В 1940-е вам нужна была специальная бабка, которая считает людей на входе в магазин. В 1950-е верхом прогресса была камера, плёнку с которой потом можно было анализировать. В конце 80-х в США и Европе (в т.ч. Германии) начали распространяться инфракрасные датчики или просто счётчики открывания-закрывания дверей на герконах. Сейчас технологии медленно дрейфуют к тому, чтобы засекать ваши широковещательные пакеты Wi-Fi и Bluetooth (рассылку поиска сетей), чтобы отслеживать перемещения телефона с точностью до 3 сантиметров. Плюс растёт значение распознавания потоков людей с видеосистем.
Но давайте я расскажу о той невидимой работе, которая делается на базе обычных счётчиков прохода человека, как в турникете. Только без меткого удара по яйцам.
Самая простая реализация после геркона — пересечение ИК-луча
Может показаться, что кроме подсчёта посетителей в магазине, такие штуки ни для чего не нужны. Однако, если утыкать ими весь торговый центр, даже простая линейная аналитика даёт кучу полезного. Например, грамотный торговый центр по отслеживанию потоков знает, что магазин перестал нравиться его аудитории — и точно численно понимает, на место кого сажать нового арендатора.
Это, на мой взгляд, лучший пример того, что даже простые как бревно данные можно использовать в десятки раз эффективнее, чем обычно, если приложить голову.
Самая простая и дешёвая реализация – турникетная, когда вся логика сделана в приёмнике луча, а излучатель должен просто светить в него по принципу фонарика. Фиксируется прерывание луча на время большее случайной сработки (например, взмаха руки через зону контроля). Вторая версия – просто ИК-датчик, аналогичный используемым для контроля проникновения в помещение (фиксирующий усреднённый ИК-фон через линзу Френеля, что позволяет получать последовательные импульсы при движении человека через зону видимости). Есть ещё реализации на базе обычных камер. Промышленные системы отличают от собранных народными умельцами степенью точности, выставленными задержками и удобством снятия показателей. Ну и умением объединяться в сеть и интегрироваться в другие подсистемы здания.
Если торговый центр расшаривает на арендаторов данные о датчиках входа в само здание и вы видите заходы в свой магазин, это позволяет считать очень важную вещь — отделять сезонные, погодные и прочие колебания от рекламы, ухудшения сервиса и так далее.
Всё просто. Вы видите, что за эту неделю количество ваших посетителей в магазине упало на 10,6%. Наверное, это плохо, думаете вы. Потом смотрите на счётчик входа в сам торговый центр — а там падение на 24%. Становится понятно, что это всё-таки рост, а не падение. Либо смена работала эффективнее, чем раньше, либо сработала реклама.
Далее, вы можете взглянуть на накопленные данные. Например, ту же неделю за прошлый и позапрошлый годы. Вас интересуют не только абсолютные показатели, но и соотношение зашедших в торговый центр к зашедшим в магазин (конверсия входа). Это позволяет получать ещё одну опорную точку для декомпозиции спроса — то есть математически вычислять эффективность таких видов рекламы, где нет возможности понять, откуда человек. Если коротко, принцип такой: надо очистить сигнал от шума — сезонных изменений, погодного влияния, всяких перекрытых станций метро, ассортиментного влияния и так далее, и получить опорный график «как должно было бы продаваться», — фактически, математический прогноз прошедшего периода. Мы прогнозируем уже фактически полученные данные, чтобы понять разницу между «должно быть» и «так в реальности». И сравнить прогноз с отклонениями больше погрешности — это и будет эффективность рекламы, например.
Имея 15 точек и задействуя разные методы рекламы, можно составить систему уравнений, позволяющую быстро понять самые эффективные сочетания способов. Имея одну торговую точку остаётся только перебирать варианты и их комбинации и делать декомпозиции — это куда медленнее, но вы всё равно двигаетесь не вслепую. А разница между интуитивным и экспериментальным подходом — всего один девайс.
Хороший торговый центр также даёт вам возможность видеть, что происходит на этажах и в зонах этажей. Потому что датчики дёшевы, а данные с них ценны. Например, вы можете видеть, что проседает вся детская тема — или же что из-за каких-то проблем в навигации люди уходят с этажа. Полезные уточнения.
Базовый пример аналитики — оценка того, стоит ли платить за аренду в этом месте. Зная примерно свою конверсию с потока и средний чек, можно оценить, что такое 250 тысяч рублей за 20 квадратных метров — чертовски дорого или очень выгодно. Проблема в том, что данные вам никто давать до подписания договора не будет, поэтому надо стоять и считать «руками», причём в разные дни и разные часы. Но это базовая метрика.
Уже на месте очень удобно по счётчику вычислять недельные и часовые колебания потока. Например, наш пик часто попадает на 16-17 и 18-19 — именно тогда в магазинах больше всего людей. Это означает, можно составить оптимизированный график для продавцов — один работает в полную смену, второй — полсмены, причём выходит, например, за пару часов до пика и заканчивает за пару часов до закрытия. Это ваша экономия (вы получаете нужное количество продавцов и не оставляете их простаивать в моменты без людей) и удобство продавца — по таким графикам (где полсмены) может работать, например, заочник или человек с гибким графиком на другой работе. Такой вот облачный сервис продавцов, очень характерный для текущей экономики.
Естественно, недельные колебания дают понять, что на выходные, например, надо ставить усиленные смены. Обычно это и так понятно, но сила в исторических данных. Можно поднимать, например, случаи праздников посреди недели и смотреть, что это меняет в смене, чтобы потом не звать лишних людей или, наоборот, не оставлять одного продавца на растерзание толпы покупателей.
Отслеживание потока позволяет понять, насколько ваш магазин интересен для аудитории торгового центра. Например, если многие проходят мимо по принципу «просто гуляют» (высокая тразитивность), это один коленкор. Если же многие заходят, и у вас в зоне высокая синергия — другой. Эти данные полезны для оттачивания модели и её масштабирования. И понимания, где и как вы будете работать хорошо. Чтобы знать, соваться ли в эти места.
Видя входы-выходы по каждой зоне, можно понимать, что интересно людям в этом конкретном ТЦ. Для самого торгового центра это повод точнее подбирать арендаторов (в ТЦ с датчиками, как правило, заявок куда больше, чем свободных мест). Опять же, можно посчитать соотношение интересности зоны к её площади — это наводит на размышления.
Можно выстроить и относительную привлекательность — вашу долю в соотношении к общей доли площади (или к конкуренту с акцией — даже если датчик входа не шарится, считать людей руками никто не запрещал). Плюс регулярное снятие чеков с пары ключевых магазинов зоны (там печатаются непрерывно равномерно возрастающие номера, которые требуются по нормативу) — и вы точно знаете, что у вас не так, и что можно сделать лучше. Удачная идея кого-то на этаже может превратиться в то, что мы потом переварите, догоните и перегоните, а потом отмасштабируете по всей стране.
Одна из проблем той же Гугл.Аналитики в рознице в том, что вы не знаете конверсию переходов с сайта в магазин. Если человек просто посмотрел товар, а потом пошёл ногами до точки, то вы никогда не поймёте, что он сделал именно так. Точнее, никогда не узнаете, сколько таких людей. У нас-то есть возможность «втихаря» открыть контрольный магазин и последить за переходами с сайта неделю-две, но это роскошь масштаба.
Так вот, конверсия важна. Например, на одной из последних конференций чувак из Юлмарта рассказывал следующую схему: когда у них в городе нет магазина, грубо говоря, конверсия на сайте в продажу 1% по аналитике. Как только появляется точка, где можно бросить телевизор в рожу продавцу с криком: «Что это за фигня?» — конверсия растёт до 1,5%. Открывают большой магазин с демонстрационным залом — ещё выше и т.п. Это часто удобно и полезно сравнивать с конверсией с пешего потока, то есть соотношением прошедших мимо вашей точки к зашедшим и зашедших к купившим. Даёт понимание того, как влияет на спрос ассортиментная матрица, например.
Несмотря на предельную простоту самого устройства (набор датчиков и ПО, которое корректирует входы-выходы продавцов), торговые центры третьего поколения и выше делают очень дофига хорошей статистики. Конкретно, каждый раз, когда вы приходите в торговый центр целенаправленно в одну точку, а потом заходите за продуктами, раз уж пришли, вас можно статистически выделить и понять, что случилось. И сделать выводы, что данный арендатор привлекает людей в торговый центр. Или же, наоборот, стоит вам «проголосовать ногами» и пройти мимо модного магазина в цепочке таких же — как его рейтинг сразу немного понизится.
С учётом, как мало развита эта тема, я хочу сказать, что даже предельно «деревянные» кондовые данные можно творчески использовать. И то, мы не всегда знаем, что даже с такими простыми наборами делать. Поэтому каждый раз, когда на конференциях по ритейлу я слышу про Big Data, я думаю о том, что стоит сначала научиться справляться с тем, что уже есть.
Но давайте я расскажу о той невидимой работе, которая делается на базе обычных счётчиков прохода человека, как в турникете. Только без меткого удара по яйцам.
Самая простая реализация после геркона — пересечение ИК-луча
Может показаться, что кроме подсчёта посетителей в магазине, такие штуки ни для чего не нужны. Однако, если утыкать ими весь торговый центр, даже простая линейная аналитика даёт кучу полезного. Например, грамотный торговый центр по отслеживанию потоков знает, что магазин перестал нравиться его аудитории — и точно численно понимает, на место кого сажать нового арендатора.
Это, на мой взгляд, лучший пример того, что даже простые как бревно данные можно использовать в десятки раз эффективнее, чем обычно, если приложить голову.
Чем считают людей
Самая простая и дешёвая реализация – турникетная, когда вся логика сделана в приёмнике луча, а излучатель должен просто светить в него по принципу фонарика. Фиксируется прерывание луча на время большее случайной сработки (например, взмаха руки через зону контроля). Вторая версия – просто ИК-датчик, аналогичный используемым для контроля проникновения в помещение (фиксирующий усреднённый ИК-фон через линзу Френеля, что позволяет получать последовательные импульсы при движении человека через зону видимости). Есть ещё реализации на базе обычных камер. Промышленные системы отличают от собранных народными умельцами степенью точности, выставленными задержками и удобством снятия показателей. Ну и умением объединяться в сеть и интегрироваться в другие подсистемы здания.
Вход в торговый центр и вход в ваш магазин
Если торговый центр расшаривает на арендаторов данные о датчиках входа в само здание и вы видите заходы в свой магазин, это позволяет считать очень важную вещь — отделять сезонные, погодные и прочие колебания от рекламы, ухудшения сервиса и так далее.
Всё просто. Вы видите, что за эту неделю количество ваших посетителей в магазине упало на 10,6%. Наверное, это плохо, думаете вы. Потом смотрите на счётчик входа в сам торговый центр — а там падение на 24%. Становится понятно, что это всё-таки рост, а не падение. Либо смена работала эффективнее, чем раньше, либо сработала реклама.
Далее, вы можете взглянуть на накопленные данные. Например, ту же неделю за прошлый и позапрошлый годы. Вас интересуют не только абсолютные показатели, но и соотношение зашедших в торговый центр к зашедшим в магазин (конверсия входа). Это позволяет получать ещё одну опорную точку для декомпозиции спроса — то есть математически вычислять эффективность таких видов рекламы, где нет возможности понять, откуда человек. Если коротко, принцип такой: надо очистить сигнал от шума — сезонных изменений, погодного влияния, всяких перекрытых станций метро, ассортиментного влияния и так далее, и получить опорный график «как должно было бы продаваться», — фактически, математический прогноз прошедшего периода. Мы прогнозируем уже фактически полученные данные, чтобы понять разницу между «должно быть» и «так в реальности». И сравнить прогноз с отклонениями больше погрешности — это и будет эффективность рекламы, например.
Имея 15 точек и задействуя разные методы рекламы, можно составить систему уравнений, позволяющую быстро понять самые эффективные сочетания способов. Имея одну торговую точку остаётся только перебирать варианты и их комбинации и делать декомпозиции — это куда медленнее, но вы всё равно двигаетесь не вслепую. А разница между интуитивным и экспериментальным подходом — всего один девайс.
Хороший торговый центр также даёт вам возможность видеть, что происходит на этажах и в зонах этажей. Потому что датчики дёшевы, а данные с них ценны. Например, вы можете видеть, что проседает вся детская тема — или же что из-за каких-то проблем в навигации люди уходят с этажа. Полезные уточнения.
Только вход в ваш магазин
Базовый пример аналитики — оценка того, стоит ли платить за аренду в этом месте. Зная примерно свою конверсию с потока и средний чек, можно оценить, что такое 250 тысяч рублей за 20 квадратных метров — чертовски дорого или очень выгодно. Проблема в том, что данные вам никто давать до подписания договора не будет, поэтому надо стоять и считать «руками», причём в разные дни и разные часы. Но это базовая метрика.
Уже на месте очень удобно по счётчику вычислять недельные и часовые колебания потока. Например, наш пик часто попадает на 16-17 и 18-19 — именно тогда в магазинах больше всего людей. Это означает, можно составить оптимизированный график для продавцов — один работает в полную смену, второй — полсмены, причём выходит, например, за пару часов до пика и заканчивает за пару часов до закрытия. Это ваша экономия (вы получаете нужное количество продавцов и не оставляете их простаивать в моменты без людей) и удобство продавца — по таким графикам (где полсмены) может работать, например, заочник или человек с гибким графиком на другой работе. Такой вот облачный сервис продавцов, очень характерный для текущей экономики.
Естественно, недельные колебания дают понять, что на выходные, например, надо ставить усиленные смены. Обычно это и так понятно, но сила в исторических данных. Можно поднимать, например, случаи праздников посреди недели и смотреть, что это меняет в смене, чтобы потом не звать лишних людей или, наоборот, не оставлять одного продавца на растерзание толпы покупателей.
Вход к вам и вход-выход из зоны
Отслеживание потока позволяет понять, насколько ваш магазин интересен для аудитории торгового центра. Например, если многие проходят мимо по принципу «просто гуляют» (высокая тразитивность), это один коленкор. Если же многие заходят, и у вас в зоне высокая синергия — другой. Эти данные полезны для оттачивания модели и её масштабирования. И понимания, где и как вы будете работать хорошо. Чтобы знать, соваться ли в эти места.
Видя входы-выходы по каждой зоне, можно понимать, что интересно людям в этом конкретном ТЦ. Для самого торгового центра это повод точнее подбирать арендаторов (в ТЦ с датчиками, как правило, заявок куда больше, чем свободных мест). Опять же, можно посчитать соотношение интересности зоны к её площади — это наводит на размышления.
Можно выстроить и относительную привлекательность — вашу долю в соотношении к общей доли площади (или к конкуренту с акцией — даже если датчик входа не шарится, считать людей руками никто не запрещал). Плюс регулярное снятие чеков с пары ключевых магазинов зоны (там печатаются непрерывно равномерно возрастающие номера, которые требуются по нормативу) — и вы точно знаете, что у вас не так, и что можно сделать лучше. Удачная идея кого-то на этаже может превратиться в то, что мы потом переварите, догоните и перегоните, а потом отмасштабируете по всей стране.
Вход к вам и вход на сайт
Одна из проблем той же Гугл.Аналитики в рознице в том, что вы не знаете конверсию переходов с сайта в магазин. Если человек просто посмотрел товар, а потом пошёл ногами до точки, то вы никогда не поймёте, что он сделал именно так. Точнее, никогда не узнаете, сколько таких людей. У нас-то есть возможность «втихаря» открыть контрольный магазин и последить за переходами с сайта неделю-две, но это роскошь масштаба.
Так вот, конверсия важна. Например, на одной из последних конференций чувак из Юлмарта рассказывал следующую схему: когда у них в городе нет магазина, грубо говоря, конверсия на сайте в продажу 1% по аналитике. Как только появляется точка, где можно бросить телевизор в рожу продавцу с криком: «Что это за фигня?» — конверсия растёт до 1,5%. Открывают большой магазин с демонстрационным залом — ещё выше и т.п. Это часто удобно и полезно сравнивать с конверсией с пешего потока, то есть соотношением прошедших мимо вашей точки к зашедшим и зашедших к купившим. Даёт понимание того, как влияет на спрос ассортиментная матрица, например.
Невидимая работа
Несмотря на предельную простоту самого устройства (набор датчиков и ПО, которое корректирует входы-выходы продавцов), торговые центры третьего поколения и выше делают очень дофига хорошей статистики. Конкретно, каждый раз, когда вы приходите в торговый центр целенаправленно в одну точку, а потом заходите за продуктами, раз уж пришли, вас можно статистически выделить и понять, что случилось. И сделать выводы, что данный арендатор привлекает людей в торговый центр. Или же, наоборот, стоит вам «проголосовать ногами» и пройти мимо модного магазина в цепочке таких же — как его рейтинг сразу немного понизится.
С учётом, как мало развита эта тема, я хочу сказать, что даже предельно «деревянные» кондовые данные можно творчески использовать. И то, мы не всегда знаем, что даже с такими простыми наборами делать. Поэтому каждый раз, когда на конференциях по ритейлу я слышу про Big Data, я думаю о том, что стоит сначала научиться справляться с тем, что уже есть.
