que comparar «manzanas con naranjas» a la hora de analizar el rendimiento.
Mejores decisiones interdepartamentales. Los equipos de marketing y de producto ya no se basan únicamente en suposiciones basadas en las ventas sobre dónde es mayor la demanda. Los datos de afluencia y demográficos ahora orientan la asignación de stock y la estrategia regional.
Suposiciones cuestionadas con datos históricos. Mientras los responsables creían conocer el ritmo de su tienda, las horas punta y las necesidades de personal, Shoe Palace empezó a contrastar esas suposiciones con los datos históricos de afluencia. El resultado: oportunidades perdidas durante franjas de alta afluencia que habían pasado desapercibidas durante años.
Shoe Palace ahora combina los datos de tráfico de RetailNext con plataformas de planificación de personal como StoreForce, lo que permite ver en una sola vista el TPLH, las ventas por hora y los metros cuadrados. Esa integración ayuda al equipo a identificar las horas de mayor actividad y los picos de demanda tienda por tienda, algo que antes de disponer de datos de tráfico era imposible de ver.
