Секс-шоп, кафе или бар? Как Best Address поможет выбрать лучшее помещение для конкретного вида бизнеса

Привет, меня зовут Данила Тривайло, и сегодня хочу рассказать про наш проект, который мы запустили на днях.

Допустим, вы решили открыть кофейню, кальянную, аптеку или компьютерный клуб. Начинаете смотреть помещения, составили некий шорт-лист. Как понять, насколько большой потенциал у каждого из объектов?

По сути, дальше все модели бизнеса делятся на 2 большие группы.

Модель «На трафике». В таком случае самое основное — какое число людей проходит мимо вас за Х времени. Это и есть ваши потенциальные клиенты, которых вы можете сконвертировать в тех, кто увидит ваше заведение, затем войдет в него и, наконец, совершит покупку. Такая модель актуальна для стрит-ритейла, торговых центров, метро, вокзалов, бизнес-центров и других аналогичных мест. По сути, в таком случае вас не особо интересует, сколько людей живет поблизости. Для таких задач я видел сервис GisBuyer, который работает на анализе данных от сотовых операторов. Также встречал решения, которые оценивают трафик по вай-фай, количеству чеков в определенном районе, или те, кто считает трафик с помощью камер (ссылка на statpad.ru) или специальных приборов. Будет здорово, если у вас был опыт и вы напишете современные решения в комментах.

Модель «На районе». При таком подходе вы ориентируетесь не на трафик, а на число людей, которые проживают в шаговой доступности от конкретного адреса. Такая модель больше актуальна для спальных районов, где людям по-прежнему нужна инфраструктура, но они не готовы ехать далеко.

Мы решили собрать пилот и запустили bestaddress.ru — сервис, который поможет оценить адреса с точки зрения их потенциала для разных сфер бизнеса.

Суть сервиса очень простая.

1. Вы вводите адрес.
2. Мы считаем, сколько жителей вокруг указанного адреса приходится на одно кафе, аптеку, салон красоты и еще 30 других категорий.
3. Сравниваем полученный коэффициент со средним числом по данному кластеру.
4. На основании этого делаем вывод — стоит ли открывать организацию данного типа в этой локации или нет.

Теперь обо всем по порядку.

Кластеризация

Первым делом мы разбили все адреса на кластеры. В нашем случае кластеры — это локации со схожими параметрами: удаленность от центра, от метро, наличие рядом торговых центров.

Деление на кластеры нужно для того, чтобы сравнивать адреса в схожих локациях между собой. То есть, очевидно, что на Арбате и в Бутово нужно разное количество аптек, кофеен и магазинов на 1000 жителей, проживающих рядом.

Средние значения

Поскольку мы много работаем с данными по квартирам, у нас есть возможность подсчитать, какое число людей живет вокруг каждого адреса, исходя из числа домов, подъездов, этажей и квартир. Также у нас есть возможность оценить, какое число организаций определенного типа находится в шаговой доступности от каждого адреса.

Поэтому мы посчитали медианные значения по соотношению организаций и местных жителей для каждого из полученных кластеров. Условно: стало понятно, что для спального района вдали от центра и от метро 1 кофейня на 1000 жителей — норма, для локации в центре города около метро — слишком мало.

Оценка каждого адреса

Теперь мы знаем, к какому кластеру относится каждый отдельный адрес и какие средние значения мы можем брать за норму для всех аналогичных локаций.

Для итогового результата мы сравниваем соотношение жителей и организаций со средними значениями по кластеру — и получаем оценку, какой вид бизнеса стоит открыть в данной локации.

Недостатки подхода

Очевидно, что bestaddress.ru — не универсальное решение. У нас была гипотеза, и было очень интересно, как отработает такая логика оценки. Как минимум это может помочь быстро оценить несколько вариантов помещений для частных предпринимателей, которые хотят открыть локальный бизнес. С другой стороны — текущую реализацию можно сильно улучшить и использовать для больших сетей. Ведь, помимо жителей, можно учитывать наличие конкурентов (или вообще конкретных брендов) рядом с предполагаемой точкой.

Еще, как вариант, можно добавить повышающие коэффициенты. Например, если речь идет про компьютерный клуб, очевидно, что наличие рядом школы или колледжа повышает привлекательность локации.

Если вы посмотрели наш сервис, нам будет интересно услышать любой фидбэк:)

Сага о том, как в стартапе машинное обучение внедряли

Искусственный интеллект вместо риэлтора: как THE METERS изменит рынок недвижимости

Как наш интернет-магазин «кидали» на деньги