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

Что определяет продажи ритейла? На 80% — правильно подобранное помещение. Недостаточно квартир в выбранном квадрате — выручка просядет. В радиусе 300 метров ритейл торгует не на «5+» — стоит задуматься. На крыльце не одна ступенька, а целых три — ленивых очень много. Может ли это и три десятка подобных критериев учесть и просчитать в своей голове человек и предсказать выручку? Да, но очень долго и с упущениями. А вот правильно обученная нейросеть дает сбои редко. Делимся опытом пивных маркетов «Пив&Ко» в подборе прибыльных помещений для магазинов собственной сети и франшизы.

Начнем с реальных цифр.

Почему же Пехотинцев работает с опережением прогноза, а Кузнецова — с отставанием на полмиллиона?

Магазин на Кузнецова был открыт до внедрения нами искусственного интеллекта в процесс поиска помещений. Его выбирали люди, которые и допустили ошибки при оценке локации:

• не самая лучшая видимость фасада из-за большого количества деревьев,
• трамвайные пути мешают удобному подъезду,
• нет заезда для встречного трафика,
• трафик по направлению оказался «проездным», хоть и большим. 

Человек, оценивая локацию, ошибочно решил, что огромная плотность населения на Кузнецова перебьет все эти недочеты. Увы, не сработало.

Что же сейчас позволяет сети пивных маркетов быстро находить отличные помещения?

1. IT-платформа BST Organica
2. Обученная нейросеть на базе Python
3. Люди — без них никуда в любом случае

Первый этап: IT-платформа BST Organica

Путь к этой программе был долгим. В конце 2019 года на нас сами вышли ребята с интересным продуктом. В чем их плюс по сравнению с другими подобными IT-решениями: они используют GSM-трафик, благодаря чему ячейки территорий точнее и погрешность минимальна. Оставалось завести в анализ основополагающие критерии для выбора помещений именно под нас, отработать тонкие места, что мы совместно с разработчиками и сделали.

Забиваем адрес, выбираем нужные фильтры, и программа показывает нам удачный сектор для помещения под магазин.

Что нам важно учесть при выборе помещения:

• проходят ли «народные тропы» в прямой видимости помещения;
• как расположены 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 точек ритейла в радиусе 300 метров — федеральные сети, алкомаркеты и пивные магазины;
• наличие фастфудов в радиусе 300 метров.

Второй этап в подборе помещения — человек

Да, без него все равно никуда. Мы выбрали локацию радиусом 150 метров с помощью платформы, после чего туда едет менеджер и изучает «ногами» и «глазами» территорию и доступные помещения.

Важные параметры, которые определяет специалист на месте:

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

Третий этап в подборе помещения — нейросеть

Наш аналитик берет 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 порядка 180 действующих магазинов, обозначили важные факторы помещения, которые влияют на выручку, залили все это в код нейросети. Искусственный интеллект обучился и начал за секунды выдавать прогнозируемую выручку на основе массива данных.

О, чудо? Увы, не так все просто. Во-первых, мы не сразу пришли к пониманию, что такой анализ может делать только нейросеть и наш собственный аналитик. Мы пытались найти на рынке готовое программное обеспечение. К примеру, пробовали работать с компанией, которая подобную услугу оказывает крупной федеральной сети алкомаркетов, заявляя, что попадание 97-98%. Когда же мы дали им свои данные, то погрешность оказалась 60%. В итоге мы нашли программистов, которые взялись за нашу задачу и разработали тот самый код на Python.

Например, поначалу мы использовали общие выручки всей розницы в заданном радиусе – не верно. Когда мы поняли эту ошибку и разбили этот показатель на несколько подтипов, погрешность расчетов уменьшилась значительно.

Сейчас мы отдельно загружаем данные:

• совокупная выручка продуктовых сетей и самый торгующий супермаркет в радиусе;
• совокупная выручка алкомаркетов и самый торгующий алкомаркет в радиусе;
• совокупная выручка пивных магазинов и самый торгующий пивной в радиусе;
• количество точек общепита и фастфудов.

Еще одна существенная ошибка — мы заносили в нейронную сеть только удачные магазины. В итоге искусственный интеллект при анализе не учитывал негативный опыт, и мы получали весомую погрешность в расчетах потенциальной выручки.

Методом проб и ошибок сегодня наш процент попадания в прогнозируемую выручку нейросетью увеличился до 90. Неплохо.

Заканчивается ли работа по подбору помещения на этом? Нет!

Готовые цифры по потенциальной локации выносятся на обсуждение специального комитета. Да, именно люди — завершающий этап в принятии решения: открываемся мы или наш франчайзи 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 чуйки, поэтому людей из этой цепочки не выкинуть.