1943年、アブラハム・ウォルドは、ヨーロッパ上空での任務から帰還する爆撃機に関する質問を受けました。航空機は翼や胴体、尾翼に銃弾の穴が点在した状態で帰還しており、直感的な結論は単純明快でした。すなわち、最も大きな被害を受けた箇所を補強すべきだ、というものでした。 コロンビア大学の統計研究グループに所属していたウォルドは、この問題の根本は分析そのものではなく、サンプルにあることに気づきました。調査対象となっていた機体は、帰還した機体だけだったのです。真に致命的な箇所を撃たれた機体は、測定されるために帰還することなどなかったのです。つまり、無事に帰還した爆撃機にみられる損傷は、機体が撃たれてもなお生存できる箇所を示しているに過ぎなかったのです。 損傷を受けていない部分は安全だったわけではありません。それらは調査対象外だったのです。なぜなら、それらに関する証拠は英仏海峡の底に沈んでいたからです。ウォルドによる航空機の生存性に関する研究は、後に『アメリカ統計学会誌』に掲載され、研究対象の過程を生き延びた事例のみを用いてモデルを構築した場合に何が起こるかを示す、典型的な事例となりました。
小売業界にも同様の問題が存在しますが、それはあらゆる取締役会報告書の中に、目につく場所に隠れているのです。 顧客が取引を完了すると、小売業者がその顧客について保有する情報の量は膨大です。POSシステムは、顧客が何を購入し、いくら支払い、いつ購入したかを把握しています。ロイヤリティデータは、その購入を過去の購入履歴と結びつけます。バスケット分析は、どの商品がセットで売れているかを明らかにします。そして、平均取引額、1取引あたりの販売数量、1平方フィートあたりの売上高は、商業的な成果を詳細に示しています。 しかし、店に入ってきて15分ほど商品を見て回ったものの、何も買わずに去っていった顧客は、その全体像からほぼ完全に消えてしまいます。同様に、ショーウィンドウを覗いてそのまま通り過ぎていった人や、混雑時に来店したものの店員に助けを求められず、諦めてしまった買い物客も、その全体像からは見落とされてしまいます。
レジ側には、こうした状況は一切映りません。取引がなければ、記録も残りません。しかし、そのお店はそれでも何かを失っています。それは、来店したものの、何も買わずに帰ってしまったお客様です。彼らは、二度と戻ってこなかった飛行機のようなものです。
次のおすすめ記事 👉 来店客数調査だけではもはや不十分な理由
店舗が生成するあらゆるデータセットは、購入によって引き起こされます。取引記録、カートの構成、ポイントプログラムへの登録、利益率の構成などはすべて、顧客が「購入する」と決断した瞬間に作成されるため、これらは完了した購買プロセスを正確に描写する一方で、購入を中断したケースについては何も語っていません。 小売業界は数十年にわたり、成功した顧客行動の測定において極めて優れた能力を培ってきましたが、一方で、失敗した行動については、それ自体がデータであるという認識ではなく、単にデータが存在しないものとして扱ってきました。
ニールセンIQは2026年8月、『The Invisible Shopper: What Retail Data Isn't Telling You』と題する報告書の中で、この問題の一側面について言及し、小売データは「顧客が自社で何を購入したか」については非常に的確に把握できる一方で、「顧客が他の場所で何をしたか」についてはほとんど何も教えてくれないと指摘しました。 店舗内におけるこの「死角」は、より限定的で、より差し迫った問題です。単に顧客が他店で購入したというだけではありません。顧客があなたの店内に立ちながら何も購入せず、その顧客が来店したことさえ、どのシステムにも記録されていないという事実なのです。
Eコマースには、そのような盲点が生まれたことはありません。なぜなら、オンラインでは「分母」を見逃すことは不可能だからです。デジタルチームは、セッション数、商品ページの閲覧数、検索活動、カート放棄率などを把握できるため、コンバージョンは当初から当然の運用指標となりました。実店舗においても、店を訪れる顧客という「分母」は常に同じでした。 ただ、それを測定する信頼できる手段が常にあったわけではありません。このたった一つの違いが、一見する以上に多くのことを物語っています。なぜなら、結果しか数えられないビジネスは、より多くの結果を生み出すことによってのみ成長できるからです。計算したことのない指標を最適化することはできないため、店舗はより多くのドアを開け、営業時間を延長し、在庫を増やし、スタッフを増員することになるのです。
Traffic Analyticsは、まさにこのギャップを埋めるために開発されました。店舗の前を通り過ぎる人、入店する人、店内にいる人数、そしてそれらの動きと売上の相関関係を測定することで、取引に「分母」を与え、店舗の業績を単なる総計から、実際に管理可能な比率へと変換します。
RetailNextが2025年のブラックフライデー・ウィークエンドに収集した独自のデータによると、来店客数と売上高の推移には大きな乖離が見られます。金曜日から月曜日にかけて、来店客数は前年同期比で5.8％減少し、純売上高も4.4％減少しました。これだけを見ると、単純な減少傾向と受け取られます。 しかし、平均単価は4.4％上昇し、平均取引額は2.1％増加し、来店客1人あたりの平均売上高である「ショッパー・イールド」も0.3％微増しました。 来店客数は減少したものの、小売業者は来店した一人ひとりからわずかに多くの収益を引き出しました。売上高という数字だけでは、需要の問題と実行上の問題を区別することはできず、これら二つには正反対の対応が求められます。
あらゆる店舗ランキングには、同様の曖昧さが潜んでいます。2つの店舗を例に考えてみましょう。1つ目の店舗は18万回の来店数で210万ドルの売上を上げており、2つ目の店舗は8万5千回の来店数で140万ドルの売上を上げています。 売上高だけを見れば、1つ目の店舗が旗艦店であり、2つ目の店舗が問題視されることになり、それに応じて販促策や業績改善計画が策定されることになります。しかし、来店者数で割ってみると、1つ目の店舗は来店者1人あたり11.67ドルを売り上げているのに対し、2つ目の店舗は16.47ドルを売り上げており、受け入れた顧客1人あたりで41％多く売り上げていることになります。 客足の少ない店舗が、運営が劣っているわけではありません。むしろ、競争の激しい商圏でより優れた成果を上げている店舗なのです。ポートフォリオを売上高でランク付けすれば、どの店舗が最高の立地にあるかが分かります。一方、各店舗が利用可能な商機をどれだけ捉えているかでランク付けすれば、どの店舗が適切に運営されているかが分かるのです。
この第2位の順位は、すべての店舗で一貫して客足を測定して初めて可能となります。Benchmarks Hubでは、アンケートやモデルに基づく推計ではなく、毎月数千店舗にわたる実際のセンサーデータに基づいてこの順位を報告しています。
店舗のコンバージョン率が潜在能力を下回っていることを把握することは、問題の解決の終わりではなく、むしろ始まりに過ぎません。そこで、Insightsの出番となります。フルパス分析、滞在時間分析、ヒートマップ分析により、店内のどの場所で買い物客の関心が集まり、どの場所で関心が薄れているかが明らかになります。これにより、コンバージョン率のギャップを、実際にその原因となっているゾーン、陳列、あるいは購買プロセスに特定することが可能になります。
詳細はこちら 👉 トラフィックデータの精度が人件費とコンバージョンに与える影響
2025年3月に全米の小売店の現場スタッフ500人を対象に行った調査によると、人員配置のスケジュールが実際の来店客数と常に合致していると答えたのはわずか36％でした。半数以上（51％）が、繁忙期にはほとんどの場合、人手が不足していると報告しました。 4分の3近くにあたる73％が、対応できるスタッフがいないために顧客が店を去っていくのを目撃したことがあり、77％が、シフト編成の判断が原因で店舗が定期的に売上を逃していると回答しました。 2025年7月に英国の従業員500人を対象に実施された同様の調査では、84％がシフト編成の不備による売上機会の損失を目撃しており、68％は客足の少ない時間帯に人員過剰の状態を目撃していました。問題は、総人員数が少なすぎることはほとんどありません。問題は、不適切な時間帯に人員が配置されている点にあります。
このギャップが生じるのは、ほとんどのスケジュールが今月の予想需要ではなく、昨年の売上データに基づいて作成されているためです。また、売上データからは顧客がいつ購入したかは分かりますが、いつ来店したかは決して分かりません。昨日何人の来店客がいたかを知っても、それはあくまで昨日の状況の説明に過ぎません。 需要がいつ発生するかを把握することで、来月の展開が変わってきます。RetailNextの予測トラフィック機能は、各店舗の過去のデータを用いて、最大45日先までの15分単位の需要予測を行います。これにより、勤務表が確定した後ではなく、作成中の段階で、予想される客数を人員計画に反映させることができます。
もちろん、予測が意味を持つのは、その基礎となる集計データが信頼できる場合に限られます。また、客数はめったに最終的な指標にはなりません。客数はコンバージョン率の分母となり、人員配置の根拠となり、店舗間の比較の基準となり、さらにマーケティングや店舗計画の意思決定における入力要素となります。つまり、わずかな測定誤差も、そのままでは済まないのです。 その誤差はシステム全体に波及し、最終的な結論を変えてしまいます。そのため、Aurora®センサーの設置ごとに、計測データが実際に使用される前に、無作為に選ばれた日時のもやけた映像を用いて監査が行われます。基準値を満たすまで再設定と再監査が繰り返され、その後は毎年再検証が行われます。 来店客数データが、店舗にコンバージョン率の問題があるかどうか、あるいは人員配置を変更すべきかどうかを判断する材料となる段階に至ると、それは単なる指標ではなく、インフラそのものとなります。インフラは信頼されなければなりません。
そうなると、ダッシュボードが回答できる速度よりも早く質問が次々と寄せられますが、まさにそのためにPulse AIが存在するのです。コンバージョン率が低下していることに気づいた地域マネージャーは、どの店舗が要因となっているのか、その店舗の来店客数に変化はあったのか、先月と比べて人員配置はどうだったのかといったことを、質問のたびにレポートを作成することなく、平易な言葉で順序立てて尋ねることができます。
UNTUCKitは、同社がオンラインから事業を開始し、すでに料金ビジネスを運営するノウハウを持っていたからこそ、どのような変化が生じたかを示す有用な事例です。同社のデジタル部門は、購入に至るまでの全過程を把握することができました。一方、実店舗では、その過程の最後に行われる取引しか把握できませんでした。店舗への来客数を測定し、それをコンバージョンと結びつけることができたことで、 同社は来店客数の傾向と売上を比較し、各店舗が実際に受け入れている来店客数に基づいて評価を行うことが可能となり、最終的な取引件数だけにとどまらない、より適切な基準に基づいて運営上の意思決定を行うことができました。その結果、コンバージョン率が6.9％向上し、来店客あたりの収益が18％増加し、ITインフラコストが40％削減されたと報告されています。 このUNTUCKitの顧客事例が重要なのは、その来客数を技術が創出したわけではないからです。顧客はもともと来店していました。測定によって、単に彼らの行動が可視化されたに過ぎません。
これが、ウォルド氏の例が小売業とどう関係しているのかという、究極の答えです。問題は、利用可能なデータが不正確だったことではありませんでした。問題は、データを生成するプロセスそのものが、何が見えるかを決定していたという点にありました。 取引データベースは、実際に購入した顧客については極めて正確に記述していますが、購入を検討したものの、店に入って出て行った顧客や、店先に近づきながらも通り過ぎてしまった顧客については、まったく説明していません。そうした顧客は、商業的な重要性を失ったわけではありません。単に分析上「見えない」存在になったに過ぎないのです。そして、目に見えない買い物客は、誰に割り当てたり、測定したり、獲得した功績を評価したりすることができない機会なのです。
ですから、最も有用な問いは、もはや「何人の人が来店したか」ということではないでしょう。重要なのは、「購入寸前まで行ったものの、結局購入に至らなかった人々に何が起きたのか」ということです。小売業者がこの問いに答えられるようになれば、来店客数分析は単なる集計作業ではなく、取引データによって失われてしまった顧客体験の欠落部分を補完する手段となるのです。
続きを読む 👉 大手小売企業がRetailNextを選ぶ理由