«Местомер»: как городские данные и машинное обучение помогают найти лучшую локацию

Основатель компании «Местомер» Андрей Иванов рассказал о применении машинного обучения для прогнозирования товарооборота торговых точек и как городские данные помогают найти лучшую локацию.

Расскажите, как появилась идея проекта?

В конце 2015 года я задумался об открытии розничного бизнеса. Встал вопрос выбора локаций: сравнить 37 помещений, выбрать 5. По факту — недели оценок в полях, таблицы Excel, десятки неоднородных критериев окружения: «тут больше домохозяйств, но мало трафика, а тут остановка транспорта, но 3 конкурента рядом». Обратился к другу — Андрею Шевелеву, у которого за плечами 150 открытых точек. Тут и зародилось первое зерно проекта. Общался с ритейлерами, видел одинаковую проблему. В малом ритейле до 15 точек, предприниматель сам собирает информацию в «полях», собирает первые показатели в Excel, а по факту чувствует место «кончиками пальцев». Есть ГИС-инструменты в помощь, но их мало, показатели общие, без цифр.

Когда сеть развивается, открываются новые точки, собственник передает наработки в виде формулы с табличками в Excel. Теперь оценка локаций — задача отдела развития. Следующий уровень — выход в соседние города, другие регионы. Тут 3-летняя формула не работает, она перестала работать еще в родном городе, поменялись конъюнктура рынка, городская и конкурентная среда, спасали родные стены, опыт. Изменяют формулу, пробуют, ошибаются, теряют деньги. Появляется понятие точности прогноза. Собственника или инвестора интересует возврат инвестиций, чистая прибыль, тут ошибка расчета РТО в 5% может стоит миллионы.

Я погрузился в эту тему, предположил, что новым уровнем формулы в Excel станет применение статистического анализа и построение алгоритмов, чтобы учитывать больше показателей, искать взаимосвязи товарооборота и окружения точки. Создал команду, стали собирать городские данные, строить алгоритмы и модели. Работали с сетями, получили первые положительные результаты. В течение года мы пришли к big data и поиску локаций с заданным РТО с помощью машинного обучения.

Какие данные вы сейчас используете для работы?

Используем то, что влияет на оборот точки: плотность населения, пешеходный и автомобильный трафик, расположение и сила конкурентов, средний уровень зарплаты, расположение точек интереса (супермаркеты, торговые центры) и другие. Используем данные о потоках людей, количество и расположение остановок транспорта, количество маршрутов на них, расположение станций метро и пассажиропоток на этих станциях. Всего более 40 критериев оценки.

В чем преимущества машинного обучения перед классическим подходом?

У человека на оценку локаций города-миллионника уйдет 20-30 дней, в зависимости от уровня знаний о городе. Более того, человеку сложно оценить больше 10-15 критериев, машина же оценивает сотни критериев, находит взаимосвязи между ними и выручкой торговой точки, что в результате дает высокую точность прогноза вместе с высокой скоростью расчета.

Машинное обучение работает с большими данными, оценивает сразу сотни критериев по 1000 точкам, делает это беспристрастно, выдает результат за секунды, человек физически на такое не способен. Объем данных гарантирует точность прогноза.

В нашей работе были кейсы, когда машина находит неочевидные локации, на которые не обращал внимания отдел развития. Новый район, освободившееся место на проходном перекрестке. Старые методы не дают такого результата. Нужно отличаться от конкурентов, быть на шаг впереди, занимать самые «вкусные» места.

Каких результатов удалось добиться и как выглядит решение?

Оцениваем влияние местоположения на оборот действующих точек, фиксируем, какой критерий влияет сильнее или слабее, сколько таких критериев. На выходе получаем алгоритм поиска и прогноза помещений по обороту с точностью 85-93%. Результат алгоритма — локации и помещения на карте с прогнозом выручки на заданном уровне.

Например, выбрать из тысяч объектов помещения площадью 60-120 кв. м с прогнозом товарооборота не ниже 2 миллионов рублей, сам прогноз тоже показываем. Кроме того, в распоряжении клиента — калькулятор прогноза выручки в произвольной точке города.

«Местомер» – самодостаточный сервис или все-таки полезный, но вспомогательный инструмент?

В одних задачах это самодостаточный сервис, в других — полезный инструмент. Например, на основании прогноза найти 20 помещений с выручкой от 2 млн рублей из трех тысяч доступных — самодостаточный инструмент, который сделает это за минуту. Человек физически не способен обработать такой объем информации за сравнимый срок. А если помещение занято и нужно найти собственника и перебить арендную ставку — инструмент. Мы нашли — человек добивает.

Для кого в первую очередь рассчитан проект, кто ваши клиенты?

Сетевой street-retail. Главный критерий — наличие не менее 60 точек для обучения алгоритма, которые вышли на полную мощность, и цель открыть новые точки.

Есть ли примеры успешных кейсов, какие ритейлеры уже пользуются сервисом и какие отзывы о проекте?

В конце прошлого года закончили проект для сети магазинов «Цифровой Папа». Создали модель поиска помещений и прогноза оборота. За полгода открыто 4 магазина, оборот которых выше на 9%, а чистая прибыль — на 17%, чем в среднем по сети.

В настоящее время завершили модель прогноза для компании «Ортека» в Санкт-Петербурге, тестируем, после чего запускаем на регионы, достигли точности прогноза 90%. В такой же стадии проект с «36.6» в Москве. Клиентов больше, пока не обо всех можно рассказать в виду соглашений. Во всех случаях система находит факторы влияния, о которых клиент не догадывался. В случае с ортопедией это близость к детским поликлиникам, в случае с магазином запчастей — к гаражным массивам и автосервисам.

В каком направлении будет развиваться сервис, какой функционал вы планируете в него добавить и как улучшить уже существующий?

Главная цель — увеличивать точность прогноза, создавать больше моделей. Одна модель лучше оценивает «чемпионские точки», другая лучше находит с низкой выручкой. Находить новые показатели, влияющие на прогноз, детальнее изучать отдельные сферы. Клиенты помогают обратной связью, вместе с ними находим новые факторы влияния. Нам есть куда расти.

Есть ли у вас конкуренты, похожие проекты в России и мире, и если да, то в чем ваше преимущество?

В мире, в том числе и в России есть сервисы, которые дают возможность при помощи геоданных выбирать локацию самостоятельно. Есть компании, создающие модель на основании исторических данных.

Для каждого клиента мы создаем несколько моделей. Одни модели лучше предсказывают точки с оборотом 1,5-2 млн руб., другие модели лучше предсказывают точки с оборотом 3-4 млн и т.д. Применяя комбинацию моделей для новой локации, мы получаем оценку точки «со всех сторон», видим перечень влияющих факторов и их расшифровку, уменьшаем вероятность ошибки. Считаю это главным отличием.

Кроме того, наши клиенты получают доступ к тепловой карте, отражающей прогноз выручки на всей территории города, и могут выбрать приоритетные районы для развития. Отфильтровать объекты по уровню выручки, чтобы занять лучшие места в первую очередь.

Андрей, спасибо, желаю удачи вашему проекту!

Благодарю, и вам спасибо!

Андрей Иванов
CEO «Местомер»
Телефон: +7 (999) 445-47-30, +7 (499) 290-95-24
Почта: ceo@mestomer.com

*материал опубликован на правах рекламы

Подписывайтесь на наш канал в Telegram, чтобы первым быть в курсе главных новостей ритейла.

5 1 vote
Article Rating
мп-спец-в-контенте
Подписаться
Уведомлять о
guest
0 Комментарий
Inline Feedbacks
View all comments