Краткое описание
Задача
Организовать быстрый процесс поиска и оценки локаций для новых монобрендовых точек продаж уходовой косметики в ходе расширения розничной сети в новых городах.
Решение
Процесс поиска, оценки и согласования локаций был автоматизирован с использованием системы Epsilon On Point.
Результаты
Удалось сократить время поиска и оценки локаций с нескольких недель до часа, что позволило найти и согласовать оптимальные локации и запланировать открытие 200 новых точек продаж без увеличения штата компании.
О компании
Заказчик — отечественный производитель уходовой косметики, работающий на внутреннем рынке.
Продукты разрабатываются на научной основе в собственной исследовательской лаборатории командой химиков и косметологов. Производство организовано на своём специализированном оборудовании.
Распространяется продукция в основном через партнеров и крупный маркетплейс. Также у компании есть сеть из 20-ти компактных монобрендовых точек продаж.
Лаборатория, производство и текущая розничная сеть находятся в одном городе-миллионнике.
Компания запланировала расширить розничное присутствие и открыть 200 новых точек продаж в своём городе и трёх соседних городах.
Подразделения продаж и управления розничной сетью совсем небольшие и усиливать их Компания не планирует.
Подход
Процесс поиска и оценки локаций был автоматизирован с использованием системы Epsilon On Point.
Для Компании было важно найти 200 новых локаций, максимально похожих на самые успешные существующие точки продаж.
В начале нашего проекта Заказчик представлял задачу просто: найти районы с максимальной численностью представителей целевой аудитории и определить в них такие места, чтобы новые точки продаж были как можно дальше от конкурентов. Это решение казалось интуитивно понятным и простым.
Мы предложили использовать наш сервис «Поиск территорий-близнецов», а также более ста наборов данных по целевым городам из Каталога наборов данных.
Наша цель была не просто найти подходящие районы, но и понять, какие именно факторы влияют на доходность точек продаж.
Сначала использовались данные о самых прибыльных точках продаж Компании, включая информацию об адресе, дате открытия, площади и выручке каждой точки продаж. Весь последующий анализ был выполнен на основе информации, доступной в Каталоге наборов данных для заданных четырёх городов.
Мы изучили все существующие точки продаж Компании, построили вокруг каждой них изохроны и наполнили изохроны всеми данными, которые могли повлиять на выручку:
- Данные о транспортной и пешеходной доступности (остановки общественного транспорта, вокзалы, метро, тротуары, пешеходные зоны, наземные и подземные пешеходные переходы, наличие парковочных мест, мосты, заборы, ограждения и другие объекты).
- Данные о демографии и плотности населения (возрастные группы и пол, уровень дохода и образования, распределение населения по районам, жилые здания и комплексы, общежития, а также бизнес-центры и офисные здания, коворкинги и другие объекты, в которых люди живут или работают).
- Данные о разнообразии интересов и образе жизни (близость к фитнес-центрам, спортивным залам, бассейнам, учебным заведениям, паркам, пешеходным зонам и велосипедным дорожкам, набережным и другим зонам для прогулок, медицинским учреждениям и аптекам, исследовательским институтам, кофейням и ресторанам, магазинам, розничным отделениям банков, пунктам выдачи заказов и другим объектам потребительского спроса и «точек притяжения»).
- Экономические данные и конкуренты (расположение и характеристики конкурентов, торговых центров и другие).
Затем наша модель машинного обучения проанализировала эти данные для каждой точки продаж и сузила этот набор до факторов, которые реально влияют на выручку.
Кроме прочих, среди них оказались близость к пунктам выдачи заказов интернет-магазинов.
Для Заказчика это стало сюрпризом и мы расширили состав изначальных параметров модели и обучили модель на расширенном наборе данных.
Затем сервис «Поиск территорий — близнецов» сравнил каждый участок размером 200 на 200 метров в целевых городах с самыми прибыльными точками продаж, и нашёл наиболее похожие на них в каждом целевом городе.
Удалось найти местоположения, которые не только соответствуют целевой демографии, но и обладают уникальными для нашего Клиента характеристиками, влияющими на выручку точек продаж.
Для каждого местоположения из адресной программы был автоматически рассчитан прогноз выручки и операционных показателей потенциальной точки продаж с использованием сервиса «Моделирование работы магазина».
В результате Компания получила адресную программу с местами, которые максимально соответствуют выявленным критериям лучших точек продаж, и полный отчёт по каждой потенциальной локации на интерактивной карте, включая прогноз выручки. Карта была опубликована, доступ к ней организована для всех сотрудников Компании, задействованных в процессе выбора и согласования точек продаж. При необходимости все отчеты можно сохранить в любом удобном формате.
Последующий процесс согласования выбранных локаций между подразделениями компании был также автоматизирован в системе.
Результат
Использование Epsilon On Point заметно ускорило процесс выбора локаций, позволив запланировать расширение розничной сети в четырёх городах за несколько дней (включая организацию доступа сотрудников, уточнение параметров и обучение модели, а также тренинг для сотрудников).
Ожидается, что средняя дневная выручка по сети вырастет на 15-20%.
Время на поиск и согласование локаций для новых точек продаж сократился с 7 рабочих дней до часа благодаря геоаналитике и автоматизированному процессу согласования.
Разработанные и обученные в ходе внедрения модели машинного обучения будут использоваться самостоятельно Компанией и на следующих этапах расширения и управления сетью, как и регулярно обновляемыми данным в Каталоге данных.