Предпосылки идеи
Суть сервиса — карта
Первый прототип
Вторая итерация
Фичи сервиса
Технологический стек и рабочее окружение
— Команда проекта
Результаты работы
Предпосылки идеи
В 2015 году рынок продуктового ритейла переходит в стадию зрелости — открывать экономически выгодные объекты становится сложнее. Некоторые продуктовые сети закрываются, компании несут убытки. Начинается гонка игроков, и выигрывает тот, кто начинает использовать технологии при открытии торговых точек. Появляются и развиваются сети новых форматов (ВкусВилл и Азбука Вкуса).
Потребность в сервисах прогнозирования выручки растет с количеством ошибок при открытии, которые допускает компания — чем больше объектов закрылось, тем больше компания несет убытков. Поняв потребности бизнеса, мы решили создать собственный сервис.
В основу сервиса встала геоинформационная платформа, однако только с помощью ГИС невозможно посчитать выручку, поэтому мы соединили геоаналитические и математические функции моделирования. Так появился Арендоход. Сервис реализован как закрытая система, доступная только для подтвержденных пользователей.
Суть сервиса — карта
«Арендоход» — это ГИС, поэтому основным рабочим пространством является карта.
Для отображения доступно более 20 различных слоев анализа локаций. Помимо карты реализована логика расчета выручки двумя методами: с помощью классического геомаркетинга и машинного обучения.
Геомаркетинг — расчет выручки сервиса на основании вычисленных коэффициентов для отрасли, например, процент конверсии потенциальных покупателей (кто является потенциальной целевой аудиторией).
Машинное обучение — расчет выручки с помощью алгоритмов. В сервисе представлено большое количество данных для анализа, которые так или иначе влияют на выручку. Поэтому задача прогнозирования решается также с помощью машинного обучения.
Первый прототип
Первый прототип сервиса считал выручку с точностью до 50%. Продукт был сырой для полноценного применения — не хватало точности и разнообразия данных, но гипотеза подтвердилась.
Плохими оказались новости о качестве данных: существующие на рынке источники данных не всегда точные, их нужно обрабатывать. Например, если в адресе небольшая ошибка и множество таких адресов с ошибками автоматически привязывать к карте — геокодировать, их координаты будут отличаться от фактического положения объекта. Нам пришлось 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.
Вторая итерация
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.
Фичи сервиса
- Поиск места с потенциальным максимальным товарооборотом.
- CRM — учет всех объектов компании и отправка оповещении при действиях пользователей.
- Прогноз не только потенциала, но и отображение выручки помесячно с учетом сезонности и закрытия/открытия конкурентов.
- Прогнозирование выручки двумя методами: машинное обучение и геомаркетинг.
- Отображение зон охвата конкурентов.
Каждый объект торговли имеет локацию, выраженную географическими координатами. На выручку объекта влияет группа факторов в зависимости от локации и формата магазина.
Технологический стек и рабочее окружение
Для кода проекта был создан репозиторий на GitHub и выданы доступы всем разработчикам. Тестовая версия развернута на сервере DigitalOcean, настроено Conitnuous Integration и Continuous Deployment.
При каждом изменении в проекте автоматически происходила сборка, выполнялись автоматические тесты и статический анализ кода. Настроена отправка статусов в GitHub таким образом, чтобы изменения кода можно было принять только в случае успешной сборки. Для CI/CD использовался сервис TeamCity.
Сценарии автоматического развертывания проекта написаны с использованием Fabric. Для развертывания в окружении разработчика использовался Vagrant и Packer для сборки базовых образов системы.
Production-сервер настроили с помощью автоматических сценариев, написанных на Fabric. Автоматическое развёртывание новых версий настраивали с помощью TeamCity.
Кроме этого, мы писали функциональные тесты для автоматической проверки работы в реальных сценариях применения. Для написания функциональных тестов использовали Selenium и Python 3.
Команда проекта
Над проектом работали 6 разработчиков, 1 QA специалист, 1 менеджер проекта и 2 аналитика.
Результаты работы
Сейчас нашим сервисом пользуются крупные сетевые ритейлеры.
Узнайте, сколько стоит разработка сервиса Арендоход в WB—Tech.
