Как открыть новую торговую точку и не прогореть через полгода.
Стандартный метод «на опыте»
— Поиск локации «на опыте»
Недостатки метода
— Низкая точность
— Ручной труд
— Человеческий фактор
Как мы изменили подход и перестали применять «опыт»
— Геоданные, статистический анализ и машинное обучение
Первая итерация — прототип продукта
Вторая итерация
— Повышение эффективности
— Снижение риска открытия убыточных объектов
— Автоматизация процессов
Полученная выгода
Я работал руководителем IT-проектов в компании, которая открывала объекты торговли. Из нелюбви к рутине я решил придумать, как автоматизировать поиск лучшего места для точки и точнее прогнозировать выручку будущего объекта. Расскажу, что из этого получилось.
Я работал руководителем IT-проектов в компании, которая открывала объекты торговли. Из нелюбви к рутине я решил придумать, как автоматизировать поиск лучшего места для точки и точнее прогнозировать выручку будущего объекта. Расскажу, что из этого получилось.
Обычно при открытии новой точки менеджеры компании принимают решение о выгодности объекта на основании теоретических знаний и собственного опыта — знания города, конъюнктуры рынка, конкурентов и так далее.
Поиск локации «на опыте» происходил так:
На основании полученных данных специалист прогнозировал значение товарооборота. Опыт и знания менеджера безусловно влияют на успешность открытия нового объекта, но опираться только на них рискованно для компании.
Во-первых, ничто не мешает этому менеджеру уйти в другую компанию, например к конкуренту.
Во-вторых, работу менеджера контролировать трудно, нет системности в поисках и анализе потенциального места для торговой точки.
В-третьих, даже потенциально успешное место, которое найдет менеджер, на практике может не дать обещанного результата, что грозит миллионными издержками компании.
В-четвертых, нет никаких гарантий, что это не точка его друга, которую он просто хочет продать.
Точность такого прогноза зависит от ответственности и опыта конкретного сотрудника: чем более аккуратно он проводит исследование, тем выше точность. Проанализировав 133 потенциальных объекта менеджеров, я сделал вывод, что точность линейного специалиста не превышает 70%.
Чаще всего даже опытные менеджеры оценивают объект, просто глядя на него на местности или даже на карте, говоря: «Здесь объект будет торговать примерно 250-300 тысяч в день».
Затем уже эта оценка подгонялась под презентацию инвестиционному комитету и иногда оправдывала себя.
Пятерочка — одни из первых в продуктовом ритейле, кто внедрил автоматизированное прогнозирование выручки. Сейчас они лидеры рынка. Совпадение?
Низкая точность
Первый и самый очевидный недостаток — вывод, не подкрепленный никакими данными, даже теоретически не может оправдать себя.
Точность прогноза выручки новой точки зависит от опыта и дотошности сотрудника. Мы ездили с менеджерами по объектам и смотрели, что они делают, наши коллеги делились своим опытом поиска объектов и в итоге получились такие цифры:
Медианная точность по менеджерам составляла 64%, то есть риск инвестиций в убыточный объект у компании был велик.
Много ручного труда
В среднем, на полноценный анализ одного-двух объектов у менеджера уходит 4–5 рабочих дней, то есть рабочая неделя. За это время он выезжает на объект, проводит анализ и составляет заключение о будущей выручке объекта. Если менеджер ответственный, он посчитает каждый дом, зайдет в каждый магазин-конкурент, узнает стоимость недвижимости, и в этом случае анализ займет до 2-3 дней.
Практика показала, что на 10-20 проанализированных локаций открывалось только 1-2 объекта. Получается, менеджер находил подходящий объект или локацию в среднем за один или два месяца.
Человеческий фактор
Отсутствие аналитики, с помощью которой руководитель мог бы проверить сотрудника, позволяло менеджерам «пропихивать свои» объекты, подгоняя расчет под нужные показатели. Они получали деньги с продажи объекта по коррупционной схеме, игнорируя интересы компании. Когда-то интересы совпадут, а когда-то нет.
Несмотря на то, что проникновение новых технологий в компанию остановилось на whatsapp, учредители понимали, что альтернативе «цифровизации» бизнеса может быть только его смерть.
Не обязательно понимать для того, чтобы эффективно работать, машина это делает прекрасно, поэтому все чаще и чаще, оказывается, что обучив алгоритм мы ему делегируем свою работу или работу своих сотрудников.
Андрей Себрант,
директор по маркетингу Яндекса
Наблюдая работу 10 менеджеров в течение 2 месяцев, мы решили автоматизировать процессы, создав веб-сервис для быстрого расчета выручки объекта торговли любым сотрудником.
Геоданные, статистический анализ и машинное обучение
На такую автоматизацию нам потребовался штат аналитиков, программистов и вера в то, что выручку будущего объекта возможно посчитать через веб-сервис за пару кликов, тратя на это 10 минут вместо 2 дней.
Продуктовая гипотеза была такой: скрестив технологии в области геоданных, машинного обучения и матстатистики мы создадим сервис, считающий выручку будущего объекта торговли.
Спустя полгода мы запустили прототип — первое приближение сервиса, который считал выручку с точностью до 50%. Продукт был сыроватый для полноценного применения — не хватало точности и разнообразия данных, но гипотеза подтвердилась.
Плохими оказались новости о качестве данных. Существующие на рынке источники некачественные — данные не всегда точные, их нужно обрабатывать. Например, в адресе будет небольшая ошибка и если множество таких адресов с ошибками автоматически привязывать к карте (геокодировать), их координаты будут отличаться от фактического положения объекта. Поэтому нам пришлось самим стать создателями данных.
Удачным решением было использовать Bootstrap — это заметно сократило затраты на frontend-разработку и позволило быстрее внедрить сервис на первом этапе. Мы получили фидбек от пользователей о том, что удобно, а что нет.
Приступили ко второй итерации.
Мы показали MVP опытным аналитикам рынка ритейла, рассказали о результатах использования сервиса и доработали сервис до 85-90% точности прогноза.
И все. Мы уперлись в эту точность. Оказалось, что проблема не в данных или программе. Мы пришли к выводу, что эти 10-15% погрешности связаны с человеческим фактором— работа директора магазина и всего персонала, в общем — клиентского сервиса. А это то, за что наш сервис отвечать не может.
Повышение эффективности
Менеджер по поиску анализировал примерно 2 локации в неделю. Средняя зарплата составляла 60 тысяч рублей в месяц, а менеджеры в среднем анализировали до 8-10 локаций в месяц. Получается, что один объект обходился нам примерно в 10-12 тысяч рублей.
После внедрения сервиса каждый менеджер стал минимум в 2 раза эффективнее. Ленивый за те же деньги анализировал 16 локаций, сократив стоимость одного объекта до 4-6 тысяч, а ответственный — 24 локации в месяц.
В нашей компании 7 менеджеров из них 3 ответственных. В денежном эквиваленте выгода в пересчете на одного менеджера составила 85 тысяч рублей в месяц. Всего в год — 7,14 млн рублей, округлим до 7 для удобства дальнейших расчетов.
Один менеджер утверждал, что прекрасно знает любое место Балашихи, и клялся, что больше в ней объектов не открыть. После того как мы показали ему точку с товарооборотом около 600 тысяч рублей в день, он изменил свое мнение и через полгода покинул компанию.
Снижение риска открытия убыточных объектов
Используя сервис, менеджеры по поиску сократили открытие убыточных локаций до нуля. С учетом того, что при открытии убыточного объекта, компания его далее перепродавала, но за меньшие деньги, выгода экономии составила 5 млн рублей.
Автоматизация процессов
Руководство обязало сотрудников вести процессы поиска и фиксировать результаты в сервисе, поэтому количество ошибок от «я потерял листок с расчетами» значительно сократилось.
В результате работы заказчик сэкономил 9, 8 млн рублей при использовании сервиса. Вот краткие расчеты.
Никакого спама, только анонсы новых статей
ИП Гришанин Кирилл Олегович
ИНН 774313842609
Б. Новодмитровская ул., 36, стр. 12, вход 6,
Москва, Россия, 127015
Ahad Ha'am 54,Tel Aviv-Yafo,Израиль