La matriz de correlación muestra las relaciones entre las categorías que se visitan en una tienda. Para cada par de categorías indica la probabilidad de que quien para en una también pare en la otra, lo que ayuda a detectar oportunidades de venta cruzada y la mejor ubicación para los expositores secundarios.
Shoppermotion la construye con las rutas anónimas de carros y cestas, registradas de forma pasiva desde la entrada hasta las cajas, y compara cuántas veces se visitan (o se compran) dos categorías en la misma visita con lo que cabría esperar por azar. Para un estudio fiel a la realidad hacen falta al menos 10.000 rutas de los últimos tres meses. La matriz de correlación temporal (en inglés) añade el orden de la visita: en un ejemplo, la correlación de frutas y verduras hacia congelados es del 40 %, pero en sentido contrario baja al 11 %.
La matriz no suele ser simétrica. En una tienda de ejemplo, el 20 % de quienes paraban en verduras pasaba por panadería, pero el 100 % de quienes paraban en panadería pasaba por verduras, y el 38,9 % de los que paraban en marisco también pasaba tiempo en tofu. En otro ejemplo, uno de cada dos compradores de panadería pasaba por lácteos, pero solo el 28,8 % de los de lácteos pasaba por panadería, lo que invitaba a colocar el pan fresco junto a la mantequilla.
Los usos habituales son colocar expositores secundarios de una categoría dentro o junto a su pareja más fuerte, hacer retargeting de quienes visitaron una categoría sin comprar y diseñar packs respaldados por el comportamiento real. Lo explican el artículo sobre la matriz de correlación y el caso de uso para una cadena de supermercados.