В современном бизнесе все большее число компаний применяют различные виды маркетинга для получения конкурентных преимуществ на рынке. Среди них есть и геомаркетинг — инновационный подход, основанный на использовании пространственных, географически локализованных данных для принятия решений. К примеру, это может быть количество людей, проходящих по конкретному участку улицы или количество маршрутов автобуса, пролегающих возле торговой точки. Геомаркетинг становится неотъемлемой частью стратегии развития многих компаний, помогая им успешно расширять свою деятельность и увеличивать показатели экономической эффективности.
Как использование географических данных помогает компаниям достичь устойчивого роста
Для успешного развития розничного бизнеса крайне важно правильно выбрать местоположение торговой точки. Однако учесть все факторы, связанные с реальным миром, практически невозможно. В таких ситуациях стратегические решения, основанные на географических данных, могут стать ключевыми для достижения устойчивого роста компании. Один из ярких примеров — сеть кофеен Starbucks, которая в 2007-2008 годах была вынуждена закрыть около 600 неэффективных точек и сократить около 12 тысяч сотрудников. Тем не менее, благодаря подходу, основанному на данных о трафике клиентов, компании удалось открыть более 1500 новых торговых точек без ущерба для продаж уже существующих кофеен сети.
Геомаркетинговый подход позволяет компаниям учитывать пространственную конкуренцию при принятии стратегических решений, таких как выбор места для торговой точки или оценка стоимости необходимых торговых площадей. Правильная оценка факторов, которые варьируется между разными индустриями и рынками, может дать компаниям уникальные конкурентные преимущества.
Эффективное решение для оптимизации бизнеса и управления рисками
Геомаркетинг представляет собой мощный инструмент для компаний, позволяющий работать с пространственными данными и оптимизировать размещение торговых точек, а также оценивать их необходимую площадь. Однако возможности геомаркетинга не ограничиваются этими задачами. Сюда также входит социально-демографический анализ для создания геодемографической карты, учет транспортных и пешеходных потоков для дорожных проектов, выбор местоположения производственных недвижимых активов, включая склады, с учетом оптимального объема необходимых ресурсов и рабочей силы, а также анализ рисков и многое другое. Геомаркетинг может помочь компаниям оценить потенциальные риски, связанные с изменениями в городской инфраструктуре, такими как закрытие станции метро на ремонт или введение локдауна. Такие события могут оказать значительное влияние на бизнес, поэтому важно учитывать их при разработке стратегии. Компании, которые применяют геомаркетинг, могут получить ценные инсайты, которые помогут им адаптироваться к изменяющимся условиям и принимать более обоснованные решения.
Какие данные анализируются
В нашем распоряжении имеется колоссальный объем информации, подлежащей анализу. Фактически, мы можем проанализировать все имеющиеся данные, описывающие действия продавцов и покупателей на рынке: их перемещения, время пребывания в определенных местах, виды реализуемой продукции, объемы продаж и многое другое. В качестве примера можно привести ситуацию со складскими помещениями, где покупатели — это те, кто вывозит товары, а продавцы — те, кто их доставляет и хранит. В данном случае, объектом нашего исследования становится целевая переменная, которая отражает полезность для компаний. Например, это может быть спрос на определенный товар в конкретном географическом районе, потоки пешеходов и автомобилей, объемы продаж и т. д. Для проведения анализа таких данных мы используем стандартные среды программирования: Python и R.
Результаты анализа предоставляют управленцам компании ценную информацию о том, какой будет спрос на товары и услуги в различных местах и в разное время. Эта информация позволяет им разрабатывать и реализовывать классические маркетинговые стратегии, исходя из конкретной ситуации на «карте».
Моделирование в геомаркетинге
Истоки геомаркетингового моделирования уходят в первую половину 19-го века, когда были предложены модели Тюнена, Кристаллера и Хотеллинга. Несмотря на свою простоту, эти модели стали основой для последующих разработок в этой области.
Одной из наиболее интересных моделей является гравитационная модель Хаффа, которая была разработана позже. Наша команда убедилась, что аспекты, сформулированные в ней, могут оказаться очень полезными в процессе работы с географическими данными. Модель основана на томп, что она учитывает влияние признака на рассматриваемый объект на карте обратно пропорционально расстоянию до признака. Непосредственно в оригинальной модели рассматривается вероятность, что потребитель выберет данную торговую точку, и расчёт происходит как произведение полезности от посещения данной точки на расстояние до нее, деленное на сумму аналогичных произведений для всех рассматриваемых торговых точек. Модель дополняется еще двумя параметрами – степени, которые отражают полезность и расстояние.
Идеи гравитационной модели Хаффа легко адаптируются к более развитым подходам, основанным на регрессионном анализе. Кроме того, добавление расстояния как фактора возможно и в виде регулирования других факторов таким образом, чтобы они изменялись пропорционально – модель полезна в рамках использования инструментария машинного обучения, причем не только напрямую, как было в оригинальной модели, но и в ходе процедуры понижения размерности данных.
Понижение размерности данных – метод подготовки данных перед обучением модели. Оно может быть выполнено после очистки и масштабирования данных. Модель, обученная на данных с широким набором признаков, подвергается риску переобучения. Это приводит к снижению точности.
Проблема размерности данных в геомаркетинге
Очень часто в геомаркетинговых исследованиях мы сталкиваемся с большим количеством переменных, которые описывают различные географические факторы. Например, это могут быть счетчики всех аптек в радиусе 100 и 500 метров, аналогичные данные для продуктовых магазинов, фитнес-центров и станций метро. В то же время, количество наблюдений, то есть уже существующих торговых точек компании, значительно меньше.
В результате, мы получаем таблицу данных, в которой количество переменных превышает количество наблюдений. К сожалению, на таких данных сложно построить модель, которая бы точно предсказывала интересующий нас показатель. Для решения этой проблемы можно использовать идеи модели Хаффа. Например, мы можем объединить счетчики аптек в радиусе 100 и 500 метров в одну переменную, учитывая при этом, что более отдаленные аптеки оказывают влияние на проходимость нашей торговой точки в 5 раз меньше. Таким образом, мы можем сократить количество переменных, сохраняя при этом необходимые данные для анализа.
Технические аспекты анализа данных в геомаркетинге
Для того, чтобы связать элементы машинного обучения, парсинг данных и визуализацию результатов обучения моделей на картах, существуют географические информационные системы (ГИС). В них используются различные технологии геокодирования. Одним из простейших способов геокодирования является отображение одинаковыми символами на электронной карте объектов, которые удовлетворяют одним и тем же запросам в электронной базе. Всем объектам присваиваются значения географических координат (широта и долгота), которые связывают запрос пользователя (например, название улицы или магазина) и отображение на электронной карте соответствующих координат. Далее производится простейший запрос к базе данных и, например, «наполнятся» переменная-счетчик определенного типа объектов в заданном радиусе от определенной точки на карте (исследуемая торговая точка). Чуть сложнее, но подобным же образом, отслеживаются динамические переменные – пешеходный трафик, генерируемый чем-либо в радиусе от объекта исследования. Кроме того, фирма может дополнительно использовать внутренние данные о покупателях, таким образом процесс парсинга при помощи ГИС не всегда необходим.
Данные также могут собираться по принципу чек-листов, по аналоговому подходу и так далее. Чек-листы – это принцип создания количественных и качественных критериев, которые по мнению составителя могут быть так или иначе связаны с потенциальным успехом торговой точки, и подход к акцентированию внимания на данных, которые превалируют в локациях, на которых находятся другие успешные торговые точки фирмы или конкурента. В худшем случае можно собирать все данные, какие возможно – на такой подход будет затрачено больше всего времени, но если приложить достаточно много усилий и провести релевантный анализ, то результат может оправдать надежды исследователя.
При работе с данными с использованием алгоритмов машинного обучения следует преобразовывать имеющиеся данные для получения моделей лучшего качества. Это же иногда нужно и для более удобной интерпретации результатов. Существуют различные методы выбора признаков, распределенные на две группы:
Первая – извлечение признаков (feature extraction), которая включает в себя метод главных компонент (PCA), линейный дискриминантный анализ (LDA) и сингулярное разложение (SVD). Главная цель таких методов – определение подмножества признаков, которые могут быть использованы для построения модели.
Вторая – выбор признаков (feature selection), включает в себя методы фильтрации (filter), «обёртки» (wrapper) и встраивания (embedding).
Для моделирования на данных уменьшенной размерности, с уже обработанными и отобранными объясняющими переменными, по нашему опыту, отлично работают распространенные подходы к анализу данных: случайный лес, градиентный бустинг, очень полезны кросс-валидация и метод «k-ближайших соседей».
Мы хорошо представляем скепсис специалистов в машинном обучении, прочитавших только о базовых подходах – признаем, можно было бы поговорить в деталях о более комплексных подходах и методах. Таких как, например, хорошо подходящие для геоданных архитектуры нейронных сетей, или, о том, как наша команда убедилась, что ручное понижение размерности данных, с использование в том числе и соображений закона Хаффа, приводит к результатам лучше, чем использование метода главных компонент (потому что он учитывает в том числе и ту дисперсия признаков, которую желательно исключить). Однако статья носит ознакомительный характер.
Как открыть новую торговую точку без убытков
Ниже представлены 18 наиболее часто встречающихся факторов влияния для выбора местоположения торговой точки (в порядке убывания количества упоминаний во профильной литературе):
1. Население района/региона
2. Потенциал рынка
3. Расстояние/время до торговой точки
4. Доходы населения в районе/регионе
5. Трафик пешеходов и автомобилей, доступность
6. Наличие конкурентов
7. Продажи ныне существующих торговых точек
8. Развитость торговой зоны
9. Доступный для релокации бюджет
10. Возрастное распределение населения в районе/регионе
11. Площадь торговой точки
12. Упоминания в социальных сетях
13. Доля населения за чертой бедности
14. Потенциал коррелирующих рынков
15. Этническое распределение населения в районе/регионе
16. Обзоры на специализированных вебсайтах
17. Уровень образования населения
18. Наличие парковочных мест рядом с локацией
Большинство из них можно довольно легко учесть и проанализировать в рамках построения предиктивной модели. Однако ряд из них требует личной экспертной оценки влияния на принимаемое бизнес-решение командой компании. Речь идет о доступном для релокации бюджете, потенциале рынка, потенциале коррелирующих рынков и обзорах в Интернете. Каждый из параметров, даже обзоры в интернете (называемый в машинном обучение анализ сантиментов), измерим тем или иным образом. Однако встает вопрос: как такие показатели влияют на какой-либо предсказываемый в геомаркетинге показатель, предположим, проходимость торговой точки? Зачастую – никак. Геомаркетинговая модель в первую очередь несет рекомендательный характер и предназначена для удобства лица, принимающего окончательное решение.
Предполагается, что руководитель должен принять окончательное решение, оценив потенциал рынка и сделав выводы о множестве различных факторов влияния. Также стоит оценивать предложенные предиктивными моделями локации и с финансовой точки зрения. Практически очевидно, что торговая точка на Тверской ул. в самом центре Москвы найдет своих клиентов из-за высокой проходимости, но стоит учитывать, что и арендные ставки в данной локации высокие.
Мы в BOKS Consulting используем инструменты геомаркетинга для реализации комплексных проектов развития сетей торговли и сферы услуг. Если перед вашей компанией стоят задачи расширения географии внутри города, составим стратегию развития и подберем оптимальные точки для открытия филиалов.
Для удобства, сделали краткую памятку о том, как открыть успешную торговую точку
