0/5
Подпишитесь на новости ритейла

Я ознакомлен с политикой конфиденциальности и принимаю её условия

Как сэкономить 9,8 млн рублей с помощью геоданных

Как сэкономить 9,8 млн рублей с помощью геоданных
Как открыть новую торговую точку и не прогореть через полгода? И как получить возможность открывать только прибыльные объекты с помощью использования геоданных?
Как сэкономить 9,8 млн рублей с помощью геоданных

На фото: Павел Уваров, ведущий аналитик компании «Арендоход»

Я работал руководителем IT проектов в компании, которая открывала объекты торговли. 

Из нелюбви к рутине я решил придумать, как автоматизировать поиск лучшего места для точки и точнее прогнозировать выручку будущего объекта. Расскажу, что из этого получилось.


Стандартный метод «на опыте»

Обычно при открытии новой точки менеджеры компании принимают решение о выгодности объекта на основании теоретических знаний и собственного опыта – знания города, конъюнктуры рынка, конкурентов и т.д. 

Поиск локации «на опыте» происходил так:

  • Специалист выезжал на потенциальную точку или приезжал город в поисках подходящей локации.

  • На месте анализировал окружение объекта: социальную, транспортную инфраструктуру, близость конкурентов и прочее. Все это записывал на бумагу или тетрадь, реже на планшет или ноутбук.

  • Определял число людей, проживающих вблизи точки «на глаз» (аккуратность этой оценки полностью зависела от острого взгляда менеджера и его представлениях о количестве жителей в районе). 
 
На основании полученных данных специалист прогнозировал значение товарооборота. Опыт и знания менеджера, безусловно, влияют на успешность открытия нового объекта, но опираться только на них рискованно для компании. 

Во-первых, ничто не мешает этому менеджеру уйти в другую компанию, например к конкуренту. Во-вторых, работу менеджера контролировать трудно, нет системности в поисках и анализе потенциального места для торговой точки. В-третьих,  даже потенциально успешное место, которое найдет менеджер, на практике может не дать обещанного результата, что грозит миллионными издержками компании. В-четвертых, нет никаких гарантий того, что это не точка его друга, которую он просто хочет продать.

Точность такого прогноза зависит от ответственности и опыта конкретного сотрудника: чем более аккуратно он проводит исследование, тем выше точность. 

Проанализировав 133 потенциальных объекта менеджеров, я сделал вывод, что точность линейного специалиста не превышает 70%. 

Чаще всего даже опытные менеджеры, оценивают объект, просто глядя на него на местности или даже на карте, говоря: «Здесь объект будет торговать примерно 250-300 тысяч в день».

Затем уже эта оценка подгонялась под презентацию инвестиционному комитету и иногда оправдывала себя.

Как сэкономить 9,8 млн рублей с помощью геоданных 


Недостатки метода 

Сеть «Пятерочка» – одни из первых в продуктовом ритейле, кто внедрил автоматизированное прогнозирование выручки. Сейчас они лидеры рынка. Совпадение?

Низкая точность

Первый и самый очевидный недостаток – вывод, не подкрепленный никакими данными, даже теоретически не может оправдать себя. 

Точность прогноза выручки новой точки зависит от опыта и дотошности сотрудника. Мы ездили с менеджерами по объектам и смотрели, что они делают, наши коллеги делились своим опытом поиска объектов и в итоге получились такие цифры: 

  • Очень опытным хватало провести 4 часа на объекте, чтобы спрогнозировать с точностью до 70%, чего большинству сетей в то время было достаточно

  • Менее опытные менеджеры, проводили на объекте больше времени, но показывали точность менее 60%. 

Медианная точность по менеджерам составляла 64%, то есть риск инвестиций в убыточный объект у компании был велик.

Много ручного труда

В среднем, на полноценный анализ одного-двух объектов у менеджера уходит 4-5 рабочих дней, то есть рабочая неделя. За это время он выезжает на объект, проводит анализ и составляет заключение о будущей выручке объекта. Если менеджер ответственный, он посчитает каждый дом, зайдет в каждый магазин-конкурент, узнает стоимость недвижимости, и в этом случае анализ займет до 2-3 дней.

Практика показала, что на 10-20 проанализированных локаций открывалось только 1-2 объекта. Получается, менеджер находил подходящий объект или локацию в среднем за один или два месяца.

Человеческий фактор

Отсутствие аналитики, с помощью которой руководитель мог бы проверить сотрудника, позволяло менеджерам «пропихивать свои» объекты, подгоняя расчет под нужные показатели. Они получали деньги с продажи объекта по коррупционной схеме, игнорируя интересы компании. Когда-то интересы совпадут, а когда-то нет. Несмотря на то, что проникновение новых технологий в компанию остановилось на whatsapp, учредители понимали, что альтернативе «цифровизации» бизнеса может быть только его смерть.

Как сэкономить 9,8 млн рублей с помощью геоданных


Как мы изменили подход и перестали применять «опыт»

Андрей Себрант, директор по маркетингу «Яндекса»:

Не обязательно понимать для того, чтобы эффективно работать, машина это делает прекрасно, поэтому все чаще и чаще, оказывается, что, обучив алгоритм, мы ему делегируем свою работу или работу своих сотрудников.

Наблюдая работу 10 менеджеров в течение 2 месяцев, мы решили автоматизировать процессы, создав веб-сервис для быстрого расчета выручки объекта торговли любым сотрудником.

Геоданные, статистический анализ и машинное обучение 

На такую автоматизацию нам потребовался штат аналитиков, программистов и вера в то, что выручку будущего объекта можно посчитать через веб-сервис за пару кликов, тратя на это 10 минут вместо 2 дней. 
Продуктовая гипотеза была такой: скрестив технологии в области геоданных, машинного обучения и матстатистики мы создадим сервис, считающий выручку будущего объекта торговли.


Первая итерация – прототип продукта

Спустя полгода мы запустили прототип – первое приближение сервиса, который считал выручку с точностью до 50%. Продукт был сыроватый для полноценного применения – не хватало точности и разнообразия данных, но гипотеза подтвердилась.

Плохими оказались новости о качестве данных. Существующие на рынке источники некачественные, а данные не всегда точные, их нужно обрабатывать. Например, в адресе будет небольшая ошибка и если множество таких адресов с ошибками  автоматически привязывать к карте (геокодировать), их координаты будут отличаться от фактического положения объекта. Поэтому нам пришлось самим стать создателями данных.

Удачным решением было использовать Bootstrap, – это заметно сократило затраты на frontend-разработку и позволило быстрее внедрить сервис на первом этапе. Мы получили фидбек от пользователей о том, что удобно, а что нет. 

Мы приступили ко второй итерации.

 
Вторая итерация

Мы показали MVP опытным аналитикам рынка ритейла, рассказали о результатах использования сервиса и доработали сервис до 85-90% точности прогноза. И всё. Мы уперлись в эту точность. Оказалось, что проблема не в данных или программе. 

Мы пришли к выводу, что остальные 10-15% погрешности связаны с человеческим фактором – работой директора магазина и всего персонала, в общем – клиентского сервиса. А это то, за что, к сожалению, наш сервис отвечать не может. 








Результаты после внедрения автоматизации

Повышение эффективности

Менеджер по поиску анализировал примерно 2 локации в неделю. Средняя зарплата составляла 60 тысяч рублей в месяц, а менеджеры в среднем анализировали до 8-10 локаций в месяц. Получается, что один объект обходился нам примерно в 10-12 тысяч рублей. 

После внедрения сервиса каждый менеджер стал минимум в 2 раза эффективнее. Ленивый за те же деньги анализировал 16 локаций, сократив стоимость одного объекта до 4-6 тысяч, а ответственный – 24 локации в месяц.

В нашей компании 7 менеджеров из них 3 ответственных. В денежном эквиваленте выгода в пересчете на одного менеджера составила 85 тысяч рублей в месяц. 

Всего в год – 7,14 млн рублей, округлим до 7 для удобства дальнейших расчетов.
Один менеджер утверждал, что прекрасно знает любое место Балашихи, и клялся, что больше в ней объектов не открыть. После того как мы показали ему точку с товарооборотом около 600 тысяч рублей в день, он изменил свое мнение и через полгода покинул компанию.
Снижение риска открытия убыточных объектов 

Используя сервис, менеджеры по поиску сократили открытие убыточных локаций до нуля. А с учётом того, что при открытии убыточного объекта, компания его далее перепродавала, но за меньшие деньги, выгода экономии составила 5 млн рублей.

Автоматизация процессов 

Руководство обязало сотрудников вести процессы поиска и фиксировать результаты в сервисе, поэтому количество ошибок по классической причине «я потерял листок с расчетами» значительно сократилось. 


Полученная выгода 

В результате работы заказчик сэкономил 9,8 млн рублей при использовании сервиса. 

Вот так выглядит расчет выгоды работы с сервисом одного нашего заказчика: 

Клиент сократил затраты на ФОТ на 4,8 млн рублей

 Как сэкономить 9,8 млн рублей с помощью геоданных


Издержки от закрытия убыточных объектов сократились еще на 5 млн рублей в год
 
Как сэкономить 9,8 млн рублей с помощью геоданных

Павел Уваров, ведущий аналитик компании «Арендоход»

время публикации: 10:00  29 января 2019 года
0
Теги: бизнес, геолокация

Комментарии (0)


Чтобы оставить комментарий, Вам необходимо авторизоваться:  
BBI НАССИМ ТАЛЕБ
BBI Адизес 27 марта 2019