Nel 1943, ad Abraham Wald fu sottoposta una questione riguardante i bombardieri di ritorno dalle missioni in Europa. Gli aerei tornavano a casa con fori di proiettile sparsi sulle ali, sulla fusoliera e sulla coda, e la conclusione istintiva era semplice: rinforzare le zone che subivano i danni maggiori. Wald, che lavorava con il Gruppo di Ricerca Statistica della Columbia University, capì che il problema non stava nell’analisi, ma nel campione. Gli aerei esaminati erano quelli sopravvissuti. Qualsiasi aereo colpito in una zona davvero critica non era mai tornato per essere misurato, il che significava che i danni sui bombardieri che erano riusciti a tornare a casa mostravano solo dove un aereo poteva essere colpito e sopravvivere comunque. Le aree non danneggiate non erano sicure. Non erano state esaminate, perché le prove relative a esse giacevano sul fondo del Canale della Manica. Il lavoro di Wald sulla sopravvivenza degli aerei, poi pubblicato sul Journal of the American Statistical Association, è diventato un classico esempio di cosa succede quando si costruisce un modello basandosi solo sui casi che sono sopravvissuti al processo oggetto di studio.
Anche il settore della vendita al dettaglio ha una versione dello stesso problema, che si nasconde in bella vista in ogni rapporto del consiglio di amministrazione. Una volta che un cliente completa una transazione, la quantità di informazioni che un rivenditore ha su di lui è incredibile: il punto vendita sa cosa ha comprato, quanto ha pagato e quando; i dati sulla fedeltà collegano quell’acquisto a quelli precedenti; l’analisi del carrello rivela quali prodotti vengono acquistati insieme; e il valore medio della transazione, le unità per transazione e le vendite per piede quadrato descrivono in dettaglio il risultato commerciale. Eppure il cliente che è entrato, ha passato quindici minuti a curiosare e se n’è andato a mani vuote scompare quasi del tutto da quel quadro, così come la persona che ha sbirciato dalla vetrina e ha proseguito per la sua strada, e l’acquirente che è arrivato nell’ora di punta, non è riuscito a trovare qualcuno che lo aiutasse e ha rinunciato.
Il punto vendita non si accorge di nulla. Se non c'è transazione, non c'è traccia. Ma l'azienda ha comunque perso qualcosa: un cliente che è entrato e se n'è andato senza comprare nulla. Sono come gli aerei che non sono mai tornati.
La tua prossima lettura 👉 Perché il solo conteggio dei visitatori non basta più
Ogni set di dati generato da un negozio nasce da un acquisto. I dati sulle transazioni, la composizione del carrello, l’iscrizione al programma fedeltà e la composizione dei margini vengono tutti creati nel momento in cui qualcuno dice “sì”, il che li rende descrizioni precise dei percorsi completati e non dicono nulla su quelli abbandonati. Il settore retail ha impiegato decenni per diventare eccezionalmente bravo a misurare i comportamenti dei clienti che portano al successo, mentre ha sempre trattato i comportamenti che non portano al successo come un’assenza di dati piuttosto che come dati a sé stanti.
NielsenIQ ha descritto una versione di questo problema nell’agosto 2026 in un rapporto intitolato “The Invisible Shopper: What Retail Data Isn’t Telling You”, sostenendo che i dati sul commercio al dettaglio sono ottimi per capire cosa hanno comprato da te i clienti, ma praticamente non dicono nulla su cosa abbiano fatto altrove. La versione “in negozio” di questo punto cieco è più circoscritta e più immediata. Non si tratta solo del fatto che un cliente abbia comprato altrove. Si tratta del fatto che sia entrato nel tuo negozio senza comprare nulla, e che nessun sistema abbia registrato la sua presenza.
L’e-commerce non ha mai avuto quel punto cieco, perché online il denominatore è impossibile da ignorare. Un team digitale può vedere le sessioni, le visualizzazioni delle pagine dei prodotti, l’attività di ricerca e l’abbandono del carrello, quindi la conversione è diventata fin dall’inizio una metrica operativa naturale. Un negozio fisico ha sempre avuto esattamente lo stesso denominatore che varcava la sua soglia. Semplicemente, non ha sempre avuto un modo affidabile per misurarlo. Questa singola differenza spiega molto più di quanto sembri, perché un’azienda che può solo contare i risultati può crescere solo producendo più risultati. Apre più porte, allunga gli orari, aumenta le scorte e programma più personale, perché non puoi ottimizzare un tasso che non hai mai calcolato.
È proprio questa la lacuna che Traffic Analytics è stato progettato per colmare. Misurando chi passa davanti al negozio, chi entra, quante persone ci sono all’interno e come questi movimenti si riflettono sulle vendite, fornisce un denominatore comune alle transazioni e trasforma le prestazioni del negozio da un dato assoluto a un tasso che si può effettivamente gestire.
I dati di RetailNext relativi al weekend del Black Friday 2025 mostrano quanto possano divergere l’affluenza e le vendite. Nel periodo da venerdì a lunedì, l’affluenza nei negozi è scesa del 5,8% rispetto all’anno precedente e le vendite nette sono calate del 4,4%, il che, di per sé, sembra un semplice calo. Eppure, il prezzo medio unitario al dettaglio è salito del 4,4%, il valore medio delle transazioni è aumentato del 2,1% e il rendimento per cliente, ovvero la vendita media generata per ogni persona che è entrata in negozio, è salito di poco dello 0,3%. Sono venute meno persone, ma i rivenditori hanno ricavato un po’ di più da ciascuna di quelle che si sono presentate. Il dato sul fatturato da solo non basta a distinguere un problema di domanda da un problema di esecuzione, e questi due aspetti richiedono risposte opposte.
La stessa ambiguità si nasconde in ogni classifica dei negozi. Prendiamo due negozi: il primo fattura 2,1 milioni di dollari con 180.000 visite, il secondo 1,4 milioni con 85.000. Se guardi solo al fatturato, il primo è il fiore all’occhiello e il secondo è il problema, e la promozione e il piano di rendimento vengono assegnati di conseguenza. Se però dividi per il numero di visitatori, il primo ricava 11,67 dollari da ogni persona che entra, mentre il secondo ne ricava 16,47, ovvero il 41% in più da ogni cliente accolto. Il negozio meno frequentato non è quello gestito peggio. È quello migliore, che opera in un’area commerciale meno redditizia. Se classifichi un portafoglio in base al fatturato, scopri quali negozi hanno le posizioni migliori. Se lo classifichi in base a quanta parte delle opportunità disponibili ciascuno riesce a cogliere, scopri quali negozi sono gestiti bene.
Questa seconda classifica è possibile solo se il traffico viene misurato in modo coerente in ogni punto vendita, ed è proprio quello che fa il Benchmarks Hub ogni mese, basandosi sui dati reali raccolti dai sensori in migliaia di negozi, anziché su sondaggi o stime modellizzate.
Sapere che un negozio non sta raggiungendo il suo potenziale in termini di conversioni è solo l’inizio della questione, non la fine, ed è qui che entra in gioco Insights. L’analisi del percorso completo, il tempo di permanenza e le mappe di calore mostrano dove, all’interno del negozio, i clienti interagiscono e dove invece non lo fanno, così da poter individuare la zona, l’esposizione o il percorso che sta effettivamente causando il divario di conversione.
Scopri di più 👉 In che modo l'accuratezza dei dati sul traffico influisce sui costi di manodopera e sulla conversione
In un sondaggio del marzo 2025 condotto su 500 addetti alla vendita al dettaglio in prima linea in tutti gli Stati Uniti, solo il 36% ha dichiarato che i turni di lavoro si allineano costantemente all’affluenza effettiva nei negozi. Più della metà, il 51%, ha riferito di trovarsi a corto di personale durante i periodi di punta la maggior parte delle volte. Quasi tre quarti, il 73%, ha visto clienti andarsene perché non c’era nessuno disponibile ad aiutarli, e il 77% ha detto che il proprio negozio perde regolarmente vendite a causa delle decisioni relative alla programmazione dei turni. Un sondaggio parallelo condotto nel luglio 2025 su 500 addetti nel Regno Unito ha rilevato che l’84% ha riscontrato una perdita di vendite a causa di una cattiva pianificazione dei turni, mentre il 68% ha anche notato un eccesso di personale durante i periodi di calma. Il problema raramente è la mancanza di personale in assoluto. È piuttosto il fatto che il personale sia in servizio negli orari sbagliati.
Questo divario esiste perché la maggior parte dei programmi si basa sulle vendite dell’anno scorso piuttosto che sulla domanda prevista per questo mese, e le vendite ti dicono solo quando le persone hanno comprato, mai quando sono arrivate. Sapere quante persone sono venute ieri spiega solo la situazione di ieri. Sapere quando arriverà la domanda cambia ciò che accadrà il mese prossimo. Le previsioni di affluenza di RetailNext stimano la domanda a intervalli di 15 minuti fino a 45 giorni in anticipo, utilizzando i dati storici di ogni singolo negozio; in questo modo, l’affluenza prevista viene integrata nel piano del personale mentre la tabella è ancora in fase di elaborazione, anziché dopo che è stata già definita.
Ovviamente, le previsioni hanno senso solo se i dati di base sono affidabili, e il traffico raramente è un fine a sé stesso. Diventa il denominatore della conversione, la base per la gestione del personale, il punto di riferimento per il confronto tra negozi e un dato fondamentale per le decisioni di marketing e pianificazione dei punti vendita, il che significa che un piccolo errore di misurazione non rimane tale. Si propaga attraverso il sistema e altera la conclusione finale. Ecco perché ogni installazione del sensore Aurora® viene verificata confrontandola con un video sfocato relativo a una data e un’ora scelte a caso, prima ancora che i suoi conteggi vengano utilizzati; viene poi riconfigurata e sottoposta a nuova verifica fino a quando non supera la soglia richiesta, e successivamente ricontrollata ogni anno. Nel momento in cui i dati sul traffico determinano se un negozio sembra avere un problema di conversione o se è necessario spostare il personale, smettono di essere una semplice metrica e diventano parte dell’infrastruttura. E l’infrastruttura deve essere affidabile.
Una volta che succede, le domande arrivano più velocemente di quanto i dashboard riescano a rispondere, ed è proprio per questo che esiste Pulse AI. Un responsabile regionale che nota un calo delle conversioni può chiedere quale negozio sia all’origine del fenomeno, se il traffico in quel punto sia cambiato e come sia stata la disponibilità di personale rispetto al mese scorso, in un linguaggio semplice e in ordine cronologico, senza dover creare un report tra una domanda e l’altra.
UNTUCKit è un esempio calzante di cosa cambia, proprio perché l’azienda è nata online e sapeva già come gestire un’attività basata sulle tariffe. La sua operatività digitale riusciva a vedere l’intero percorso che porta all’acquisto. I suoi negozi, invece, vedevano solo la transazione finale. Una volta misurato il traffico in negozio e collegato alla conversione, l’azienda ha potuto confrontare i modelli di traffico con le vendite, valutare ogni sede in base al numero di clienti che effettivamente accoglieva e prendere decisioni operative basandosi su dati più significativi del semplice conteggio delle transazioni finali, ottenendo un aumento del 6,9% nella conversione, un aumento del 18% nel rendimento per cliente e una riduzione del 40% nei costi dell’infrastruttura IT. La storia del cliente UNTUCKit è importante perché non è stata la tecnologia a generare quel traffico. I clienti arrivavano già. La misurazione ha semplicemente reso visibile il loro comportamento.
In fin dei conti, è proprio questo il nesso tra l’esempio di Wald e il settore retail. Il problema non è mai stato che i dati disponibili fossero imprecisi. Il problema era che il processo che generava i dati determinava ciò che era possibile vedere. Un database delle transazioni descrive con estrema precisione i clienti che hanno acquistato, ma non spiega affatto cosa sia successo a quelli che hanno pensato di comprare, sono entrati e poi se ne sono andati, o si sono avvicinati alla vetrina e hanno proseguito per la loro strada. Quei clienti non hanno smesso di essere rilevanti dal punto di vista commerciale. Sono solo diventati invisibili dal punto di vista analitico, e un cliente che non riesci a vedere è un’opportunità che non puoi assegnare, misurare o premiare a nessuno per averla acquisita.
Quindi la domanda più utile probabilmente non è più quante persone sono entrate nel negozio, ma cosa è successo a tutti quelli che erano sul punto di comprare e poi non l’hanno fatto. Una volta che un rivenditore riesce a rispondere a questa domanda, l’analisi del traffico smette di essere un semplice conteggio e diventa un modo per recuperare quella parte del percorso del cliente che i dati sulle transazioni hanno cancellato.
Continua a leggere 👉 Perché le grandi catene di negozi scelgono RetailNext