В 2020 году без геоаналитики ритейлерам было не выжить
По последнему исследованию McKinsey можно оценить масштаб бедствия американских ритейлеров, которые открывали торговые площади, не опираясь на геопространственный анализ: за последние 3 года более 30 тыс. магазинов по всей стране закрылись. Из-за неспособности адаптироваться к взрывному росту ecommerce-брендов, ориентированных на потребителей, избытку торговых площадей, а также чудовищной для офлайн-бизнеса пандемии COVID-19. Объем торговых площадей на душу населения в США в 15-20 раз больше, чем на других крупных развитых рынках. На протяжении многих лет потребительский поток в торговых центрах привычного формата сокращается ежегодно на 15–20%. Из-за этого практически во всех розничных категориях снижается маржа. С учетом данных фактов становилось труднее оправдать сохранение открытыми дорогих в обслуживании торговых точек, так как они не уже не соответствуют даже самым минимальным ожиданиям по продажам, а в 2020 году стало ясно, что ритейлу без геоаналитики попросту не выжить.
Во многом устрашающие показатели обусловлены тем, что при открытии точек владельцы опирались на устаревшие параметры «экономики четырех стен» для оценки будущей эффективности магазина. «Экономика четырех стен» ставит во главу угла продажи и прибыль, которые магазин генерирует в четырех стенах, не учитывая зависимость этих параметров от расположения торговой точки, В современных реалиях это сложно назвать выигрышной стратегией, ведь таким образом полностью игнорируется влияние внешних факторов на выручку магазина и вклад отдельного магазина в отношение покупателей к сети в целом. Благодаря геопространственной аналитике мы понимаем, насколько та или иная точка благоприятна для открытия магазина. Точка может быть убыточна, потому что покупателям банально сложно добраться до магазина или потому что товары, которые вы предлагаете не актуальны для этого района.
Геоаналитика для торговых точек «у дома» – решение GlowByte
Разработка нашего прототипа происходила в коллаборации с участниками «Школы будущих CTO». Школа будущих CTO – проект Phoenix Education при поддержке
Yandex.Cloud, цель которого – дать возможность начинающим разработчикам реализовать ИТ-проект. Есть много хороших курсов по языкам программирования, но нигде не рассказывают, а как дорасти до Senior позиции или CTO (Chief Technical Officer).
В рамках проекта мы с учениками школы создали прототип продукта, нацеленный на предпринимателей, которые хотят открыть торговую точку формата «у дома». Для начала мы изучили рынок, пытались найти существующие решения: как выяснилось, подобных инструментов для геоаналитики в ритейле, как минимум в открытом доступе, нет. Крупные ритейлеры решают вопрос о размещении той или иной торговой точки, основываясь на собственных данных, собранных с других магазинов сети, а у мелких предпринимателей из инструментов для геоаналитики есть только собственная «чуйка» и интуиция.
● Плотность населения – чем больше плотность, тем больше потенциальных покупателей;
● Количество конкурентов поблизости – как правило, при размещении торговой точки не хочется иметь в шаговой доступности магазин с таким же, как у тебя, ассортиментом товаров;
● Расстояние до станции метро – чем ближе, тем больше поток потенциальных покупателей, а метро так вообще ключевой параметр для навигации в Москве;
● Расстояние до образовательных учреждений – школьники/студенты составляют большой процент дохода магазинов формата «у дома» из-за подходящего для них ассортимента.
После того как ключевые метрики были определены, перед нами встала задача сбора данных для выбранных факторов.
Для начала мы подобрали подходящую open-source карту мира, для сбора базовых географических данных и дальнейшего их отображения. Наш выбор пал на OpenStreetMap, это более удобный для нашего проекта аналог всем известных Google Map.
Для сбора информации о конкурентах и о школах мы воспользовались GooglePlacesAPI – API карт от Google с помощью которого можно быстро и удобно получить информацию о любых объектах на гугл-картах. Мы спарсили данные обо всех доступных розничных магазинах и школах в Москве.
Информацию о метро собрали из данных Московского метрополитена. Обработали с помощью Python-библиотеки Pandas и сохранили в JSON-формате.
Далее мы решили, что было бы здорово показывать пользователю доступные для съема помещения для коммерческого использования. Для сбора такой информации нам потребовалось написать веб-скрапер сайта ЦИАН.
Веб-скрапинг (web scraping) — это технология получения веб-данных путем извлечения их со страниц веб-ресурсов. Веб-скрапинг может быть сделан вручную пользователем компьютера, однако термин обычно относится к автоматизированным процессам, реализованным с помощью кода, который выполняет GET-запросы на целевой сайт.
В нашем случае мы использовали Python и библиотеку BeautifulSoup. Мы собирали большое количество данных: адрес, стоимость, квадратура, ближайшее метро и номер телефона владельца для связи. Полученный массив данных далее обрабатывался специальным для корректной передачи на фронтенд.
После того как все данные были собраны и предобработаны, мы принялись за создание рекомендательного модуля. Во-первых, мы поделили карту Москвы на квадраты площадью 150 кв. м и внутри каждого такого сектора для каждой точки применили разработанную рейтинговую формулу:
h – количество домов;
с – количество конкурентов;
m – удаленность от метро;
point – географические координаты точки.
Функция логарифма была выбрана не случайно: из-за своих свойств она «сглаживает» выходные данные, к этой уловке пришлось прибегнуть из-за того, что в некоторых районах Москвы очень плотная застройка пятиэтажными домами. В нашем алгоритме это дает очень высокое значение плотности населения, а так как, по сути, она рассчитывается по плотности застройки жилыми домами в конкретном районе, логарифмирование помогает избежать таких погрешностей.
После того как backend-часть нашего прототипа была завершена, мы перешли к имплементации frontend’a. Для визуализации наших данных отлично подошел React Leaflet. Мы решили, что удачнее всего будет показать подходящие для открытия районы с помощью тепловой карты. И для каждой метрики мы выделили отдельный слой на карте для того, чтобы пользователь мог включать и анализировать только необходимые для него параметры.
React — лидирующая по популярности JavaScript-библиотека для создания пользовательских интерфейсов.
Leaflet — это наиболее популярная библиотека JavaScript с открытым исходным кодом для создания интерактивных карт.
React Leaflet - надстройка над React, которая удобным и понятным образом связывает между собой React и Leaflet для ускорения разработки.
С помощью React’а мы создали симпатичный пользовательский интерфейс, и так как большую часть данных мы по итогу конвертировали в JSON-формат, мы легко смогли построить задуманную тепловую карту благодаря React Leaflet. Вот пример отображения слоя с плотностью населения на карте:
Зеленые маркеры – доступные для съема помещения.
Оранжевые маркеры – школы.
Фиолетовые –магазины розничной торговли (конкуренты)
После разработки и отладки прототипа наметили roadmap дальнейшего развития продукта:
- Добавление ML-модуля, который бы с помощью нейронных сетей рекомендовал те или иные, возможно, не совсем очевидные места для открытия торговых точек.
- Добавление новых метрик для вычисления рекомендательного слоя, таких как: пешеходный трафик, доступность парковки, средняя заработная плата жителей района (для определения степени престижности точки).
- Расширение доступных к анализу рынков: аптеки, стройматериалы (DIY-сегмент), косметика и другие.
- Переход на Yandex Data Lens (облачные технологии от Яндекса), для еще более удобного отображения тепловой карты и облачной работы сервиса.