Fondée à San José, en Californie, en 1993 par la famille Mersho, Shoe Palace est passée d’un simple magasin à l’un des principaux détaillants de baskets et de streetwear du pays. Aujourd’hui, l’enseigne exploite plus de 250 magasins dans l’ouest et le sud des États-Unis, et entretient des liens étroits avec la culture des baskets ainsi que des partenariats de longue date avec des marques telles que Nike, Jordan et Adidas. Cette croissance a nécessité le déploiement d’un réseau de magasins dans des environnements très variés — allant des centres commerciaux très fréquentés aux boutiques indépendantes en bord de rue —, chacun présentant ses propres caractéristiques en termes de fréquentation et de besoins en personnel.
Le défi
Pendant des années, Shoe Palace a géré ses magasins sans disposer d’un moyen fiable de mesurer les performances par rapport à la demande. Les chiffres de vente indiquaient à l’équipe ce qui s’était passé, mais pas pourquoi — ni si une journée « calme » l’était réellement. En l’absence de données de fréquentation, les discussions sur les performances des magasins reposaient sur l’intuition. Les hypothèses concernant les heures de pointe, les effectifs nécessaires et les comparaisons d’un magasin à l’autre ne disposaient d’aucune référence permettant de les vérifier.
« Il est difficile d’imaginer exercer cette activité sans disposer de données sur la fréquentation. Mais la réalité est que de nombreux détaillants n’en disposent pas. À une certaine époque, nous étions l’un de ces détaillants. »
— David Lizak, responsable de plateforme, Shoe Palace
Comme le dit M. Lizak, gérer un magasin sans données de fréquentation, c’est comme conduire une voiture sans compteur de vitesse : on peut avoir l’impression d’aller vite, mais on n’a aucun moyen de le confirmer.
La solution
Shoe Palace a commencé à déployer les solutions de mesure de fréquentation de RetailNext en 2018. Lorsque David Lizak a rejoint l’entreprise en 2019, le défi n’était plus tant l’adoption que la formation, et l’équipe a construit son programme autour de trois principes.
Privilégier la simplicité. Plutôt que de submerger les équipes en magasin de indicateurs complexes, Shoe Palace a traduit les données de fréquentation en termes simples et exploitables. Au lieu de demander à un collaborateur à temps partiel de calculer des taux de transformation, l’équipe a reformulé les objectifs en s’appuyant sur un concept que le personnel comprenait déjà : servir un client de plus qu’hier.
Créer un langage commun. Shoe Palace a mis au point un ratio « personnel/fréquentation » qu’il a surnommé TPLH (trafic par heure de travail), qui permet à chaque responsable de magasin de déterminer intuitivement si un service dispose d’un effectif suffisant. Ce ratio transforme un chiffre abstrait en une question à laquelle tout collaborateur peut répondre : « Pouvons-nous, vous et moi, gérer ce nombre de clients en une heure ? »
Harmonisez les données au sein d’un réseau diversifié. Avec des magasins répartis en Californie, au Texas, en Arizona, au Nevada et en Floride, aucun point de vente ne ressemble à un autre. Le TPLH permet à Shoe Palace de comparer les performances de manière équitable, en tenant compte des différences entre les formats « centre commercial » et « rue », plutôt que d’imposer la même norme à tous les magasins.
Chaque chiffre qui sous-tend ces décisions de dotation en personnel provient d’un seul appareil. Aurora®, le capteur IoT tout-en-un de RetailNext, assure un comptage des personnes d’une précision de 95 à 99 % — vérifiée manuellement lors de chaque installation — à partir d’un seul appareil fixé au plafond. Pour un réseau s’étendant sur plusieurs États et regroupant différents formats de magasins, c’est cette précision qui rend la planification des effectifs fiable à grande échelle.
Les résultats
Dès sa deuxième année de suivi et d’adaptation à ces données, Shoe Palace avait enregistré une hausse moyenne de 10 % de son taux de transformation d’une année sur l’autre. Un magasin est passé d’un taux de transformation de 15 % à près de 17 % au cours de cette période.
Une planification des effectifs plus intelligente. TPLH a fourni à l’équipe opérationnelle un référentiel de dotation en personnel fiable, adaptable en fonction du type de magasin. En indiquant précisément aux équipes où se situaient leurs pics d’affluence — et dans quelle mesure ces pics variaient d’un magasin à l’autre —, les responsables ont pu bénéficier d’informations suffisamment précises pour encadrer leur personnel en conséquence, tandis que l’entreprise disposait de données agrégées pour la planification à l’échelle de l’ensemble du réseau.
Des comparaisons équitables entre magasins. Deux magasins situés à quelques miles l’un de l’autre, comme le magasin historique d’Shoe Palace à San José et un magasin situé dans un centre commercial voisin, peuvent présenter des profils de fréquentation ou des caractéristiques démographiques totalement différents. Les données de RetailNext permettent à l’équipe de comparer entre eux des types de magasins similaires, plutôt que de devoir comparer des éléments qui n’ont rien à voir entre eux.
De meilleures décisions interfonctionnelles. Les équipes marketing et produit ne se fient plus uniquement à des hypothèses basées sur les ventes pour déterminer où la demande est la plus forte. Les données de fréquentation et démographiques orientent désormais la répartition des stocks et la stratégie régionale.
Remise en question des hypothèses à l’aide des données historiques. Alors que les responsables pensaient connaître le rythme de leur magasin, ses heures de pointe et ses besoins en personnel, Shoe Palace a commencé à vérifier ces hypothèses par rapport à l’historique de la fréquentation. Résultat : des opportunités manquées pendant les périodes de forte affluence, qui étaient passées inaperçues depuis des années.
Shoe Palace combine désormais les données de fréquentation de RetailNext avec des plateformes de planification des effectifs telles que StoreForce, regroupant ainsi le TPLH, le chiffre d’affaires horaire et la superficie en une seule vue d’ensemble. Cette intégration aide l’équipe à identifier avec précision les heures de pointe et les périodes de forte affluence magasin par magasin — ce qui était impossible avant l’existence des données de fréquentation.
