AI выбор локаций для торговой сети: как XGBoost в Telegram-боте разогнал сеть дискаунтеров
Telegram-бот на основе модели XGBoost помогает находить локации с высоким потенциалом: точность прогноза выросла до AUC = 0,80, количество закрытых магазинов упало с 15 % до 2 %, а срок выхода на целевую выручку сократился почти вдвое.
Прокрутите вниз
О компании
Федеральная сеть магазинов-дискаунтеров (формат «у дома») в России
Формат бизнеса
Федеральная сеть магазинов-дискаунтеров в формате «у дома»
Размер сети
До кейса — 150 торговых точек, после — 300
Средний чек
400–600 ₽ при потоке 600–1000 человек в день
Точка убыточности
Выручка ниже 10–12 млн ₽/мес — зона риска закрытия
Ключевые проблемы (вызовы)
Рост сети требовал высокого темпа открытия точек — но ручной подход к выбору локаций давал высокий риск ошибок и затрат
Выбор локации на основе субъективных оценок
- Решения принимались «на глаз» без объективных моделей
- Точность внешних геосервисов ≤ 70 %
- Отсутствие анализа специфики дискаунтера
Высокий процент закрытий и медленный выход на окупаемость
- До 15 % магазинов закрывались после запуска
- Выход на целевую выручку занимал до 9 месяцев
- Финансовые потери и демотивация команды
Высокая стоимость сторонних решений
- Подписки на геомаркетинговые продукты стоили миллионы рублей в год
- Модели не учитывали параметры типа парковки и конфигурации зала
- Низкая адаптация под формат дискаунтера
Ограниченные ресурсы отдела экспансии
- Необходимость открытия 150+ магазинов за 2 года
- Ограниченное количество поисковиков и аналитиков
- Риск масштабирования ошибок при ручном подходе
Подходы к решению
Основная стратегия – сделать путь клиента максимально удобным, снизить фрустрацию и увеличить вовлеченность персонала
Аудит и подготовка данных
Собраны и структурированы исторические данные по более чем 300 магазинам за 3 года, включая выручку, трафик, планограммы и окружение.
Формирование обучающей выборки
Создана репрезентативная база для машинного обучения
- Собраны данные по выручке, трафику и площади
- Оцифрованы планограммы и конкурентное окружение
- Учтены сезонные и территориальные особенности
Очистка и нормализация
Обеспечена стабильность и корректность входных данных
- Удалены неполные и невалидные записи
- Стандартизированы единицы измерения
- Устранены дубликаты и выбросы
Выделение факторов успеха
Определены основные переменные, влияющие на выручку магазина, с учётом специфики формата дискаунтера.
Ключевые драйверы
Выявлены параметры, которые важно учитывать при выборе локации
- Конфигурация площади и стеллажей
- Наличие и ёмкость парковки
- Конкурентная плотность (учёт нелинейного эффекта)
Плотность населения
Учет микрорайонной специфики усиливает точность модели
- Разделение на «спальный» и «деловой» район
- Учет пешеходного и автотрафика
- Прогнозируемая целевая аудитория
Обучение и выбор модели
Сравнены различные ML-модели, протестированы на точность, устойчивость и интерпретируемость. Лидером оказался XGBoost.
Сравнение алгоритмов
XGBoost показал наилучший баланс точности и устойчивости
- Линейная регрессия – слабая точность
- Random Forest – нестабильные прогнозы
- Нейросеть – риск переобучения
Метрика качества AUC
Рост точности прогнозирования локационного успеха
- До внедрения – AUC 0,65–0,70
- После внедрения – AUC 0,80
- Существенное снижение false positive по неудачным точкам
Внедрение через Telegram-бота
Модель обернули в Telegram-интерфейс, что позволило мгновенно масштабировать использование без зависимостей от IT-команды.
Интерфейс для пользователей
Упрощён UX позволяет масштабировать метод даже без технического фона
- Пять параметров вводятся вручную в боте
- Ответ — прогноз дневной выручки и флаг «Go / No-Go»
- Минимальный порог входа — работает у каждого сотрудника
Автономность и масштабируемость
Лёгкий перенос на другие категории торговых точек
- Работает независимо от BI-систем
- Не требует сложной инфраструктуры
- Подходит для внедрения в других форматах
Управление внедрением и обучение
Фокус на дисциплине использования: обучение, стандарты проверки, регулярный контроль отклонений.
Обучение команды
Сформирована единая методика принятия решений
- Мастер-класс для 12 сотрудников
- Инструкции по сбору параметров на месте
- Унифицированный чек-лист оценки локации
Контроль качества решений
Поддерживается доверие к алгоритму и его обучение на новых данных
- Ежемесячный back-testing по фактической выручке
- Выявление отклонений и обновление модели
- Прозрачность в обосновании отказов
Ключевые достижения и финансовый эффект
Прогресс в основных метриках
Снижение доли закрытых магазинов
Доля закрытий упала с ≈15 % до ≈2 % после внедрения бота
Рост сети
Сеть выросла со 150 до 300 точек за 24 месяца без расширения команды
Экономия на подписках
Полный отказ от внешних геосервисов сэкономил более 4 млн ₽ в год
Точность прогноза
Модель XGBoost показала наилучший результат среди протестированных подходов – AUC = 0,80
Быстрый выход на целевую выручку
Срок выхода на целевую выручку сократился с 6–9 месяцев до 4–6 месяцев
Руководитель отдела тиражирования
С момента запуска бота мы фактически перестали “стрелять мимо”. Один закрытый магазин вместо двадцати — это десятки миллионов сэкономленных рублей и уверенность команды в каждом новом объекте.