一家店70%的销量取决于选址吗?
你有没有听过这样一句话,“一家店的生意好不好,70%取决于选址选在哪里?”
这句话是谁说的,又是如何计算出来的,我们已经很难考证,但就结论而言,却与我们的预测结果惊人的一致。
我们在为连锁企业搭建的销售预测模型时,准确率通常也在70%~85%之间。标准化程度较高的品牌,准确率通常也会更高一些,标准化程度较低的品牌,准确率则会相应低一些。
准确率说明了门店业绩中能用位置因素解释的部分,选址对业绩的影响可见一斑。
在说明如何做销量预测之前,我们先来聊一聊为什么要做销量预测。
销量是度量一切成本的尺子,是决定开店与否的关键。
我们以租金为例,一般位置好的地方租金高,位置差的地方租金低,你是选择租金高的位置开店还是租金低的位置开店?
无论选哪个都有可能是错的。
因为租金高低本身并没有那么重要,重要的是这地方的租金值不值。门店业绩差,就算是免租也照样亏本。反之这个地方能出业绩,哪怕租金高一点,同样物超所值。
如果没有销量这把尺子,你就很难衡量 "值不值" 的问题,陷入 "贵不贵" 的认知陷阱,无法做出正确的开店决策。
一家门店业绩惨淡,究竟是选址不当还是经营不善,通常是选址部门和运营部门争论的焦点,毕竟谁都不会愿意背这口锅。
现在压力来到你这边,作为决策者,你得把这事想清楚,不仅仅是员工的业绩考核问题,更重要的是你接下来的决策——是应该关店还是应该换人?
销量预测模型可以将选址因素从业绩中剥离出来,提供一个谨慎客观的衡量标准,对门店进行分类。
图中每个点代表一家门店,横坐标是一家门店的预测销量,纵坐标是他的实际销量。从图中不难看出,大部分门店的实际销量与预测销量是一致的(分布在直线附近),但有一些门店实际销量却脱离了直线,明显低于预测值,这些门店通常是管理问题造成的业绩低迷。
另一部分门店分布在直线的末端,无论是实际销量还是预测销量都很低,很大程度上,是选址不当带来的问题。
销量预测为门店分类管理也提供了一把尺子,从而找出哪些门店选址不当需要关店,哪些门店经营不善还有改进潜力。
我们在销售预测的过程中,会得到不同人群标签对销售影响的权重。
通过这些标签,我们可以反推品牌目标客户的特征,为门店的活动优化、品牌人群升级带来更多的洞察。
我们使用机器学习进行销量预测,但机器学习本身并不神秘,也不是我们关注的重点。
机器学习只是一种数据规律工具,真正影响预测准确性的关键在于对选址业务的深入理解,在于你构建的指标体系是否足以支撑他挖掘出对应的规律。
所以理解业务永远是第一步的。极海深耕智能选址领域,为包括麦当劳、赛百味、沃尔玛在内的知名连锁品牌提供选址推荐及销量预测相关服务,积累了大量实践经验。
指标构建(业内一般称之为特征工程)是销量预测的核心。其中的关键之处就在于从已有数据中抽取出来对结果预测有价值的指标,使得数据能在机器学习算法上发挥更好的作用,这非常依赖于前一步对业务场景的理解。
构建的指标质量越高,模型预测效果、可解释性、可控性也越高,对业务的指导意义也就越大。
在我们的实践应用中,影响销量的关键要素主要包含但不限于以下四类:
门店周边人口属性
门店周边共生品牌
品牌门店的自蚕食
门店周边品类特征
我们会量化每一家门店周边的特征指标,然后将其输入到模型中进行训练。机器学习会主动从我们提供的数据指标中挖掘相关规律,构建指标与销量之间的预测模型。
这其中涉及到很多技术性的问题,但对于理解销量预测的逻辑并不必要。
通常我们会将品牌提供的门店分为训练样本和测试样本,训练样本用于机器学习,测试样本用于检验机器学习的效果,以防止过拟合。
经过复杂的运算,模型会给到我们的每家门店的预测值。通常我们 RMSE(均方根误差)或 Mape(平均绝对百分比误差)衡量模型的误差,Mape要好理解一些,他是每家门店的实际值与预测值的差值占实际值比例的绝对值的平均值。
嗯,可能也并不是那么好理解。
所以在实际计算中,我们通常使用 "允许误差内的准确率" 这一概念。
选址并非决定营业额的唯一因素,因此我们认为预测营业额在实际营业额一定范围内的波动都可以被认为是准确的。
考虑到高估销量的风险和损失要明显高于低估销量,因此我们一般将分布在实际营业额-15%到+5%内的预测值都视为准确,然后计算分布在该区间内的门店数量占比,即为准确率的统计口径。
通过图表会更加清晰,蓝色是某品牌门店的实际销售额,绿色是我们预测的结果。我们将实际销售额分别向上浮动5%,向下调整15%,形成了一条淡蓝色的区间带,然后计算预测销量落在这一区间内的门店有多少,占总体的比例,在这一案例中,预测准确率为80%。
得到结果并不是销量预测的终点,而是进一步迭代的开始。随着企业的发展,品牌会遇到越来越多的个性化问题,这不是一个模型可以解决的。
其中最典型的因素就是门店间的自蚕食。一开始门店的布局并不密集,蚕食效应很弱以至于几乎不用考虑,但随着门店数量的增长,门店之间的距离不可避免的逐渐缩短,那么新开门店的销量预测模型就不得不强化门店自蚕食对销量的影响,以获得更加精准的预测。
这样的例子还有很多,通过预测值于实际值的比较分析,进一步研究产生差距的原因,并针对问题构建新的数据指标,不断提升模型的预测质量,这是一个没有终点,但值得投资的事业。
↓点击图片跳转,添加极海小助手报名体验【极海零售选址战略规划】系列产品
SERVICE
欢迎登陆极海品牌监测平台http://stores.geohey.com【互动社区】分享您的建议与意见,一经采纳赠送VIP福利。若需定制服务,请扫码垂询极海小助手(geoheychina)。
EDITOR'S PICK
CONTACTS
WECHAT 微信(转载) geoheychina
MICROBLOG 微博 极海GeoHey
XueQiu雪球财经 极海品牌监测
ZhiHu 知乎 极海·GeoHey
TouTiao今日头条 极海品牌监测
关注极海服务号,了解更多产品
👇【赞/在看/分享】顺手三连,给我们充充电❤