Analityka predykcyjna w kontekście location intelligence to wykorzystanie modeli machine learning do szacowania potencjału sprzedażowego lokalizacji zanim firma zainwestuje w jej otwarcie. Model łączy historyczne dane sprzedażowe istniejących punktów sieci z danymi o ich otoczeniu (ruch, demografia, konkurencja, infrastruktura) i na tej podstawie prognozuje, jakie wyniki osiągnąłby nowy punkt w analizowanej lokalizacji.
Podejście predykcyjne nie jest nowe – bankowość i ubezpieczenia stosują je od dziesięcioleci. Rozwój machine learning i rosnąca dostępność danych geoprzestrzennych sprawiły, że te same metody można dziś stosować do decyzji lokalizacyjnych w świecie offline. Modele są dokładniejsze, ich uczenie przebiega szybciej, a koszt budowy systematycznie spada.
Lokalizacja wpływa na każdy punkt sprzedaży w inny sposób, dlatego ważne jest zidentyfikowanie czynników, które determinują sukces lub porażkę danego punktu. Dwie lokalizacje z podobnym ruchem pieszym, zbliżoną demografią i porównywalną liczbą konkurentów mogą generować diametralnie różne przychody, bo wpływ poszczególnych czynników na sprzedaż jest nieliniowy i zależy od ich kombinacji.
Model predykcyjny wykrywa te zależności automatycznie, analizując jednocześnie kilkadziesiąt zmiennych i identyfikując prawidłowości, których człowiek przeglądający arkusz z danymi nie jest w stanie dostrzec.
Historyczne wyniki sprzedażowe istniejących punktów sieci: obroty, liczba transakcji, średni koszyk. Do tego cechy każdego punktu, które mogą wpływać na wyniki: powierzchnia, godziny otwarcia, typ lokalu, data otwarcia. Im więcej punktów w sieci i im dłuższa historia danych, tym model ma więcej materiału do nauki.
Model budowany jest pod konkretną sieć. Czynniki sukcesu kawiarni premium są inne niż siłowni budżetowej, a te inne niż dyskontu spożywczego. Dlatego prognoza musi być trenowana na danych tej konkretnej firmy.
Każdy punkt w sieci opisywany jest również przez charakterystykę otoczenia: ile osób mieszka w zasięgu, jaki jest ich profil demograficzny i siła nabywcza, jakie jest natężenie ruchu, ilu konkurentów działa w pobliżu, jaka jest struktura zabudowy, dostępność komunikacyjna, obecność generatorów ruchu.
Połączenie obu typów danych pozwala modelowi nauczyć się, które cechy otoczenia korelują z wysoką sprzedażą w przypadku tej konkretnej sieci. Wnioski wyciągane są bezpośrednio z danych, na bazie rzeczywistych korelacji.
W praktyce modele predykcyjne w location intelligence mogą dostarczać wyniki na dwóch poziomach precyzji.
Model scoringowy ocenia lokalizację w skali 0–100 i przyporządkowuje jej miejsce w rankingu względem istniejącej sieci. Odpowiada na pytanie: czy ta lokalizacja ma szansę trafić do górnej części mojej sieci, czy raczej znajdzie się w dolnej?
To podejście jest szybsze do wdrożenia, wymaga mniej danych historycznych i sprawdza się na etapie wstępnej selekcji. Gdy zespół ekspansji ma 50 lokalizacji do oceny i chce zawęzić listę do 10 najlepszych kandydatów, scoring pozwala to zrobić na twardych danych.
Bardziej zaawansowane podejście, w którym model szacuje konkretną wartość: prognozowany obrót, liczbę transakcji lub średni koszyk. Wymaga większej ilości danych treningowych i dłuższego procesu budowy, ale daje wynik, który bezpośrednio przekłada się na analizę opłacalności inwestycji.
Jeśli zarząd potrzebuje odpowiedzi w złotówkach, potrzebna jest estymacja. Modele estymacji sprzedaży, trenowane na danych kilkudziesięciu lub kilkuset istniejących punktów, osiągają trafność przekraczającą 80%.
Model analizuje jednocześnie kilkadziesiąt zmiennych i sam identyfikuje, które z nich mają największy wpływ na wyniki danej sieci.
Ruch i mobilność. Natężenie ruchu pieszego i samochodowego w okolicy, rozkład godzinowy, udział ruchu lokalnego vs. tranzytowego, sezonowość.
Demografia i siła nabywcza. Liczba mieszkańców w zasięgu, struktura wiekowa, średni dochód, wydatki na konkretne kategorie produktów.
Konkurencja. Liczba i typ konkurentów w zasięgu, ich odległość od analizowanej lokalizacji, nasycenie rynku.
Infrastruktura i otoczenie. Dostępność komunikacyjna, typ zabudowy (mieszkalna, biurowa, handlowa), obecność generatorów ruchu (centra handlowe, szkoły, biurowce), planowane inwestycje.
Cechy punktu. Powierzchnia, godziny otwarcia, typ lokalu, widoczność z ulicy.
Waga poszczególnych czynników jest inna dla każdej sieci – dla jednej liczy się przede wszystkim natężenie ruchu, dla innej średni dochód mieszkańców, a dla jeszcze innej obecność konkretnego typu generatora ruchu w sąsiedztwie. Model odkrywa te zależności automatycznie, na bazie danych.
Prognoza dla nowych lokalizacji pozwala przygotować business case dla zarządu z konkretnymi liczbami i porównać kilka opcji na bazie szacowanych przychodów.
Jeśli punkt osiąga wyniki poniżej prognozy modelu, to sygnał, że lokalizacja ma potencjał, ale coś w zarządzaniu, asortymencie lub operacjach wymaga poprawy. Punkt powyżej prognozy to z kolei best practice wart przeanalizowania i replikacji w innych lokalizacjach.
Gdy firma ma budżet na otwarcie np. 10 nowych punktów, a kandydatów jest 50, ranking lokalizacji oparty na prognozowanej sprzedaży pozwala obiektywnie wybrać te o najwyższym potencjale zwrotu z inwestycji.
