Два подхода прогнозирования выручки бизнеса

May 11 2023

Теперь вы знаете, как можно открывать новые объекты и экономить миллионы. Если еще нет — читайте наш кейс.

Геомаркетинг
Как работает
Кому подходит
Машинное обучение
Как работает
Кому подходит

Часто ритейл-компании используют какой-то один метод при открытии объекта. Это нормальная ситуация, но нужно учитывать, что технологии быстро меняются и совершенствуются, а, следовательно, методы теряют актуальность. Если 4 года назад компании довольствовались самыми простыми данными о количестве людей, живущих рядом с будущей локацией, то сейчас бизнес требует точного прогноза выручки с полноценным анализом конкурентов. Кроме этого,  не каждый метод можно применить для конкретной локации.

В этой статье мы рассмотрим, как работают два актуальных подхода прогнозирования выручки, и расскажем, для каких целей какой лучше использовать.

Геомаркетинг

Геомаркетинг, или геоаналитика, — технология, которая рассчитывает выручку с помощью анализа местоположения потенциального объекта и локации вокруг него, основываясь на известных формулах рынка.

Как работает

Метод использует данные по количеству людей живущих рядом с локацией, среднему чеку и количеству покупателей, анализирует тип населения вокруг потенциального объекта.

Кому подходит

Геоаналитика даст более точный результат там, где требуется открыть объект, отличный от уже существующих.

Например, у вас есть несколько магазинов площадью 200 м2 с определенным ассортиментом и средним чеком, которые стоят в основном в жилых спальных районах. Вы хотите открыть магазин нового формата — 350 м2 и с ассортиментом в два раза больше в центре города.

Быстрее и точнее будет использовать геоаналитику и проанализировать результат с помощью нее. Понадобится около 5 минут, чтобы загрузить нужные данные в сервис и получить результат с точностью 80-85%. Если использовать для этого другой подход — машинное обучение, все будет сложнее.

Машинное обучение

С помощью машинного обучения (machine learning) можно спрогнозировать многое. Технология применяется в ИТ достаточно широко, но есть нюанс — нужно большое количество точных данных для обучения системы. И обучение это не всегда простое и выгодное.

Как работает

Суть machine learning в том, что для модели необходимы точные данные — только тогда она будет давать правильный результат.

Известный пример с кошками: можно научить машину определять, как выглядят кошки. Загружаете 150-200 изображений кошек, и на основе этих изображений модель учится понимать, как выглядит обычная домашняя кошка. Но если показать ей потом рысь, которая тоже относится к семейству кошачьих — модель запнется, не различит кошку и выдаст ошибку.

То же самое и с анализом локации вокруг потенциального объекта. Если загрузить в модель выборку из 60-100 одинаковых по формату и георасположению объектов, а потом задать прогнозирование выручки для объекта другого формата на основе указанных объектов — машина покажет неэффективный результат. Прибыль либо будет завышена, либо вообще расчет окажется ошибочным.

Для прогнозирования выручки объекта с помощью машинного обучения важно загружать в модель релевантные потенциальному объекту и локации данные — только тогда модель даст точный результат.

Мы разрабатываем технологию машинного обучения для прогнозирования выручки объекта и среднего чека, основываясь на собственных данных и данных заказчика. Если владелец сети магазинов хочет открыть магазин новый по формату, но не имеет подходящей выборки — мы предоставляем ему такую выборку и обучаем модель с помощью этих данных.

Например, если вместо магазина вы хотите открыть кофейню. Данные, которые потребуются для обучения модели:

  • выручка по текущим объектам торговли,
  • количество чеков и значение среднего чека,
  • торговая площадь объекта,
  • ассортимент товаров или предоставляемые услуги.

И другие данные для обучения и дальнейшего прогноза, о которых не можем рассказывать публично, мы предоставляем их сами.

Для того чтобы модель делала правильные прогнозы по объектам, нужно иметь несколько разных обучающих выборок под каждый формат объекта. Если их не будет, то погрешность при результате вырастет до 20-30% или выше.

Кроме этого машинную модель нужно корректировать, а корректировка занимает около недели, в то время как в геосервисе — 5 минут для внесения данных.

Кому подходит

При этом машинное обучение даст фору геоаналитике по точности прогноза выручки, если планируется открывать объект по уже имеющемуся формату и похожей локации  при широкой выборке для обучения.

У «Пятерочки» более 40 типов магазинов по расположению, формату и структуре выручки. Но из-за огромного общего количества (более 13 тысяч объектов по всей России) здесь не будет сложности спрогнозировать выручку по машинному обучению.

Автор статьи

Подпишитесь на блог WB—Tech

Никакого спама, только анонсы новых статей

    Последние статьи

    Миграция внутренних пользователей Jira в новую директорию с сохранением данных об активности

    Рассказали, как осуществили перенос пользовательских данных из Jira (Internal Directory) в директорию Microsoft Active Directory.

    Как эффективно хранить и актуализировать корпоративные данные средствами low/no-code

    Рассказали, как организовали поток HR-данных, чтобы оргструктура и бонусно-бухгалтерские расчеты всегда были актуальны.

    Мало кода, больше результативности: платформы low-code и no-code

    О low-code и no-code платформах, примерах использования и разбор нужно ли быть программистом.

    ИП Гришанин Кирилл Олегович
    ИНН 774313842609

    Коворкинг Starthub

    Б. Новодмитровская ул., 36, стр. 12, вход 6,
    Москва, Россия, 127015

    Коворкинг Wework

    Ahad Ha'am 54,Tel Aviv-Yafo,Израиль

    © 2023 WB—Tech. Мы разрабатываем уникальные решения для компаний из России, США и Европы.