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.
Стандартный метод «на опыте»
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:
- Специалист выезжал на потенциальную точку или приезжал город в поисках подходящей локации.
- На месте анализировал окружение объекта: социальную, транспортную инфраструктуру, близость конкурентов и прочее. Все это записывал на бумагу или тетрадь, реже на планшет или ноутбук.
- Определял число людей, проживающих вблизи точки «на глаз» (аккуратность этой оценки полностью зависела от острого взгляда менеджера и его представлениях о количестве жителей в районе).
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.
Недостатки метода
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:
- Очень опытным хватало провести 4 часа на объекте, чтобы спрогнозировать с точностью до 70%, чего большинству сетей в то время было достаточно.
- Менее опытные менеджеры, проводили на объекте больше времени, но показывали точность менее 60%.
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.
Как мы изменили подход и перестали применять «опыт»
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.
Первая итерация — прототип продукта
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.
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.
Результаты после внедрения автоматизации
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.
Полученная выгода
В результате работы заказчик сэкономил 9, 8 млн рублей при использовании сервиса. Вот краткие расчеты.
Клиент сократил затраты на ФОТ на 4,8 млн
Клиент сократил издержки от закрытия убыточных объектов на 5 млн
