Wie genau sind Frequenzdaten wirklich?

Frequenzdaten liegen heute Entscheidungen zugrunde, die früher aus dem Bauch heraus getroffen wurden: welcher Standort angemietet wird, wie eine Filiale im Vergleich zum Filialnetz abschneidet, ob eine Kampagne tatsächlich Menschen ins Geschäft gebracht hat. Sobald eine Zahl eine solche Entscheidung begründet, folgt die naheliegende Frage: Wie genau sind Frequenzdaten wirklich – und woran erkennen Sie, ob Sie der Zahl vor sich trauen können?

Dieser Leitfaden erläutert, wie Frequenzdaten zustande kommen, was ihre Genauigkeit typischerweise beeinflusst, wie Genauigkeit geprüft und validiert wird und worauf Sie achten sollten, bevor Sie sich bei einer Standortwahl, einer Leistungsbewertung oder einer Expansionsentscheidung auf eine Zahl verlassen.

Was sind Frequenzdaten?

Frequenzdaten sind eine Erfassung oder Schätzung, wie viele Menschen einen definierten Ort in einem bestimmten Zeitraum passieren, betreten oder durchqueren. Dieser Ort kann ein einzelner Ladeneingang sein, ein Einkaufszentrum oder ein größeres Einzugsgebiet wie eine Einkaufsstraße oder ein Fachmarktzentrum.

Frequenzdaten stammen aus verschiedenen Quellen, und die Quelle wirkt sich unmittelbar darauf aus, wie genau die resultierende Zahl voraussichtlich ist:

• Sensoren und Zählgeräte in Filialen, die an einem festen Punkt zählen, etwa im Eingangsbereich.
• WLAN- oder Bluetooth-Erkennung, die Geräte in der Nähe schätzt, statt Personen direkt zu zählen.
• Modellierte Schätzungen auf Basis aggregierter, anonymisierter mobiler Standortsignale, mit denen sich die Frequenz eines gesamten Gebiets abschätzen lässt, auch für Standorte, die ein Unternehmen nicht selbst betreibt.

Alle drei liefern eine Zahl, die „Frequenzdaten“ genannt wird, doch sie sind nicht austauschbar, und jede bringt eine andere Art und Größe von Fehlermarge mit.

Warum die Genauigkeit von Frequenzdaten schwankt

Es gibt keine einzelne Genauigkeitsangabe, die für alle Frequenzdaten gilt, denn die Genauigkeit hängt davon ab, was wo und wie gemessen wird. Eine Zählung am Eingang und eine modellierte Schätzung für ein ganzes Fachmarktzentrum beantworten unterschiedliche Fragen, und jede ist je nach Einsatzzweck mehr oder weniger belastbar.

Einige Faktoren verschieben die Genauigkeit regelmäßig nach oben oder unten:

• Standortdichte: Belebte, gut erfasste Einkaufsstraßen und Einkaufszentren liefern in der Regel belastbarere Schätzungen als ruhige ländliche Lagen mit weniger Referenzdaten.
• Datenquelle und Stichprobengröße: Je größer und repräsentativer die zugrunde liegende Basis an Geräten oder Sensoren, desto weniger verzerrt eine kleine Zahl ungewöhnlicher Besuche die Schätzung.
• Zeitraum: Über eine Woche oder einen Monat aggregierte Werte sind meist stabiler als Momentaufnahmen einzelner Tage, die stärker von Einzelereignissen abhängen.
• Sensorplatzierung und Abdeckung: Ein Eingangszähler misst nur seine exakte Position; ein schlecht platzierter oder schlecht gewarteter Sensor kann monatelang unbemerkt zu wenig oder zu viel zählen.
• Validierung an realen Referenzpunkten: Anbieter, die ihre Werte regelmäßig gegen bekannte Zählungen prüfen, etwa gegen veröffentlichte Frequenzreihen oder Trends aus Kassentransaktionen, erkennen und korrigieren Abweichungen früher als andere.

Seriöse Anbieter erstellen eine Schätzung nicht einfach und lassen es dabei bewenden. Sie gleichen ihre Werte laufend mit unabhängigen, realen Referenzpunkten ab, etwa mit Zählungen der Vermieter oder Sensordaten aus Filialen, und behandeln jede Abweichung als etwas, das zu untersuchen und zu korrigieren ist, statt sie zu ignorieren.

Wie wird die Genauigkeit von Frequenzdaten gemessen?

Geprüft wird die Genauigkeit üblicherweise, indem ein Frequenzwert mit einem unabhängigen Referenzpunkt verglichen wird, der bereits als verlässlich gilt: einer manuellen Zählung, einem veröffentlichten Frequenzindex oder den Transaktionsdaten eines Händlers. Je näher der modellierte oder sensorgestützte Wert an dieser Referenz liegt, desto mehr Vertrauen verdient der Datensatz, aus dem er stammt.

Ein einzelner Vergleich an einem Tag sagt wenig aus. Entscheidend ist, ob ein Anbieter dies durchgängig prüft, über viele Standorte und über die Zeit, und ob er transparent macht, wo seine Werte gut standhalten und wo sie schwächer sind. Ein Anbieter, der seine Zahlen gegen eine breite Auswahl bekannter Referenzpunkte zeigen kann statt gegen eine Handvoll günstiger Beispiele, ist in der Regel die sicherere Grundlage für Entscheidungen.

huq etwa veröffentlicht eine laufend fortgeschriebene Genauigkeits-Scorecard statt einer einmaligen Validierung. Die Frequenzschätzungen werden gegen Hunderte maßgeblicher externer Quellen regressionsgeprüft und erreichen in Deutschland einen Median-MAPE (mittlerer absoluter prozentualer Fehler) von 14,5 % gegenüber der Ground Truth. Auf einen solchen dauerhaften, überprüfbaren Nachweis sollten Sie achten, bevor Sie sich für einen Datensatz entscheiden.

Sensordaten oder modellierte Frequenzdaten: Was ist genauer?

Keine der beiden Quellen ist pauschal „genauer“ als die andere. Jede hat eine eigene Stärke und einen eigenen blinden Fleck.

• Sensoren und Zählgeräte in Filialen sind exakt an der Stelle, an der sie installiert sind, decken aber nur Standorte ab, die ein Händler bereits betreibt, und ihre Genauigkeit hängt stark von korrekter Platzierung und Wartung ab.
• Modellierte, auf mobilen Signalen basierende Frequenzdaten decken auch Standorte ab, an denen ein Händler keine eigene Technik im Einsatz hat, einschließlich solcher, die er erst in Erwägung zieht. Sie sind allerdings eine Schätzung und keine direkte Zählung, und ihre Verlässlichkeit hängt von Umfang und Repräsentativität der zugrunde liegenden Daten sowie davon ab, wie oft sie gegen reale Werte geprüft werden.

Vergleicht ein Händler Filialen, die er bereits betreibt, werden Sensordaten und modellierte Daten oft nebeneinander genutzt. Bei der Standortwahl, wo es keine bestehende Hardware gibt, sind modellierte Frequenzdaten meist die einzige praktikable Option – und genau deshalb kommt es dort so sehr auf ihre Genauigkeit an.

Anzeichen dafür, dass Ihre Frequenzdaten nicht stimmen

Einige Muster sollten Sie als Warnsignal und nicht als einmaliges Rauschen behandeln:

• Frequenzwerte, die sich dauerhaft gegenläufig zu Umsätzen oder Transaktionszahlen entwickeln, ohne dass es eine naheliegende Erklärung wie ein Konversions- oder Preisproblem gäbe.
• Plötzliche, unerklärliche Sprünge oder Einbrüche der Frequenz an einem einzelnen Standort ohne entsprechendes Ereignis, ohne Aktion und ohne saisonales Muster.
• Zahlen, die über verschiedene Standorte hinweg auffällig rund oder repetitiv wirken – das kann auf einen Sensorfehler oder ein Modellierungsproblem hindeuten statt auf einen echten Trend.
• Ein Anbieter, der nicht in klaren Worten erklären kann, wie ein Wert zustande kam oder geprüft wurde.

Keines dieser Anzeichen belegt für sich genommen, dass ein Datensatz falsch ist. Sie sind aber ein guter Anlass, der Herkunft einer Zahl nachzugehen, bevor sie eine Entscheidung begründet.

Wie britische Einzelhändler Frequenzdaten in der Praxis validieren

Über das Vertrauen in die Angaben eines Anbieters hinaus bauen die meisten britischen Einzelhändler und Vermieter, die sich auf Frequenzdaten stützen, eigene Prüfungen ein. Üblich sind der Abgleich der Frequenz mit Kassen- beziehungsweise Point-of-Sale-Trends, um zu sehen, ob sich beide wie erwartet parallel entwickeln, Stichproben an einzelnen Standorten gegen eine manuelle Zählung oder einen vorhandenen Filialsensor sowie der Vergleich einer neuen Datenquelle mit einem bereits bewährten Datensatz für eine Teilmenge der Standorte, bevor sie breiter ausgerollt wird.

Diese Prüfungen müssen nicht aufwendig sein, um zu nützen. Schon eine kleine, gezielte Validierung an einer Handvoll repräsentativer Standorte zeigt, ob sich ein Datensatz konsistent verhält, bevor er für ein gesamtes Portfolio herangezogen wird.

Sie möchten wissen, wie genau Frequenzdaten für Ihre eigenen Standorte wären? Sprechen Sie mit dem huq-Team über Ihre Standorte und die dahinterliegenden Validierungsdaten.