Shelfee

Ruch w sklepie (store traffic / footfall) – definicja, KPI, źródła danych i raportowanie

Executive summary: Ruch w sklepie (footfall) to podstawowy „proxy” potencjału ekspozycji i sprzedaży w retail media in-store: bez niego nie da się sensownie porównywać sklepów ani planować kampanii per lokalizacja. W praktyce footfall jest też kluczowym wejściem do estymacji metryk ekspozycji (np. OTS) i do normalizacji wyników (np. sztuki/100 paragonów).

Term ID: store_traffic

Fraza PL: ruch w sklepie

Fraza EN: store traffic

Aliasy (PL): footfall, wejścia, liczba klientów, liczba odwiedzin, paragonowość (proxy)

Aliases (EN): footfall, store visits

Category path: retail_media/measurement/traffic

Priority: p1 (ważne)

Źródła (kody): IAB-101-2024, IAB-INSTORE-2024, IAB-MRC-2024, GDPR, EDPB-VIDEO-2019, UODO-MONITORING, LLMS-TXT-SPEC, OAI-BOTS

Definicja (PL/EN)

One-liner (PL)

Ruch w sklepie (footfall) to liczba wizyt w sklepie lub w jego strefach w czasie, używana jako miara potencjału ekspozycji i podstawa porównywania lokalizacji.

One-liner (EN)

Store traffic (footfall) is the count of store visits (or zone visits) over time, used to estimate exposure potential and compare locations.

Definicja (PL)

Ruch w sklepie to liczba odwiedzin sklepu (lub konkretnych stref w sklepie) w danym oknie czasu. W retail media in-store footfall jest używany do: (a) doboru sklepów do kampanii, (b) raportowania zasięgu i potencjału ekspozycji, (c) estymacji metryk typu OTS, oraz (d) normalizacji wyników sprzedażowych (np. jednostki na 100 paragonów).

Definition (EN)

Store traffic is the number of visits to a store (or specific in-store zones) within a defined time window. In in-store retail media it is used for store selection, exposure potential estimation (e.g., OTS), reporting, and normalization of sales proxies.

Dlaczego to ważne dla reklamodawcy

Reklamodawca nie kupuje „sklepu” jako abstrakcji. Kupuje potencjał kontaktu z klientem i przewidywalność wykonania. Footfall jest jednym z niewielu wskaźników, które pozwalają porównać sklepy bez wchodzenia w dane osobowe klientów.

  • Planowanie kampanii per lokalizacja: wybór sklepów o odpowiednim potencjale (np. top 20% footfall vs ogon).
  • Dobór stref i placementów: strefy o różnym footfall (kasa vs alejki) mają inną wartość ekspozycji.
  • Normalizacja wyników: porównywanie „sprzedaży” między sklepami wymaga odniesienia do ruchu lub paragonów.
  • Estymacja ekspozycji (OTS): footfall jest wejściem do estymacji okazji do zobaczenia reklamy.
  • Kontrola jakości danych: spadek footfall o 80% może oznaczać błąd sensora albo zamknięcie sklepu, nie „nagle brak klientów”.
  • Decyzje budżetowe w trakcie kampanii: przesuwanie budżetu do sklepów o lepszym coverage i stabilnym footfall.

Wskaźniki (KPI) do dostarczenia reklamodawcy

Poniżej zestaw KPI rekomendowany do raportowania w kampaniach in-store. W praktyce nie wszystkie KPI będą dostępne w każdej sieci – wtedy status: NIEZNANE/BRAK_DANYCH.

KPI Definicja Format Minimalne wymagania Po co reklamodawcy
Total footfall (łączny ruch) Liczba wizyt w sklepie w oknie czasu (np. dzień/tydzień). Liczba Okno czasowe; granularity min. per day; store_id Porównanie potencjału sklepów i planowanie budżetu.
Unique visitors (unikalni odwiedzający) Liczba unikalnych osób w oknie czasu; zależy od metody pomiaru. Liczba Metodologia identyfikacji; ryzyka prywatności; często NIEZNANE/BRAK_DANYCH Oszacowanie zasięgu netto zamiast samych wizyt.
Dwell time (czas przebywania) Średni czas przebywania w sklepie lub strefie. Liczba (sek/min) + średnia Definicja strefy; okno czasu; sample_size Proxy jakości ekspozycji i „szansy na kontakt” z nośnikiem.
Peak hours (godziny szczytu) Godziny o najwyższym footfall w sklepie/strefie. Lista godzin + wartości Granularity hourly; godziny otwarcia sklepu Planowanie emisji, zadań personelu i harmonogramu kampanii.
Conversion proxy (jednostki/100 paragonów) Sprzedaż kategorii lub SKU znormalizowana przez liczbę paragonów: units/100 receipts. Liczba Agregaty POS; spójna definicja kategorii; per store/day Porównywanie skuteczności bez danych osobowych i bez „samej sprzedaży brutto”.
OTS estimates (Opportunity To See) Estymacja okazji do zobaczenia reklamy w strefie ekspozycji. Liczba (est.) Definicja display exposure zone; metodologia jawna; footfall strefy Waluta ekspozycji in-store: ile razy klient „mógł zobaczyć”.
LTS (Likelihood To See) Refinement OTS: korekta o prawdopodobieństwo zauważenia; zwykle wymaga zaawansowanej analityki. Liczba (est.) Sensor/camera analytics; ocena ryzyk GDPR; często NIEZNANE/BRAK_DANYCH Lepsza jakość estymacji ekspozycji niż sam OTS.
Zone-level footfall Ruch w strefie (kasa/alejki/wejście), nie tylko w całym sklepie. Liczba Mapowanie stref; sensor per strefa lub model estymacji Wycena placementów i dobór stref do kampanii.
Repeat visits (powroty) Odsetek/ liczba wizyt powtarzających się w oknie czasu. Liczba lub % Metodologia rozpoznania powrotu; zwykle ryzyka prywatności; NIEZNANE/BRAK_DANYCH Ocena lojalności ruchu i jakości lokalizacji dla kampanii.
Sample size / confidence Wielkość próby i (jeśli dostępne) przedziały ufności dla estymacji. Liczba + % Jawna metodologia; definicja błędu/CI; często NIEZNANE/BRAK_DANYCH Wiarygodność wniosków i „czy te różnice są realne czy szum”.
Data freshness (świeżość) Jak szybko dane są dostępne po zdarzeniu. Godziny/dni opóźnienia SLA; timestamp; source Możliwość optymalizacji kampanii w trakcie, a nie po fakcie.
Data granularity (granularność) Poziom agregacji: hourly/daily/weekly. Kategoria Spójność dla całej sieci; godziny otwarcia Powiązanie z emisją, pętlami ekranowymi i godzinami szczytu.

Źródła danych i technologie

Footfall można mierzyć lub estymować na różne sposoby. Każde źródło ma inny błąd, koszty i implikacje prawne. Jeśli w danym modelu nie ma publicznie uznanej typowej dokładności, oznaczamy: NIEZNANE/BRAK_DANYCH.

Transakcje (POS) jako proxy

  • Opis: liczba paragonów jako proxy ruchu; sprzedaż kategorii do obliczeń units/100 receipts.
  • Zalety: często dostępne; łatwe do agregacji; mniejsze ryzyko prywatności przy agregatach.
  • Ograniczenia: nie każdy klient kupuje; jedna transakcja ≠ jedna osoba; wpływ kolejek i zakupów grupowych.
  • Dokładność/wiarygodność: NIEZNANE/BRAK_DANYCH (zależy od typu sklepu i profilu zakupów).
  • Przykładowi dostawcy: systemy POS/ERP retailerów (brak jednej nazwy, bo zależy od sieci); NIEZNANE/BRAK_DANYCH.

Loyalty data (karta/aplikacja)

  • Opis: identyfikacja odwiedzin przez program lojalnościowy (częściowy obraz ruchu).
  • Zalety: potencjał do unique visitors i repeat visits.
  • Ograniczenia: nie każdy używa loyalty; ryzyko bias; bardzo wrażliwe compliance (profilowanie, podstawa prawna).
  • Dokładność/wiarygodność: NIEZNANE/BRAK_DANYCH.
  • Wymóg prawny: podstawa prawna + dokumenty: NIEZNANE/BRAK_DANYCH (zależne od modelu).

Sensory zliczające (infrared/thermal/people counters)

  • Opis: liczniki wejść/wyjść (czasem per strefa) montowane przy wejściach lub przejściach.
  • Zalety: niezależne od transakcji; mogą działać w czasie rzeczywistym; mniejsze ryzyko niż wideo (zależnie od technologii).
  • Ograniczenia: błędy przy grupach, wózkach, drzwiach; wymagają kalibracji i utrzymania.
  • Dokładność/wiarygodność: NIEZNANE/BRAK_DANYCH (zależy od hardware i warunków).
  • Przykładowi dostawcy: Sensormatic Solutions (Johnson Controls), RetailNext (często łączone z analityką); inni: NIEZNANE/BRAK_DANYCH.

Wi‑Fi / BLE analytics

  • Opis: estymacja odwiedzin na podstawie sygnałów urządzeń (np. MAC/identyfikatory) – może dawać repeat visits.
  • Zalety: potencjalnie dobre do wzorców powrotów i peak hours.
  • Ograniczenia: wysokie ryzyko prywatności (identyfikatory urządzeń); zmiany w systemach operacyjnych i randomizacja; wymogi prawne i transparentność.
  • Dokładność/wiarygodność: NIEZNANE/BRAK_DANYCH.
  • Compliance: często wymaga analizy podstawy prawnej i mechanizmów minimalizacji; szczegóły: NIEZNANE/BRAK_DANYCH.

Camera-based analytics (analityka wideo)

  • Opis: zliczanie i estymacje ekspozycji (np. LTS) na podstawie obrazu; może wspierać OTS/LTS.
  • Zalety: możliwość analizy stref i ekspozycji (w zależności od wdrożenia); potencjał do LTS.
  • Ograniczenia: wysokie ryzyko prywatności, wymogi informacyjne, retencja; zwykle wymaga DPIA przy skali i ryzyku.
  • Dokładność/wiarygodność: NIEZNANE/BRAK_DANYCH.
  • Wymóg: anonimizacja, brak identyfikacji osób, brak profilowania; szczegóły wdrożenia: NIEZNANE/BRAK_DANYCH.

Panele i źródła zewnętrzne (third-party)

  • Opis: dane panelowe/rynkowe do kalibracji i benchmarków (zwykle nie per sklep w małych sieciach).
  • Zalety: kontekst rynkowy; porównania kategorii.
  • Ograniczenia: nie zawsze granularność per sklep; koszty; dopasowanie do lokalnych sieci.
  • Dokładność/wiarygodność: NIEZNANE/BRAK_DANYCH.
  • Przykładowi dostawcy: Nielsen, Circana (dawne IRI), Trax (audit/retail execution); zakres zależy od kraju: NIEZNANE/BRAK_DANYCH.

Metodologia raportowania

Format danych (CSV/JSON)

Footfall powinien być eksportowany jako dane „time series” per sklep i (jeśli dostępne) per strefa. Minimalny format powinien umożliwiać audyt: źródło danych, próba i świeżość.

Minimalne pola

  • store_id – identyfikator sklepu w systemie
  • timestamp – początek okna (np. godzina/dzień)
  • zone_id – identyfikator strefy (opcjonalnie; jeśli brak: NIEZNANE/BRAK_DANYCH)
  • footfall_count – liczba wizyt w oknie
  • dwell_time_avg – średni czas przebywania (opcjonalnie)
  • sample_size – jeśli to estymacja/panel (opcjonalnie)
  • data_source – POS/sensor/camera/panel/loyalty
  • confidence_interval – jeśli dostępne (opcjonalnie; często NIEZNANE/BRAK_DANYCH)
  • data_freshness_hours – opóźnienie danych

Częstotliwość raportu i SLA

  • Daily jako minimum (planowanie i rozliczenia okresowe).
  • Hourly gdy: ekrany/playlisty i optymalizacja w trakcie kampanii.
  • SLA freshness (np. T+24h dla daily, T+1–6h dla hourly): wartości docelowe zależne od implementacji: NIEZNANE/BRAK_DANYCH.

Jakość danych i audyt

Walidacja i cross-check

  • POS vs sensors: jeśli masz paragonowość i footfall z sensora, porównuj trendy i wykrywaj odchylenia.
  • Anomaly detection: nagłe spadki/wzrosty w godzinach otwarcia mogą oznaczać błąd źródła albo nietypowe zdarzenie.
  • Sample checks: okresowe ręczne weryfikacje w losowych sklepach (audit).
  • Store hours normalization: kontrola, czy dane nie zawierają godzin poza otwarciem sklepu.

Metryki jakości

  • Coverage %: % sklepów/stref z kompletnymi danymi w oknie.
  • Missing rate: % brakujących rekordów czasu (np. brak godzin).
  • Latency: opóźnienie danych (freshness).
  • Outlier rate: % rekordów odrzuconych jako anomalie.
  • Method drift: zmiany metodologii/źródła w czasie (musi być jawnie oznaczone).

Prywatność i compliance

Footfall i metryki in-store mogą wchodzić w obszar danych osobowych w zależności od technologii. Dlatego rekomendowana zasada to “privacy-by-design”: minimum danych, brak identyfikacji osób, ograniczony dostęp i retencja.

  • GDPR/RODO: zasady minimalizacji, celowości, kontroli dostępu i retencji dotyczą także analityki footfall.
  • EDPB (wideo): analityka wideo traktowana jest jako obszar podwyższonego ryzyka; w praktyce często wymaga DPIA przy skali lub ryzyku.
  • UODO: monitoring i rozwiązania mogące zwiększać inwazyjność powinny być oceniane pod kątem proporcjonalności.
  • Brak profilowania: metryki agregowane, bez przypisywania do osób.
  • Brak cookies / cross-device tracking: footfall in-store nie musi opierać się na cookies; jeśli używasz identyfikatorów urządzeń, analiza prawna jest wymagana: NIEZNANE/BRAK_DANYCH.
  • Loyalty/ID: jeśli używasz identyfikatorów, potrzebna jest podstawa prawna i dokumentacja: NIEZNANE/BRAK_DANYCH.

Przykładowe dashboardy i insighty dla reklamodawcy

  • Coverage map: mapa sklepów z footfall i statusami kampanii (aktywny/wykonany/odrzucony POE).
  • Hourly heatmap: heatmapa godzinowa footfall (peak hours vs martwe godziny).
  • Top stores by uplift (proxy): ranking sklepów po zmianie units/100 receipts w trakcie kampanii vs baseline.
  • Zone insight: jeśli masz zone-level: które strefy mają największy potencjał ekspozycji.
  • POE coverage: % zatwierdzonych wykonań (approved POE) per sklep i per kampania.
  • Data quality panel: coverage %, missing rate, latency i zmiany źródeł.

Najczęstsze błędy i pułapki

  1. Mieszanie źródeł bez normalizacji: POS ≠ footfall; nie porównuj bez opisu metod i konwersji.
  2. Ignorowanie godzin otwarcia: hourly bez kalendarza sklepu tworzy fałszywe anomalie.
  3. Double-counting: wejście + strefa mogą się sumować niepoprawnie, jeśli nie rozróżnisz definicji.
  4. Bias próby: loyalty lub Wi‑Fi pokazują tylko część klientów (niepełny obraz).
  5. Stale data: dane z opóźnieniem nie nadają się do optymalizacji kampanii w trakcie.
  6. Naruszenia prywatności: identyfikatory urządzeń lub wideo bez właściwych podstaw, informacji i retencji.
  7. Brak audytu jakości: bez coverage/missing/latency nie wiesz, czy dane są realne czy „martwe”.

FAQ

Co to jest footfall?

Footfall to liczba wizyt (wejść/odwiedzin) w sklepie w określonym oknie czasu. Może dotyczyć całego sklepu lub stref.

Czy footfall to to samo co liczba paragonów?

Nie. Paragony to proxy transakcji, a footfall to proxy wizyt. Mogą się korelować, ale nie są równoważne.

Jakie minimum footfall trzeba raportować reklamodawcy?

Minimum: total footfall per sklep per dzień + data_source + data freshness. Jeśli masz strefy, dodaj zone-level.

Czy da się policzyć unikalnych odwiedzających?

To zależy od technologii. W wielu wdrożeniach unikalni odwiedzający są NIEZNANE/BRAK_DANYCH albo obarczone ryzykiem prywatności.

Po co reklamodawcy dwell time?

Dwell time jest proxy jakości ekspozycji: im dłużej klient przebywa w strefie, tym większa szansa na kontakt z nośnikiem.

Co to jest OTS i jak wiąże się z footfall?

OTS (opportunity to see) to estymacja okazji do zobaczenia reklamy. Footfall w strefie ekspozycji jest jednym z wejść do tej estymacji.

Czy pomiar footfall jest „bezpieczny” pod RODO?

Może być, jeśli dane są agregowane i nie identyfikują osób. Technologie oparte o identyfikatory lub wideo wymagają ostrożności i dokumentacji.

Jak raportować footfall: hourly czy daily?

Daily jako minimum; hourly gdy chcesz optymalizować emisję i kampanię w trakcie (np. ekrany/playlisty). SLA zależy od źródła: NIEZNANE/BRAK_DANYCH.