3736

Прогнозирование товарооборота новых магазинов

Январь, 2019 год.

Система автоматического расчета потенциального товарооборота торговой точки на основе данных о локации и ее конкурентного окружения.

alt

Какую проблему решали

«Магнит» — одна из ведущих розничных сетей в России, лидер по количеству магазинов и географии их расположения. «Магнит» реализует стратегию по развитию торговой сети и увеличению количества качественных локаций для новых торговых точек.

Перед открытием магазина расчет его потенциального товарооборота выполнялся с помощью моделей в полуручном режиме. Не было универсальной системы оценки локаций, что приводило к снижению количества эффективных открытий и увеличению сроков запуска торговых площадей.
Для успешной реализации стратегии развития торговой сети необходим инструмент для анализа и оценки потенциала новых локаций.
Решение проблемы
Команда «Магнит» разработала геоинформационную систему (ГИС), которая автоматически рассчитывает потенциал новой торговой точки, рекомендует наиболее эффективный формат (супермаркет, дрогери, гипермаркет) и прогнозирует падение продаж действующих магазинов рядом.

По координатам локации система автоматически собирает более 50 признаков для анализа, в том числе данные о дорогах, семьях, трафикогенераторах, негативных факторах локации и конкурентной среды. Решение прогнозирует трафик и средний чек магазина с использованием в качестве параметров результаты прогнозов от PREDICT Mail.ru Group.   
ГИС автоматически формирует презентацию локации и отправляет информацию членам инвестиционного комитета для принятия решения об открытии магазина.
Применяемые технологии

Общая архитектура решения включает разнообразные подходы к прогнозированию товарооборота и предварительной обработке данных методами ML для генерации признаков.
В системе используются:
  • Регрессионная модель машинного обучения на основе данных по домам, дорогам, данным телеком операторов, внутренней статистики, результаты прогноза по среднему чеку и трафику от PREDICT. Она представляет собой ансамбль из нелинейной модели прогноза товарооборота (XGBoost) и линейной модели прогноза товарооборота (Linear Regression);
  • Нейронная сеть для распознавания спутниковых снимков, которая учитывает требования по учету типов зданий и дорог.

Бизнес-процесс

До проекта:

  • Влияние человеческого фактора на оценку локаций.
  • 6 дней - средний срок обработки заявки на расчет потенциала.
  • Ошибки в принятии решений об открытии магазинов.
  • Длительные сроки запуска.

После проекта:

  • Автоматизированный сбор и анализ признаков локации.
  • Точный расчет потенциала торговой точки.
  • 1 день на обработку заявки на расчет потенциала.
  • Рекомендации по формату будущего магазина.

Результаты

Команда «Магнит»

Диана Барановская
Руководитель команды бизнес-экспертов
Михаил Большаков
Руководитель управления
Юрий Борисов
Начальник отдела разработки и моделирования
Владислав Валюхов
Главный аналитик данных
Евгений Левянт
Главный аналитик данных
Дмитрий Машков
Руководитель команды разработки
Дмитрий Молчанов
Ведущий разработчик
Евгений Соловьев
Руководитель команды бизнес-экспертов
Алексей Четыркин
Руководитель управления по аналитике данных
Александр Чуприн
Начальник отдела аналитики ГИС

Команда PREDICT, Mail.ru Group

Дмитрий Ивницкий
Руководитель проекта
Александр Мамаев
Тимлид Data Science
Иван Толкачев
Программист-исследователь
Анастасия Трыкова
Аналитик данных

Похожие кейсы

AI-кейсы с доказанной бизнес-эффективностью. Все проекты успешно прошли проверку комиссией из признанных экспертов в технологиях и бизнесе.