Как найти помещение под магазин, которое будет качать на миллионы? Нейросеть — в помощь.

Что влияет на продажи ритейла? На 80% – грамотно выбранное помещение. Мало квартир в выбранном квадрате – выручка просядет. В радиусе 300 метров точки торгуют не на «5+» – следует задуматься. У входа в магазин не 1 ступенька, а 3 – ленивых крайне много. Может ли это и 3 десятка такого рода критериев учесть и продумать в своей голове человек и спрогнозировать выручку? Конечно, однако это займет много времени, и человек что-то упустит. А грамотно обученная нейросеть даёт сбои редко. Хотим поделиться своим опытом в подборе прибыльных помещений для торговых точек собственной сети и франшизы.

Начнём с реальных цифр

Почему магазин на Пехотинцева работает с опережением прогнозируемой выручки, а на Кузнецова – с отставанием на полмиллиона?

Дело в том, что магазин на Кузнецова был открыт до введения нами искусственного интеллекта в процесс поиска помещения. Данное помещение подбирали люди, допустившие ошибки во время оценки локации:

• Не лучшая видимость фасада по причине многочисленных деревьев рядом;
• Трамвайные пути препятствуют удобному подъезду;
• Нет заезда для встречного трафика;
• Трафик по направлению оказался «проездным», хоть и большим.

Что же сегодня помогает сети магазинов разливных напитков быстро находить помещения?

• IT-платформа BST Organica;
• Обученная на базе Python нейросеть;
• Люди – без них никуда при любом раскладе.

Первый этап: IT-платформа BST Organica

Путь к этой программе был долгим. В конце 2019 года ребята предложили нам интересный продукт. Плюс этого IT-решения – использование GSM-трафика, который позволяет минимизировать погрешности ячеек территорий. Нам предстояло только внедрить в анализ главные критерии отбора помещений конкретно под нас, проработать тонкие места, что мы общими силами и сделали.

Вносим адрес, выбираем нужные параметры, и программа отображает нам удачный сектор для помещения под торговую точку.

Что нужно учитывать при выборе помещения:

• проходят ли «народные тропы» в прямой видимости помещения;
• как располагаются остановки и сколько маршрутов общественного транспорта здесь проходит;
• трафик пешеходный с разбивкой вечерний и утренний;
• трафик автомобильный на стороне попутного движения — вечерний и утренний;
• трафик автомобильный на противоположной стороне — вечерний и утренний;
• количество жильцов в радиусах 100 и 300 метров;
• наличие других розничных точек в радиусе 300 метров — федеральные сети, алкомаркеты и пивные магазины;
• наличие ресторанов фастфудов в радиусе 300 метров.

«Нам интересны квадраты, где совокупная выручка по точкам составляет от 25 млн Р в месяц. Если эта цифра есть, значит, здесь высокий уровень покупательской активности, и нам эта локация интересна».

Второй этап: человек

Да, без него не обойтись. Мы остановили выбор на локации радиусом 150 метров при помощи платформы, после чего на место едет менеджер и изучает «ногами» и «глазами» территорию и доступные помещения.

На какие важнейшие параметры обращает внимание специалист:

• число подходящих помещений;
• видимость фасада: перекрывают ли его деревья, рекламные баннеры или что-то подобное;
• наличие парковки с удобным заездом/выездом;
• реальный трафик;
• реальные «народные тропы»;
• площадь и планировки предоставленных помещений;
• удаленность от проезжей части;
• число ступеней на крыльце.

Третий этап: нейросеть

Наш аналитик собирает все полученные данные из BST Organica и от менеджера по конкретным помещениям, заносит в код нейросети на базе Python и за 5 секунд получает потенциальную выручку на лето и зиму (для пивного бизнеса это важно). Если подробнее: мы взяли около 180 действующих магазинов, определили главные факторы помещения, влияющие на выручку, ввели всё это в код нейросети. Искусственный интеллект обучился и начал за секунды просчитывать прогнозируемую выручку на базе массива данных.

О, чудо? Увы, всё не так просто. Во-первых, мы не сразу осознали, что данный анализ может делать исключительно нейросеть и наш собственный аналитик. Мы искали на рынке готовое программное обеспечение. Например, пытались работать с компанией, оказывающей соответствующую услугу крупной федеральной сети алкомаркетов, заявляя, что попадание 97-98%. Когда же мы предоставили им свои данные, то погрешность оказалась 60%. В результате, мы нашли программистов, которые взялись за нашу задачу и разработали тот самый код на Python.

К примеру, сначала мы использовали общие выручки всей розницы в заданном радиусе – не верно. Когда мы осознали эту ошибку и распределили этот показатель на несколько подтипов, погрешность расчетов ощутимо сократилась.

Сейчас мы по отдельности загружаем данные:

• общая выручка продуктовых сетей и самый торгующий супермаркет в радиусе;
• общая выручка алкомаркетов и самый торгующий алкомаркет в радиусе;
• общая выручка магазинов пива и самый торгующий пивной в радиусе;
• число точек общественного питания и фастфудов.

Еще одна серьёзная ошибка — мы вносили в нейросеть исключительно успешные магазины. В результате, искусственный интеллект при анализе не учитывал негативный опыт, и мы получали существенную погрешность в расчетах потенциальной выручки.

Завершается ли работа по подбору помещения на этом? Нет!

Готовые цифры по потенциальной локации выносятся на обсуждение специального комитета. Да, именно люди — финальный этап в принятии решения: запускаем мы или наш франчайзи магазин здесь или нет.

Зачем же тогда такие сложности, если окончательное «да» говорят все равно люди? Ни один искусственный интеллект не заменит человека. Нейросеть делает за нас огромный массив работы за считанные секунды. Но у неё нет глаз, интеллекта и интуиции, поэтому людей из этой цепочки не исключить.

Подробнее – франшиза «Пив&Ко»