Денис Струков: «65% компаний, которые используют облачные решения, — ритейл формата “у дома”»
Денис Струков, генеральный директор Центра пространственных исследований, рассказывает о применении big data в ретейле.
– Денис, расскажите о своих наиболее интересных разработках в области ретейла.
– В 2009 г., когда рынок геомаркетинга был слабо развит, к нам обратился Сбербанк. Он концептуально менял стратегию, и стояла задача переформатировать сетку. Для этого нужно было сформировать методологию оценки места. Мы ее разработали и апробировали на Ангарске. Получили рейтинг зон и улиц, где можно было разместить существующую сеть. По результатам экспертного анализа и опроса специалистов банка из Ангарска первые четыре из пяти улиц совпали с экспертным мнением. Методику утвердили, и мы начали работать с территориальными банками: Москва, Санкт-Петербург, Екатеринбург.
Особенность банка — разные форматы. Терминалы, отделения для физических и юридических лиц, мини-офисы и флагманские объекты нужно размещать по-разному. Более того – нужно прогнозировать количество операций и понимать загруженность. Методика оказалась результативной, и проект завершился централизованной системой. Впоследствии мы открыли программу обучения геомаркетингу в банковской рознице совместно с ВЭШ и Международным Банковским Институтом для специалистов этой сферы.
Важный и крупный для нас проект в IT — работа с X5 Retail Group. Коллеги хотели ускорить темп принятия решений, связанный с выбором места. Вторая задача — управление поисковиками мест и их контроль. Бизнес-процесс выстраивали они, а мы его автоматизировали, адаптировали, участвовали в создании удобных аналитических функций. Часть функций переложили при этом на поисковика — это было ключевым изменением для компании в бизнес-процессе, которое позволило ускорить темп открытия. В пик своей активности Х5 открывали по 6 точек в день согласно ранее опубликованным данным. X5 — знаковый проект для рынка геомаркетинговых систем и услуг, потому что потом многие ретейлеры последовали примеру Х5.
Интересно, что в следующем проекте с компанией Дикси в годы ее активного развития, мы решали похожие задачи, но другими инструментами. Компания выбрала не корпоративную ГИС, как X5, а облачную геомаркетинговую систему, которую мы и разработали. Часть непрофильных работ в Дикси предпочли отдать нам, сторонним специалистам. В результате проект получился дешевле в несколько раз.
Отдельные клиенты пользуются облачной геомаркетинговой системой Geointellect для оценки локаций. KFC, Pizza Hut использовали систему для решения задач, связанных с доставкой и оценкой места, передавая методологию франчайзи, тем самым стандартизируя оценку места. Аналогичные схемы работы используют и другие компании, которым важно быстро и точно оценивать место: Вкусвилл, Заодно и др. 65% компаний, которые используют облачные решения, — ретейл формата “у дома”. Основные сегменты: fmcg, общепит, дрогери, diy. Для некоторых компаний важно быстро принимать решение, чтобы занять ликвидное помещение. Для других важна точность прогноза товарооборота при оценке локации.
– К каким инновациям прибегают чаще всего, а что находится в стадии внедрения?
– На стадии внедрения сейчас находятся интеграции различных сервисов в решения сторонних вендоров и компаний: например, геосервисы или отдельные их части интегрируются в BI, CRM и ERP-системы. Их клиентам важно видеть геоданные для макроанализа продаж, считать доли рынков.
Обычно для такой задачи покупают специализированное ПО ГИС, но гораздо проще интегрировать готовые данные и карты. Сейчас мы пробуем давать через API геоданные по регионам, муниципальным образованиям, по районам с населением или доходами. API снижает стоимость ИТ-решений для крупных заказчиков, экономит им время, аппаратные ресурсы.
Часто геомаркетинг фокусируется на эмпирических методах, и сейчас, когда мы пробуем внедрять машинное обучение, подходы искуственного интеллекта, мы сталкиваемся с недостатком данных, их низким качеством или отсутствием динамики за прошлый период. Это большая проблема у многих компаний. Мы это видим, когда начинаем работать вместе. Если у крупного ретейлера могут быть накоплены данные, то у небольшого ретейла, у бизнеса, который начинает развитие, таких данных нет. Поэтому для них машинное обучение может быть вообще неуместным, тогда они возвращаются к стандартным эмпирическим моделям.
Сейчас методы анализа связаны с тем, что сначала надо накопить статистику по сети и по факторам, влияющим на выручку, – как внутренним, так и внешним. Чем больше данных по точкам торговой сети, тем меньше ошибок. Все хотят ошибку меньше 10%, и сейчас много стартапов, которые предлагают решения с минимальными ошибками. Но в это трудно поверить, честно скажу. Ведь все зависит не от методов — они у всех одни и те же. Проблема в количестве данных и в их качестве. А есть ли накопленные данные у компании? А если есть, то какого они качества?..
Другая проблема — данные о конкурентных точках. Чтобы прогноз товарооборота был точнее, нужны данные о товарообороте конкурентов в динамике. К сожалению, мы видим, что стартапы этим пользуются, разрушая таким образом свою же репутацию.
Вокруг AL и ML, в том числе в геоаналитике, слишком много шума. Многие стартапы не выдерживают конкуренции, потому что кроме идей должны быть данные или решение для задачи клиента. Просто посмотрите вокруг: у кого больше данных и опыт в их обработке и применимости к решению задач, у кого есть компетенции, тот и остается на рынке. Откуда у стартапов данные? У стартапов много идей, но не все из них понимают, как решить задачу клиента. В итоге рынок получает не полностью квалифицированного специалиста, у которого классная идея, но нет данных или компетенций. В итоге ретейл играет с идеями и возвращается вновь к эмпирическим методам. Доверие к рынку и к таким инструментам падает, а возобновить его очень сложно.
10 лет назад в ретейле вообще не было геомаркетинговых систем. Были профессиональные ГИС, для которых нужно было нанять специалистов, и их использовали единицы. Сейчас, пожалуй, нет ни одного ретейлера из топ 10, который бы не пользовался активно геомаркетинговыми системами. В 2014 г. ретейлеры активно говорили про автоматизацию бизнес-процессов. Те, кто успел внедрить, сейчас в лидерах. А вот в регионах движение только начинается: некоторые компании еще не верят в технологии, а по старинке ходят по городу с блокнотом и считают, сколько жителей в квартале. При этом технологии сейчас дешевле, чем раньше, а значит, доступнее, как для крупного, так и для малого бизнеса. Стоимость оценки места 10 лет назад была в 300 раз дороже, чем сейчас. Это значительный скачок для развития рынка геомаркетинговых услуг и для применимости такого анализа в ретейле. Уверен, что регионы подтянутся в ближайшее время во внедернии таких систем и методов.
– Вы подробно изучали аналитические и пространственные методы в ретейле. Как это применяется на практике?
– Есть масса методов для разных задач, начиная от стандартной или модифицированной гравитационной модели Хаффа, заканчивая моделированием пешеходных потоков.
Наиболее часто мы занимаемся разработкой моделей по оценке товарооборота, многофакторными моделями по поиску места, геомоделирвоанием целевой аудитории оффлайн, моделями логистических кустов, а также урбанистическими моделями.
Хочет торговая сеть ускорить развитие сети – для этого нужно определить параметры эффективности, по которым будут открываться точки. В конечном итоге это приводит к прогнозу товарооборота. На практике это, как правило, – ускорение бизнес-процесса и сокращение издержек.
Мы анализируем пространственные факторы и внутренние факторы — показатели работы сети. Ищем взаимосвязи, проверяем гипотезы и получаем переменные, которые ложатся в основу анализа. На их основе строим модели прогнозирования и проверяем по реальным точкам. Если модель успешна, как правило, заказчик просит ее автоматизировать. В результате, используя облачную геомаркетинговую систему, заказчик за несколько минут получает прогноз товарооборота будущей точки и принимает решение, открывать точку или нет.
Но если ускорение бизнес-процесса для ретейлера — способ достижения бизнес-цели, например, увеличения доли рынка за короткий промежуток времени, то есть и тактические задачи. Поиск целевой аудитории в пространстве города или многофакторная модель поиска локации, например. Геомоделирование решает и такую задачу тоже. Мы берем данные Locomizer — агрегированые деперсонифицированные геометки из мобильных приложений, которые почему-то «притягиваются» либо к месту интереса, либо к месту вынужденного пребывания людей. Если геометка находится рядом с театром и этот пользователь с определенной периодичностью генерирует метки недалеко от театра, мы предполагаем, что интерес к этому месту устойчивый.
Чтобы создать профиль интересов пользователя, мы анализируем каждую точку из его истории местоположений, чтобы показать ее взаимосвязь до сотен мест и физических действий, расположенных в том числе и на значительном отдалении от начальной точки. После анализа сотен таких точек пользователя, мы видим стабильные паттерны поведения и соединения между пользователем и физическим миром. В результате на карте города визуализируем точки целевой аудитории с интересом к определенной категории: больницы, детские сады, магазины одежды, рестораны с детскими комнатами. Есть и более простые методы моделирования, например, многофакторная модель с весовыми коэффициентами факторов, которые отображают вероятность пребывания того или иного потребителя в пространстве города. Модель не новая, но эффективная, мы применяем ее около 15 лет.
– В России рынок big data только зарождается. Каковы его перспективы, как big data будет применяться в торговле, скажем, лет через 10?
– Перспектива применения больших данных кроется в технологических решениях, которые заменят рутинные задачи человека. Например, в автоматизации замеров автомобильных потоков есть проблема. Видеоаналитика дает инструменты по расчету замеров пешпотока, который нужен для того, чтобы прогнозировать товарооборот торговой точки, но проблема в том, что вне магазина нельзя сверху снимать. Съемка на мобильный дает погрешности в оценке траффика и в итоге – в товарообороте.
Или такая проблема. Есть много данных, но не хватает мощностей, чтобы их все хранить, или на рынке не хватает специалистов, которые бы их обработали. Но если развивается big data, логично, что рынок научится ее обрабатывать и применять.
Учитывая активное развитие e-commerce, есть смысл делать ставку на работу с доставкой. В транспортной сети города вряд ли что-то сильно изменится в ближайшее время, но время доставки можно сократить за счет оптимизационных моделей доставки до пунктов выдачи, например, логистических кустов, и беспилотников — хочется верить в их скорое появление. Это интересная урбанистическая задача, решение которой нужно всем, и без больших данных ее реализовать трудно.
В идеале должна быть технология, которая позволит быстро получать информацию об объектах и давать точную оценку, выстрелит место в том или ином сегменте ретейла или нет, какая окупаемость, через сколько. Но это будет только, когда накопятся данные о пространственных факторах, о внутренних факторах работы сети, накопится опыт моделирования. Это и будет искусственным интеллектом в области геомаркетинга и апофеозом всей нашей продолжительной деятельности на рынке подробной предиктивной геоаналитики места внутри городов России.