Cómo la metodología de pisadas normalizadas de Tamoco mide las visitas con mayor precisión

El problema:

Muchas metodologías de medición de las visitas o de la afluencia de público que aprovechan geolocalización tienen algunos defectos inherentes. A menudo, hay que llegar a un compromiso entre la escala y la precisión.

Sin la escala necesaria, puede resultar difícil identificar las tendencias reales en los datos, sin garantía de que el pequeño tamaño de la muestra distorsione drásticamente cualquier idea generada.

Los filtros de mayor precisión garantizan la eliminación de las visitas falsas del conjunto de datos. Aun así, en muchos casos, esto también filtra las visitas "verdaderas" que no pasan los filtros estrictos que utilizamos para constituir una "visita". 

El reto:

Estos puntos de datos pueden contribuir a crear grupos de datos de visitas más concluyentes, que pueden utilizarse para medir la afluencia de público en un punto de interés con mayor precisión.

Con esto en mente, Tamoco se propuso crear una mejor solución de medición de visitas/pisadas. Necesitábamos asegurarnos de que podíamos generar una escala relevante sin comprometer la exactitud y la precisión que subyace en nuestra metodología de datos.

En este caso, el reto consistía en medir las visitas a las tiendas de una gran cadena en Estados Unidos.

Los datos:

Nuestra metodología para este proyecto fue la siguiente:

Paso 1: Atribución de dispositivos a PDI

• Medimos los visitantes (dispositivos únicos) que han estado cerca de una tienda.
• Para establecer la zona a vigilar, estamos dibujando un polígono inteligente basado en las calles que rodean la tienda dada, además de limitar las zonas a 150m (donde los polígonos son demasiado grandes).
• Filtramos los puntos de datos coincidentes por el horario de apertura de la tienda.
• Esto nos da una gran cantidad de dispositivos que han sido vistos mientras la tienda está abierta, ya sea en la carretera entrando en la tienda, en el aparcamiento de la tienda, o dentro de su edificio.

Paso 2: Creación de grupos de control

• Establecemos una relación entre el número de visitantes (hallado en el paso 1) con el número y los comportamientos de los dispositivos únicos seleccionados para los que la probabilidad de visita al PDI es cercana al 100%.
• Utilizamos un método de clustering para encontrar esos visitantes altamente probables y crear un grupo de control a partir de ellos.
  • Estos grupos de control son únicos para cada PDI
  • El grupo de control se crea para el día más "activo" de cada mes (basado en Tamoco DAUS)

Este es un ejemplo de grupo de control para la misma tienda.

Paso 3: Normalización de los datos, creación del estudio de afluencia

• A continuación, normalizamos los visitantes del paso 1 mediante
  • Cambios en los usuarios activos diarios en una región más amplia (en este caso dentro del estado de EE.UU.)
  • Los grupos de control de la etapa 2
• Como resultado, Tamoco puede entender:
  • la tendencia de la actividad a nivel de tienda por cada hora, día, mes y año
  • qué porcentaje de visitantes visitó la tienda x número de veces
  • qué porcentaje de visitantes fue también a otro PDI
  • qué porcentaje vive/trabaja en la zona/ciudad

Este conjunto de datos constituirá nuestra entrega de datos. Pueden entregarse en bruto, o bien ofrecemos potentes productos de visualización para dar vida a los datos.

Este proyecto ha sido una excelente oportunidad para crear un producto de medición de visitas más sólido. Mientras que otras metodologías que tienen grupos de datos más pequeños podrían afectar a la fiabilidad de las visitas, nuestra metodología adopta un enfoque de normalización, garantizando que estos riesgos se eliminen del proceso de medición.

Para nuestros clientes, significa que pueden identificar con mayor fiabilidad las tendencias de las visitas a un PDI. Este proyecto es ideal para las marcas minoristas que desean obtener datos de afluencia que representen con mayor precisión lo que ocurre sobre el terreno.

Comience con la medición de pisadas de Tamoco