ENGВ начале февраля Сбербанк объявил о запуске нейронной сети — искусственный интеллект будет помогать экспертам учреждения в оценке объектов недвижимости. Между тем, ритейл научился выбирать помещение для новых торговых точек чуть раньше — спрогнозировать их экономический потенциал с помощью алгоритмов машинного обучения позволяет сервис BestPlace.
Цена ошибки
Основатель стартапа BestPlace Александр Кирьянов любит приводить пример, во что может обойтись открытие неправильной точки: для Starbucks цена провала составляет $500 000, а у сети Sears 150 закрытых магазинов генерировали убыток в $60 млн. Таких потерь и помогает избежать BestPlace — с его помощью можно спрогнозировать потребительский спрос, а следовательно, и объем выручки для точки продаж, а затем корректировать стратегию работы. BestPlace предлагает использовать технологии искусственного интеллекта — нейронную сеть сначала обучают на массиве самых разных данных, как открытых, так и полученных от заказчика, а затем запускают прогнозирование. С помощью сервиса можно оценить потенциальный трафик точки продаж, численность и доходы населения, проанализировать конкурентное окружение, оценить маршруты пешеходного и автомобильного трафика, понять контуры шаговой и транспортной доступности.
«На основании анализа открытых данных, а также данных клиента с помощью алгоритмов машинного обучении можно спрогнозировать объем будущей выручки, — говорит Александр Кирьянов. — К примеру, владелец ожидает выручку от новой торговой точки в 2 млн руб. в месяц. Однако этот показатель не поднимается выше 1,2 млн рублей, в итоге точка закрывается, потерпев большие убытки. С нашей помощью он мог открыть такую же точку, с той же расходной частью, просто в другом месте, и показать даже лучшие результаты».
Научить сеть
Среди открытых данных, которыми оперирует сервис, есть снимки из космоса, информация из картографических сервисов, социальных сетей, а также с рынка недвижимости. Многие из массивов команда проверяет с помощью собственных полевых исследований и услуг краудсорсинговых площадок. Но главным активом остается алгоритм машинного обучения, который работает с внутренними данными клиента — он обрабатывает данные по 70% уже работающих точек (на оставшихся 30% идет слепое тестирование). На них система обучается, анализируя множество факторов, которые влияют на спрос, а затем выделяет наиболее значимые, взаимодействие которых и определяет спрос для конкретного бренда на данный формат торговли или предоставления услуг (например, их может быть 40 из 600).
«Нейронная сеть строит тысячи решающих деревьев, которые в разной последовательности комбинируют факторы в поиске скрытых закономерностей, и прогоняет их через данные по уже существующим точкам. В итоге формируется система лучших решающих деревьев — из тысяч система выберет, например, 50. Это как 50 лучших экспертов, который очень хорошо разобрались в действующем бизнесе и нашли скрытые взаимосвязи», — говорит Александр Кирьянов.
Полученные данные сначала тестируются самим сервисом, затем клиент проверяет их на закрытой выборке. Если он видит, что машина нашла значимые характеристики спроса, то принимает решение о заключении договора. С помощью отобранных метрик можно прогнозировать как экономический эффект от открытия новой точки, так и отслеживать работу уже работающих, понимая их экономическую эффективность, — вокруг локации постоянно происходят изменения, на которые нужно вовремя реагировать в предиктивном режиме.
Выгода
Сегодня сервис работает с клиентами из разных сегментов рынка, в том числе с АЗС, horeca, аптеками и, конечно, продуктовыми магазинами (всего таких сегментов 8). Например, сервисом пользуется Gemotest; в режиме пилота работает проект с X5 Retail Group. Стартап развивается на рынках СНГ, а также активно планирует продвижение в дальнее зарубежье.
Основной показатель, которым оперирует сервис, — возможность принципиально снизить процент ошибок при прогнозе эффективности точек продаж. По статистике, он может достигать 30%, с помощью сервиса его можно уменьшить на треть. Сервис работает по подписке, стоимость услуг составляет в пределах 5% от произведенного экономического эффекта. Например, 1% ошибки основатели сервиса оценивают для продуктового ритейла в 66 тысяч рублей упущенной выгоды в год.
Предиктивный сервис для прогнозирования выручки торговых точек имеет неплохие шансы на успех, если сможет быстро нарастить клиентскую базу и своевременно совершенствовать аналитические возможности, считает Анастасия Архипова, аналитик отдела исследований рынка CBRE. Ритейл всегда относился к высококонкурентной среде, напоминает она, и в последние годы в секторе наблюдается множество технологических тенденций, к одной из которых как раз относится разработка предиктивных сервисов.
«Ключевая роль в случае с данным сервисом отводится Big Data, которые объединяют многие, зачастую несопоставимые данные и закономерности, предсказывающие поведение покупателей, что позволяет дать достаточно точный прогноз спроса и повысить эффективность в операционном управлении», — говорит Анастасия Архипова.
Подбор локаций для новых точек остается для рынка актуальной проблемой, согласен руководитель пресс-службы супермаркетов «Азбука вкуса» Андрей Голубков, особенно, если это сеть — как сама «Азбука вкуса» — мультиформатная, где для каждой точки важны свои особые характеристики.
Идея выглядит интересной и актуальной, учитывая использование искусственного интеллекта и рост торговых сетей, а также то, что в мегаполисе на работу точек продаж могут влиять самые разные условия, о которых зачастую можно и не знать. В том числе важна и прогнозная аналитика по открытым точкам — Андрей Голубков напоминает историю с появлением платных парковок, которые отразились на работе ритейлеров и для многих обернулись сменой формата.
Подобная технология — следующий уровень развития геоинформационных сервисов, которые изобрел Walmart и еще 40 лет назад строил с их помощью развитие сети, отмечает генеральный директор ИА «INFOLine» Иван Федяков. Если появится универсальный алгоритм, который позволит работать с каждым участником рынка, это будет неплохим вариантом, полагает он; к тому же на данный момент даже самые продвинутые сети не всегда обладают оптимальным решениями в этом плане.
Сегодня чтобы открыть один магазин, нужно обработать 10 предлагаемых локаций, и это еще очень хороший вариант, уточняет он: например, Х5 Retail Group открыла в прошлом году 3000 новых точек, то есть нужно было провести как минимум 30 000 локальных исследований.
Автор: Ольга Блинова
