Журнал / Кирилл Наумов
AI для выбора места нового магазина: сначала список, потом прогулка по району
Как использовать машинное обучение для предварительного отбора локаций — и почему рейтинг модели не заменяет решение по аренде.
Автор: Кирилл Наумов ·
Модель может помочь быстро разобрать длинный список возможных адресов. Но она не почувствует, удобно ли идти от остановки, заметен ли вход с улицы и что происходит у соседей в час пик. Используйте AI, чтобы понять, куда поехать на разведку, а не чтобы выбрать помещение и подписать договор.
Что показали исследования — и чего они не доказывают
В исследовании 2024 года для [Journal of Retailing and Consumer Services](https://doi.org/10.1016/j.jretconser.2023.103620) сравнивались модели машинного обучения для первичного отбора торговых локаций. Авторы использовали данные 743 ювелирных магазинов в Китае и сопоставляли районы по публичной информации о городах, конкурентах, объектах поблизости и другим рыночным признакам. Это полезное подтверждение, что такой подход можно проверить на этапе предварительного отбора в конкретном контексте. Но исследование не доказывает, что та же модель, набор показателей или рейтинг подойдут другой стране и формату.
Отдельный [разбор опыта Yonghui Superstores](https://doi.org/10.1108/MSCRA-03-2019-0010) описывает, как при выборе точек учитывались транспорт, население, конкуренты, объекты вокруг и собственная сеть магазинов. Вывод не в том, что «пусть алгоритм решит». Скорее, решение становится предметнее, когда внешние данные соединены с опытом самого ритейлера.
Поручите модели составить короткий список
Сначала сформулируйте конкретную задачу: какие районы стоит подробнее изучить для магазина у дома, магазина косметики или шоурума? Создайте список кандидатов, затем сравните их по уместным и законно доступным данным: удобству подъезда, местным показателям спроса, соседним точкам притяжения, конкуренции, охвату существующих магазинов и результатам похожих форматов. Фиксируйте дату и масштаб данных. Оценку на уровне города нельзя выдавать за точное знание конкретной улицы.
Попросите модель ранжировать районы или объединить их в группы и показать, какие признаки повлияли на оценку. Сравните результат с прозрачной контрольной версией: привычным процессом команды, понятной таблицей критериев или несколькими уже известными локациями. Если AI не помогает лучше простого базового метода, ему не обязательно оставаться в процессе.
Решение об инвестиции оставьте людям
Короткий список — это приглашение к проверке на месте. Команда должна оценить поток людей в разное время, видимость, входы и подъезды, стройки, состояние помещения, изменения у конкурентов, границы зоны охвата, расходы на персонал и доставку. Финансовой и имущественной командам всё равно предстоит проверить аренду, ремонт, условия договора и неблагоприятный сценарий. Затем нужно добавить то, чего не было в данных, и зафиксировать причины, по которым адрес прошёл дальше или был отклонён.
Осторожнее с косвенными показателями. Население, перемещения людей и характеристики района могут говорить о спросе и доступности, но способны также воспроизводить прежние перекосы или скрывать, кому достанется выгода. Используйте данные, подходящие для решения, проверяйте неравномерные последствия и не переходите к индивидуальным историям перемещений, если достаточно агрегированных показателей. Объяснение модели помогает проверить ход рассуждений, но не гарантирует справедливость результата.
Проверьте подход до следующей аренды
Возьмите прошлую группу открытых магазинов и восстановите только те сведения, которые были доступны до подписания договоров. Сопоставьте рейтинг модели с последующими результатами, учитывая формат точки, дату открытия, конкуренцию и серьёзные изменения района. Затем наблюдайте за следующим решением в реальном времени: что изменил короткий список, что выяснилось на месте и какие неизвестные всё равно повлияли на выбор. Проверяйте не только адреса, которые модель помогла открыть, но и кандидатов, которых отклонили, а также случаи уверенной ошибки.
У хорошего первого пилота одна география, один формат магазина, названный владелец решения по недвижимости, базовый метод сравнения и заранее заданное условие остановки. Измеряйте время исследования, качество короткого списка, находки при выездах и разницу между ожиданиями и фактической работой точки. Ни одна оценка не отменит неопределённость аренды. Зато она может помочь направить ограниченное время команды на самые важные вопросы.
AI может сделать анализ для развития сети более последовательным. Но окончательное решение должны принимать люди, которые понимают район, покупателя и экономику конкретного помещения. Другие практические сценарии для ритейла, продаж, обучения сотрудников и лояльности — на странице [AI for Retail workshop](https://www.kirillnaumovai.com/workshops/ai-retail-november).