ТИГР

Совмещение данных картографии, расположения городской инфраструктуры, социально-демографических данных, портрета потребителя на определенной территории, урбанистических данных может в своем массиве дать исчерпывающую информацию о целесообразности открытия объекта торговли и сервиса, предоставляя финансовые и рыночные интегрированные показатели функционирования объекта. По сути дела алгоритм машинного обучения на основе имеющихся геомаркетинговых, демографических и других данных должен предсказать - сколько посетителей будет в торговом объекте, и сколько чеков будет приносить торговая точка.

Как только количество данных будет достаточно мы приступим к созданию прототипа.

На рынке представлены продукты, которые основаны на гравитационной модели Хаффа и дают очень приблизительные данные. Даже у лучших продуктов погрешность посещаемости может достигать 50%. Количество чеков не прогнозирует ни один продукт. Поэтому коммерческое использование данных моделей сомнительно.

Проект решает проблему по снижению риска открытия убыточной торговой точки для сетей – это главное предназначение. Неудачный вход в торговый центр для торговой сети может обходиться в несколько сотен тысяч долларов. Продукт значительно снижает эти риски. Зная прогноз работы имеющегося или перспективного торгового объекта, собственник принимает наверняка, а не принципу казино – место хорошее, должно работать.
Во вторую очередь объект снижает риски застройщиков и инвесторов построить «пустой» торговый центр. Никто из арендаторов не пойдет в торговый центр с потенциально низкой проходимостью и с потенциально низким средним чеком. И не всегда очевидно, стоит ли строить объект или нет. И вот здесь на помощь приходит математика, воплощенная в нашем проекте.
Также городские власти, используя продукт могут грамотно планировать расположение торговых объектов. Так, например, в Гродно, в ситуации с микрорайоном Ольшанка наш продукт мог бы спрогнозировать ситуацию с нехваткой торговых площадей.

На основе имеющихся данных о работе объектов в похожих геомаркетинговых, культурных, демографических условиях (всего более 140 параметров) система может предсказывать эффективность торговых объектов.
По сути дела задав координаты на карте, определившись с типом объекта, пользователь может определить потенциальное количество посетителей объекта, количество чеков в торговом объекте.

Отсутствуют, за исключением очень приблизительных систем оценки.

Автоматизация экспертности.
Точность за счет количества учитываемых параметров.
Расчетные показатели: количество чеков.

Стартовые затраты включают в себя административные расходы, расходы на производство (сбор данных, обработка данных, создание системы алгоритмов машинного обучения, создание пользовательского продукта, создание инструментов обновления данных).
Для окупаемости продукта в первый год после выхода на рынок необходимо найти 15 клиентов со средним чеком в 15000$.

Ценность снижения риска открытия убыточных объектов актуальна для торговых сетей постоянно. Поэтому оформление подписки необходимо как минимум раз в год.
Бизнес-модель выхода на смежные рынки может быть построена на управлении доступом к распределенной базе данных, обрабатываемых с помощью централизованного алгоритма машинного обучения.

Производство продукта

Доля в бизнесе. Размер доли готовы обсуждать в переговорах.

Увеличение сроков разработки (первый прототип будет считать не точно).
Есть опасность того, что тему подхватят хорошо оснащенные лидеры исследовательского рынка (РБК).

Нет

Нет