Olvasási idő: 5 perc
Egyszerű kérdés, nehéz válasz
Amikor egy vállalat adatvagyonát szeretnénk kiaknázni, nem biztos, hogy a nyitvatartási idők optimalizációja az első use-case, ami eszünkbe jut. Mégis, ha jobban belegondolunk, egy sok üzletet működtető vállalat esetén már láthatóvá válik egy ilyen projektnek a potenciálja.
Az optimalizáció céljait könnyű megfogalmazni: ha túl sokat van nyitva egy üzlet, akkor az optimálisnál magasabbak a működési költségek. Ha azonban túl kevés ideig tart nyitva, akkor várható bevételtől esünk el. Az első esetben a cél a nyitvatartási idő hosszabbítása, az utóbbiban pedig csökkentése.
Mindezt olvasva kettő, a projekt létjogosultságát kérdésbe vonó gondolat merül fel:
- valóban lehet-e szabadon “játszani” a nyitvatartással?
- az üzletvezető/döntéshozó nem elég adaptív-e az üzlet működése alapján?
Az első aggályra a szokásos válasz az “attól függ”. A projekt során olyan üzletekkel foglalkoztunk, ahol bár vannak jogi (egyes lokációkban szabályzott nyitvatartási idő) és üzleti korlátok (konvencionális munkaórákban foglalkoztatás), de az olyan szcenáriók mind számításba vehetőek, mint például:
- 0-24 nyitvatartás vs éjszaka zárva
- 12 vs 16 óra nyitvatartás
- 1 órával hamarabb/később zárjak be
- 1 órával később/hamarabb nyissak ki
- hétvégi nyitvatartás
A másik felvetés, miszerint egy jó üzletvezető észlelni tudja, hogy mikor milyen ügyfélforgalommal számolhat, és eszerint hangolja a nyitvatartást (a költségek számbavételével), jogosnak tűnhet. De valóban fel tudja mérni, hogy hosszabb nyitvatartással milyen bevétele keletkezik? És vajon hálózat szinten optimális megoldást választ? Gépi tanulással egészen biztosan pontosabban és nagyobb objektivitással lehet várható bevételt számolni, míg az emberi intuíciókon alapuló döntéshozatal nem lesz képes vállalati szinten hatékony megoldást találni. Ennek két oka van:
- nem lehet tudni, hogy a hosszabb nyitvatartással nem a vállalat másik üzletéből vonzza-e el az ügyfeleket (kannibalizáció),
- valamint személyes ellenösztönzői vannak a rövidebb nyitvatartásra, vagy akár a teljes bezárásra.
A következőben bemutatjuk, hogy milyen módszerrel lehet adat alapon megoldani egy ilyen üzleti problémát.
Ügyfél döntéseket modellező szimulációs környezet
Komplex, valós folyamatok optimalizálására gyakran használt módszer a szimuláció (pl. közlekedéstervezésben). Jelen esetben a különböző nyitvatartási idő kombinációk kimeneteit szeretnénk szimulálni, elsősorban egy pénzügyi mutatóra alkalmazva (pl. EBITDA). Hogy ez jól működjön, célszerű az ügyfelek döntéseit modellezni, ezáltal mikroszinten, nagyon pontosan lehet látni a nyitvatartások változtatásának hatásait. A két legfontosabb hatás:
- hosszabb nyitvatartással mennyi új ügyfelet hozunk be, és mennyi ügyfelet viszünk el más üzleteinkből (kannibalizáció)
- rövidebb nyitvatartással a kieső idősávban a vásárlók hogyan (hol) helyettesítenek.
A fenti animáció azt mutatja be, hogy hogyan választanak a fogyasztók, amennyiben a két közel eső üzletünk közül az egyiket bezárjuk. Láthatjuk, hogy a kettes számú üzletünk bezárásával 5 vásárlót elvesztünk (ők a kék versenytársat választják), de költséget faragunk a bolt bezárásával. A szimulációs környezetünk ilyen szcenáriókat modellez több iterációban és minden inputhoz (nyitvatartási idő kombináció) egy objektív outputot (pl. EBITDA) rendel. Ezek után már könnyen meghatározható, hogy mely nyitvatartási idő kombináció az optimális a cég számára.
A megoldásunk erőssége abban rejlik, hogy az ügyfelek döntését befolyásoló több faktort is számba tud venni. Az animációban az ügyfelek kizárólag a távolság alapján hoztak döntést: a bolt bezárása után egyszerűen a még nyitva tartó legközelebbit választották. Ilyen befolyásoló tényezők közé tartozik még:
- hűség: a különböző lojalitású ügyfeleink más-más utazási hajlandósággal rendelkeznek
- versenytárs: a konkurencia heterogenitását is számszerűsíteni lehet. Sokkal alacsonyabb, vagy magasabb árszínvonalú üzletekkel való helyettesítésnek kisebb a valószínűsége
- utazási idő: az utazási időnek nagyobb szerepe lehet, mint a távolságnak
Összefoglalás
Egy sok üzletet üzemeltető hálózatnak az eddigi megérzéseken, konvenciókon alapuló döntése a nyitvatartási időkről támogatható kifinomult gépi tanulás megoldásokkal. Egy ilyen projekt nagy hasznot hozhat, de több kihívással is jár, amelyek közül a legnagyobb egyértelműen az akkurátus adatok gyűjtésében és azok feldolgozásában rejlik. Ha ezeket sikerrel abszolváljuk, jó úton vagyunk az adatokkal való értékteremtés útján.
Szerző: Csendes Gerold – Data Sientist