En 1943, on a posé à Abraham Wald une question concernant les bombardiers revenant de missions au-dessus de l’Europe. Les appareils rentraient avec des impacts de balles disséminés sur leurs ailes, leur fuselage et leur queue, et la conclusion instinctive était simple : renforcer les zones subissant le plus de dégâts. Wald, qui travaillait au sein du Groupe de recherche statistique de l’université de Columbia, s’est rendu compte que le problème ne résidait pas dans l’analyse, mais dans l’échantillon. Les avions examinés étaient ceux qui avaient survécu. Tout avion touché dans une zone véritablement critique n’était jamais revenu pour être examiné, ce qui signifiait que les dommages constatés sur les bombardiers qui avaient réussi à rentrer indiquaient uniquement les endroits où un avion pouvait être touché tout en survivant. Les zones intactes n’étaient pas sûres. Elles n’avaient pas été examinées, car les preuves les concernant gisaient au fond de la Manche. Les travaux de Wald sur la capacité de survie des avions, publiés par la suite dans le Journal of the American Statistical Association, sont devenus une illustration classique de ce qui se produit lorsqu’un modèle est construit uniquement à partir des cas ayant survécu au processus étudié.
Le secteur de la vente au détail est confronté à une variante de ce même problème, qui se cache à la vue de tous dans chaque rapport du conseil d’administration. Dès qu’un client a effectué une transaction, la quantité d’informations dont dispose le détaillant à son sujet est extraordinaire : le point de vente sait ce qu’il a acheté, combien il a payé et à quel moment ; les données de fidélité relient cet achat aux précédents ; l’analyse du panier révèle quels produits sont souvent achetés ensemble ; et la valeur moyenne des transactions, le nombre d’unités par transaction et le chiffre d’affaires au mètre carré décrivent en détail les résultats commerciaux. Pourtant, le client qui est entré, a passé quinze minutes à flâner et est reparti les mains vides disparaît presque entièrement de ce tableau, tout comme la personne qui a jeté un coup d’œil par la vitrine avant de poursuivre son chemin, et le client qui est arrivé à l’heure de pointe, n’a pas trouvé d’aide et a fini par renoncer.
Le point de vente n'en voit rien. Pas de transaction signifie pas d'enregistrement. Mais l'entreprise a tout de même perdu quelque chose : un client qui est entré et reparti sans rien acheter. Ce sont ces clients qui ne sont jamais revenus.
Votre prochaine lecture 👉 Pourquoi le simple comptage du trafic ne suffit plus
Chaque ensemble de données généré par un magasin est déclenché par un achat. Les enregistrements de transactions, la composition du panier, l’adhésion au programme de fidélité et la composition des marges sont tous créés au moment où un client se décide à acheter, ce qui en fait des descriptions précises des parcours menés à bien, mais qui ne fournissent aucune information sur ceux qui ont été abandonnés. Le secteur de la vente au détail a passé des décennies à développer une expertise exceptionnelle dans la mesure des comportements clients fructueux, tout en considérant les comportements infructueux comme une absence de données plutôt que comme des données à part entière.
NielsenIQ a décrit une variante de ce problème en août 2026 dans un rapport intitulé « The Invisible Shopper : What Retail Data Isn't Telling You » (L'acheteur invisible : ce que les données du commerce de détail ne vous révèlent pas), en faisant valoir que les données du commerce de détail permettent très bien de savoir ce que les clients ont acheté chez vous, mais ne fournissent pratiquement aucune information sur ce qu'ils ont fait ailleurs. La version « en magasin » de cet angle mort est plus restreinte et plus immédiate. Il ne s’agit pas seulement du fait qu’un client ait acheté ailleurs. Il s’agit du fait qu’il se soit rendu dans votre magasin sans rien acheter, et qu’aucun système n’ait enregistré sa présence.
Le commerce électronique n’a jamais connu ce « point aveugle », car en ligne, le dénominateur est impossible à manquer. Une équipe numérique peut voir les sessions, les pages-produits consultées, l’activité de recherche et les abandons de panier ; la conversion est donc devenue dès le départ un indicateur opérationnel naturel. Un magasin physique a toujours eu exactement le même dénominateur franchissant ses portes. Elle n’a tout simplement pas toujours disposé d’un moyen fiable de le mesurer. Cette seule différence en dit bien plus long qu’il n’y paraît, car une entreprise qui ne peut compter que les résultats ne peut se développer qu’en générant davantage de résultats. Elle ouvre davantage de portes, prolonge ses horaires d’ouverture, augmente ses stocks et prévoit davantage de personnel, car il est impossible d’optimiser un taux que l’on n’a jamais calculé.
C'est précisément cette lacune qu'Traffic Analytics a été conçu pour combler. En mesurant le nombre de personnes qui passent devant la vitrine, celles qui entrent, le nombre de personnes présentes à l'intérieur et en analysant le lien entre ces mouvements et les ventes, il fournit un dénominateur à la transaction et transforme la performance du magasin, qui n'est plus un simple chiffre global, en un taux pouvant réellement être géré.
Les données propres à RetailNext concernant le week-end du Black Friday 2025 montrent à quel point l'évolution de la fréquentation et celle du chiffre d'affaires peuvent diverger. Sur la période allant du vendredi au lundi, la fréquentation des magasins a baissé de 5,8 % par rapport à l'année précédente et le chiffre d'affaires net a reculé de 4,4 %, ce qui, pris isolément, semble indiquer un simple recul. Pourtant, le prix de vente unitaire moyen a augmenté de 4,4 %, la valeur moyenne des transactions a progressé de 2,1 % et le rendement par client, c'est-à-dire le montant moyen des ventes générées par chaque personne entrant dans le magasin, a légèrement augmenté de 0,3 %. Moins de clients se sont présentés, mais les détaillants ont tiré un peu plus de chaque client présent. Un chiffre d’affaires pris isolément ne permet pas de distinguer un problème de demande d’un problème d’exécution, et ces deux situations appellent des réponses opposées.
Cette même ambiguïté se retrouve dans chaque classement de magasins. Prenons deux magasins : le premier réalise un chiffre d’affaires de 2,1 millions de dollars pour 180 000 visites, le second de 1,4 million de dollars pour 85 000 visites. Si l’on se base uniquement sur le chiffre d’affaires, le premier est le magasin phare et le second pose problème, et les mesures de promotion ainsi que le plan de performance sont définis en conséquence. Mais si l’on divise ce chiffre par la fréquentation, le premier génère 11,67 dollars par personne qui entre, tandis que le second génère 16,47 dollars, soit 41 % de plus par client accueilli. Le magasin le moins fréquenté n’est pas celui dont l’exploitant est le moins performant. C’est le meilleur, qui opère dans une zone commerciale moins favorable. Classez un portefeuille en fonction du chiffre d’affaires et vous saurez quels magasins bénéficient des meilleurs emplacements. Classez-le en fonction de la part du potentiel disponible que chacun exploite, et vous saurez quels magasins sont bien gérés.
Ce deuxième classement n'est possible que si le trafic est mesuré de manière cohérente dans tous les points de vente ; c'est précisément ce que propose le Benchmarks Hub, qui s'appuie chaque mois sur les données réelles issues de capteurs installés dans des milliers de magasins, et non sur des enquêtes ou des estimations modélisées.
Constater qu’un magasin affiche un taux de transformation inférieur à son potentiel n’est que le point de départ de la réflexion, et non sa conclusion : c’est là qu’Insights prend le relais. L’analyse complète du parcours client, le temps de séjour et les cartes thermiques permettent d’identifier les endroits du magasin où les clients s’intéressent aux produits et ceux où ils se désintéressent, ce qui permet d’attribuer l’écart de conversion à la zone, au présentoir ou au parcours qui en est réellement à l’origine.
En savoir plus 👉 Comment la précision des données de trafic influe sur les coûts de main-d'œuvre et le taux de transformation
Dans une enquête menée en mars 2025 auprès de 500 employés de première ligne du commerce de détail à travers les États-Unis, seuls 36 % ont déclaré que les plannings du personnel correspondaient systématiquement à la fréquentation réelle des magasins. Plus de la moitié, soit 51 %, ont indiqué manquer de personnel pendant les périodes de forte affluence la plupart du temps. Près des trois quarts d’entre eux, soit 73 %, ont déjà vu des clients partir faute de personnel disponible pour les aider, et 77 % ont déclaré que leur magasin perdait régulièrement des ventes en raison des décisions prises en matière de planification des horaires. Une enquête parallèle menée en juillet 2025 auprès de 500 employés au Royaume-Uni a révélé que 84 % d’entre eux constataient des pertes de chiffre d’affaires dues à une mauvaise planification des horaires, tandis que 68 % constataient également un excédent de personnel pendant les périodes creuses. Le problème réside rarement dans un effectif global insuffisant. Il s’agit plutôt d’un personnel affecté à des horaires inadaptés.
Cet écart s'explique par le fait que la plupart des plannings sont établis à partir des ventes de l'année dernière plutôt qu'à partir de la demande prévue pour ce mois-ci, et que les ventes ne vous indiquent que le moment où les clients ont effectué leurs achats, jamais celui de leur arrivée. Savoir combien de personnes se sont rendues en magasin hier permet d'expliquer la situation d'hier. Savoir quand la demande se manifestera change la donne pour le mois prochain. Les prévisions de fréquentation d’RetailNext estiment la demande par tranches de 15 minutes jusqu’à 45 jours à l’avance en s’appuyant sur l’historique propre à chaque magasin, ce qui permet d’intégrer la fréquentation attendue dans la planification des effectifs pendant l’élaboration du planning, et non après sa validation.
Bien entendu, les prévisions n’ont d’intérêt que si l’on peut se fier au décompte sous-jacent, et la fréquentation n’est que rarement une fin en soi. Elle devient le dénominateur du taux de transformation, la base de la gestion des effectifs, la référence pour la comparaison entre magasins, ainsi qu’un élément pris en compte dans les décisions de marketing et de planification des magasins ; cela signifie qu’une petite erreur de mesure n’a pas de conséquences mineures. Elle se propage à travers le système et modifie la conclusion à l’autre bout. C’est pourquoi chaque installation de capteurs Aurora® fait l’objet d’un audit comparatif avec une vidéo floue provenant d’une date et d’une heure choisies au hasard avant que ses comptages ne soient utilisés, est reconfigurée et réauditée jusqu’à ce qu’elle franchisse le seuil requis, puis vérifiée à nouveau chaque année par la suite. Dès lors que les données de fréquentation permettent de déterminer si un magasin semble présenter un problème de conversion ou s’il convient de réaffecter du personnel, elles cessent d’être un simple indicateur pour devenir une infrastructure. Or, on doit pouvoir se fier à cette infrastructure.
Une fois que c'est le cas, les questions fusent plus vite que les tableaux de bord ne peuvent y répondre, et c'est précisément à cela que sert Pulse AI. Un responsable régional qui constate une baisse du taux de transformation peut demander quel magasin en est à l'origine, si la fréquentation y a changé et comment s'est réparti le personnel par rapport au mois dernier, dans un langage simple et de manière chronologique, sans avoir à créer un rapport entre chaque question.
UNTUCKit illustre bien ce qui a changé, précisément parce que l’entreprise a démarré en ligne et savait déjà comment gérer une activité basée sur les tarifs. Son service numérique pouvait suivre l’ensemble du parcours menant à un achat. Ses magasins, en revanche, ne voyaient que la transaction finale. Une fois que la fréquentation des magasins a été mesurée et mise en relation avec le taux de transformation, l’entreprise a pu comparer les tendances de fréquentation aux ventes, évaluer chaque site en fonction du nombre réel de clients qu’il accueillait, et prendre des décisions opérationnelles en s’appuyant sur des critères plus pertinents que le simple nombre de transactions finales, ce qui a permis d’enregistrer une augmentation de 6,9 % du taux de transformation, une hausse de 18 % du rendement par client et une réduction de 40 % des coûts d’infrastructure informatique. Le témoignage client UNTUCKit est significatif car ce n’est pas la technologie qui a généré cette fréquentation. Les clients étaient déjà présents. La mesure a simplement permis de rendre leur comportement visible.
C’est en fin de compte ce que l’exemple de Wald a à voir avec le commerce de détail. Le problème n’a jamais été que les données disponibles étaient inexactes. Il résidait dans le fait que le processus générant ces données déterminait ce qui pouvait être perçu. Une base de données transactionnelle décrit avec une grande précision les clients qui ont effectué un achat, mais ne fournit aucune information sur ceux qui ont envisagé d’acheter, sont entrés puis sont repartis, ou se sont approchés de la vitrine avant de poursuivre leur chemin. Ces clients n’ont pas cessé d’avoir une importance commerciale. Ils sont simplement devenus invisibles d’un point de vue analytique, et un client que vous ne pouvez pas voir représente une opportunité que vous ne pouvez ni attribuer, ni mesurer, ni récompenser quiconque pour l’avoir captée.
La question la plus pertinente n’est donc probablement plus de savoir combien de personnes sont entrées dans le magasin, mais ce qu’il est advenu de toutes celles qui ont failli acheter sans finalement passer à l’acte. Dès lors qu’un commerçant est en mesure d’y répondre, l’analyse de la fréquentation cesse d’être un simple exercice de comptage pour devenir un moyen de reconstituer la partie du parcours client que les données transactionnelles ont effacée.
Continuez votre lecture 👉 Pourquoi les grandes enseignes choisissent-elles RetailNext ?