Артем Гудов («М.Видео-Эльдорадо»): Применение геоаналитики для повышения эффективности работы магазинов

«М.Видео-Эльдорадо» – лидер российского рынка розничной торговли электроникой. Объединяя два бренда, Группа управляет более 950 магазинами по всей России, а также развивает сеть магазинов цифровых товаров под брендом m_mobile и маркетплейс goods.ru. 

«М.Видео-Эльдорадо» входит в десятку крупнейших в своем сегменте публичных ритейлеров в мире с выручкой $5,6 млрд. 

Стратегия ONE RETAIL

Стратегия развития до 2022 года ставит целью сохранить лидерство, превысить рыночную долю в 30% и обеспечить лучший покупательский опыт за счет реализации концепции ONE RETAIL. Этот термин подразумевает полную цифровизацию бизнес-процессов и покупательского опыта, а также стирание границ между онлайн- и офлайн-продажами.

Три ключевые составляющие стратегии ONE RETAIL:

• единая цифровая розничная среда с бесшовным переходом между каналами продаж,
• единое видение клиента во всех точках взаимодействия с ним,
• решения на основе мобильных технологий, аналитики данных, машинного обучения, VR и AR.

К последнему пункту относится и развитие геоинформационной системы (ГИС). Она позволяет трансформировать принятие решений об экспансии розницы, переходя от ручного выбора локаций для новых магазинов к сервисам на основе анализа «больших данных» и машинного обучения. 

ГИС «М.Видео-Эльдорадо»

До объединения сетей «М.Видео» и «Эльдорадо» компании открывали в среднем 20-30 новых магазинов в год. После объединения компанией планы экспансии увеличились до 100-120 магазинов в год. В результате было автоматизировано принятие решений по локациям новых магазинов, используя накопленные знания и повышая эффективность планирования.

Уникальность ГИС «М.Видео-Эльдорадо» состоит в том, что Группа развивает широкий функционал системы, не ограничиваясь модулями прогноза оборота и тепловых карт, как у большинства ритейлеров, использующих системы геоаналитики.

ГИС «М.Видео-Эльдорадо» состоит из следующих модулей:

• тепловые карты по каждому бренду,
• автоматизированный прогноз оборота методами машинного обучения по новым и существующим магазинам,
• автоматизированное проведение инвестиционного комитета и отслеживания статуса открытия магазинов,
• анализ рыночных арендных ставок,
• анализ премиальности и ассортимента магазинов.

Поскольку мы внедряем ГИС с 2018 года, модули находятся на разной стадии развития. Самый используемый – тепловые карты для определения наиболее перспективных локаций и районов городов. Так как география обеих сетей охватывает 240+ городов, тепловые карты были разработаны более чем для 300 городов России.

Тепловые карты

Карты оценивают емкость рынка и потенциал локации на основе исторических данных, информации о населении и трафике, представленности конкурентов. Производится оценка пешеходного, транзитного и автомобильного трафика, а также привлекательности торговых центров для определения потенциала локации.

• Пешеходный трафик анализируют по количеству и оценке доходов домохозяйств в каждом жилом доме на основе стоимости недвижимости и цен аренды.
• Транзитный трафик рассчитывается по маршрутам общественного транспорта, а также точек притяжения, в которые распределяется транзитный трафик.
• Автомобильный трафик моделируется по пробкам и количеству проезжающих машин по различным дорогам.

Более 90% магазинов Группы сосредоточено в торговых центрах, поэтому в тепловые карты был добавлен анализ силы притяжения трафика торговыми центрами. 

Для этой цели была собрана база всех построенных и строящихся торговых центров России и проанализирован набор брендов в каждом из них. В результате, появился рейтинг торговых центров, показывающий силу влияния и потенциал каждого. 

На тепловых картах есть и другие слои: 

• торговые точки конкурентов в сфере бытовой техники, 
• телеком-операторы; 
• данные по рыночным предложениям аренды свободных помещений; 
• данные по доставкам и клиентскому покрытию существующих магазинов для оценки каннибализации сети;
• перетоков клиентов между магазинами. 

Благодаря внедрению тепловых карт мы планируем повысить эффективность новых магазинов, а также вдвое уменьшить среднюю погрешность в прогнозировании их товарооборота. 

Этот инструмент активно используют и специалисты по развитию розничной сети на ежедневной основе, и топ-менеджмент для принятия управленческих решений по экспансии в регионах. 

Благодаря сервису Penxy мы можем поделиться с вами презентацией Артема, которую можно не просто посмотреть, но и послушать. 

После выступления аудитория задавала вопросы спикерам. Мы публикуем «публичное интервью» с Артемом.

Кто поставляет вам данные?

Мы используем разные источники. Большинство из этих сведений – это открытые данные: информация по торговым центрам, трафику. 

У нас есть партнер, компания Best Place, который запаковывает данные в облачные решения. 

Мы планируем дальше всячески обогащать данные, по которым строим наши модели. Поэтому если в зале есть представители компаний, которые предоставляют данные для улучшения прогнозов и понимания, где живут и чем живут наши клиенты, мы всегда открыты для сотрудничества.

Откуда данные по среднему заработку в разрезе домов?

Они смоделированы. Мы берем из открытых источников существующие данные по стоимости квартир – сколько они стоили раньше и сейчас. Также смотрим данные по аренде квартир. Затем накладываем данные Росстата по средним зарплатам людей в городах и моделируем, в каких районах живут более состоятельные люди, а где живут люди с меньшим достатком. 

Исходя из этого выбираем, какой вариант открывать: «М.Видео» нацелено на более премиальный сегмент, а «Эльдорадо» – на разумную покупку.

Какой финансовый результат для открытия магазинов показал подход дата-драйвинг против практического? Какие KPI замеряли?

Ну, во-первых, это средняя ошибка прогноза оборота. Как я сказал, мы ожидаем, что она уменьшится в два раза, потому что открылось еще не так много магазинов, обсчитанных этой системой. 

На основе тестовой выборки первых магазинов, которые мы открыли, у нас нет больших опасений, что KPI не выполнится. 

Во-вторых, это существенное отклонение фактического развития от прогнозного. Здесь мы должны перестраховаться, чтобы не открывать убыточные локации. 

Какие именно данные используются для оценки потенциального спроса при построении тепловой карты?

Здесь мы изучаем объем рынка каждого города, в котором работаем, затем раскладываем его на определенные районы исходя из автомобильного, транзитного, пешеходного трафика. Нужно понять, люди тут работают или живут, сколько здесь жителей, какой у них достаток, как много машин проезжает рядом. 

Таким образом мы делим объем рынка города на квадратики и понимаем, какой у них потенциал.

Учитываете ли вы каннибализацию между собственными магазинами?

Да, конечно. Прогноз каннибализации – это один из основных элементов для расчета инкрементального (дополнительного) оборота, который получит сеть при открытии магазина.

На основе какого оптимизатора рассчитываются автоматизированные инвестиционные решения?

Это уже больше вопрос про второй наш модуль, про метод машинного обучения, который мы используем. Но здесь я не открою никакой секрет. Здесь Python, программируем на нем, GBoost, Random forest и стандартный набор библиотек.

Не думали ли вы предоставлять свою систему для сторонних компаний?

Нет – из-за конфиденциальности используемых данных и моделей. Сторонние компании могут воспользоваться услугами специализирующихся на машинном обучении консалтинговых компаний. 

За что идет оплата за использование всех этих типов данных?

Оплата производится отдельно по разным модулям. Данные отдельно не закупаются.

Как вы оцениваете правильность работы моделей?

Сравниваем уровень средней ошибки прогноза оборота ГИС с аналогичным показателем ранее использовавшихся моделей.

Кейс был представлен 4 октября 2019 года на конференции Ai Stories, организованной Rusbase. Все выступления и подробный отчет доступны тут. Организационный партнер: Deworkacy Big Data.

Фото на обложке: Ai Stories