Денис Струков: 65% компаний, которые используют облачные решения, — ритейл формата "у дома"

Крупные и интересные проекты ЦПИ

Сбербанк

Задача:

Переформатировать сетку.

Решение:

Разработали методологию оценки места и апробировали на Ангарске. Получили рейтинг зон и улиц, где можно было разместить существующую сеть. Далее проекты по методике реализовывали для территориальных банков Сбербанк: Москва, Санкт-Петербург, Екатеринбург.

X5 Retail Group

Задача:

1. Ускорить темп принятия решений, связанный с выбором места.
2. Управлять и контролировать поисковиками мест.

Решение:

Бизнес-процесс выстраивали они, а мы его автоматизировали, адаптировали, участвовали в создании удобных аналитических функций. Часть функций переложили при этом на поисковика — это было ключевым изменением для компании в бизнес-процессе, которое позволило ускорить темп открытия.

Результат:

В пик своей активности Х5 открывали по 6 точек в день согласно ранее опубликованным данным. X5 — знаковый проект для рынка геомаркетинговых систем и услуг, потому что потом многие ритейлеры последовали примеру Х5.

Дикси

Интересно, что в следующем проекте с компанией Дикси в годы ее активного развития, мы решали похожие задачи, но другими инструментами. Компания выбрала не корпоративную ГИС, как X5, а облачную геомаркетинговую систему, которую мы и разработали. Часть непрофильных работ в Дикси предпочли отдать нам, сторонним специалистам. В результате проект получился дешевле в несколько раз.

Массовое решение Geointellect

Отдельные клиенты пользуются облачной геомаркетинговой системой Geointellect для оценки локаций. KFC, Pizza Hut использовали систему для решения задач, связанных с доставкой и оценкой места, передавая методологию франчайзи, тем самым стандартизируя оценку места. Аналогичные схемы работы используют и другие компании, которым важно быстро и точно оценивать место: Вкусвилл, Заодно и др.

65% компаний, которые используют облачные решения, — ритейл формата "у дома".

Основные сегменты: fmcg, общепит, дрогери, diy. Для некоторых компаний важно быстро принимать решение, чтобы занять ликвидное помещение. Для других важна точность прогноза товарооборота при оценке локации.

Инновации в ритейле

Интеграции геоданных с BI, CRM и ERP-системами

Клиентам таких систем важно видеть геоданные для макроанализа продаж и считать доли рынков. Сейчас мы пробуем давать через API геоданные по регионам, муниципальным образованиям, по районам с населением или доходами.

API снижает стоимость IT-решений для крупных заказчиков, экономит им время, аппаратные ресурсы.

Вокруг AL и ML, в том числе в геоаналитике, слишком много шума

Чтобы внедрять методы машинного обучения, сначала надо накопить статистику по торговой сети и по факторам, влияющим на выручку, - как внутренним, так и внешним. Чем больше данных по точкам торговой сети, тем меньше ошибок. Все хотят ошибку меньше 10%, и сейчас много стартапов, которые предлагают решения с минимальными ошибками. Но в это трудно поверить. Ведь все зависит не от методов — они у всех одни и те же. Проблема в количестве данных и в их качестве. А есть ли накопленные данные у компании? А если есть, то какого качества?

Другая проблема — данные о конкурентных точках. Чтобы прогноз товарооборота был точнее, нужны данные о товарообороте конкурентов в динамике.

Аналитические и пространственные методы в ритейле

Наиболее часто мы занимаемся разработкой моделей по оценке товарооборота, многофакторными моделями по поиску места, геомоделированием целевой аудитории оффлайн, моделями логистических кустов, а также урбанистическими моделями.

Оценка товарооборота

Хочет торговая сеть ускорить развитие сети? Для этого нужно определить параметры эффективности, по которым будут открываться точки. В конечном итоге это приводит к прогнозу товарооборота. На практике это, как правило, - ускорение бизнес-процесса и сокращение издержек.

Мы анализируем пространственные факторы и внутренние факторы — показатели работы сети. Ищем взаимосвязи, проверяем гипотезы и получаем переменные, которые ложатся в основу анализа. На их основе строим модели прогнозирования и проверяем по реальным точкам. Если модель успешна, как правило, заказчик просит ее автоматизировать. В результате, используя облачную геомаркетинговую систему, заказчик за несколько минут получает прогноз товарооборота будущей точки и принимает решение, открывать точку или нет.

Поиск целевой аудитории — моделирование

Мы используем данные Locomizer — агрегированые деперсонифицированные геометки из мобильных приложений, которые притягиваются либо к месту интереса, либо к месту вынужденного пребывания людей. Если геометка находится рядом с театром и этот пользователь с определенной периодичностью генерирует метки недалеко от театра, предполагаем, что интерес к этому месту устойчивый.

Чтобы создать профиль интересов пользователя, анализируем каждую точку из его истории местоположений, чтобы показать ее взаимосвязь до сотен мест и физических действий, расположенных в том числе и на значительном отдалении от начальной точки. После анализа сотен таких точек пользователя, мы видим стабильные паттерны поведения и соединения между пользователем и физическим миром.

В результате на карте города визуализируем точки целевой аудитории с интересом к определенной категории: больницы, детские сады, магазины одежды, рестораны с детскими комнатами.

Полное интервью читайте в журнале CRE.

Подписывайтесь на наш канал в Телеграм — там мы публикуем новости рынка.