如何通过改造门店来优化收入
重新思考门店布局能否创造更多收入？我们的数据科学团队帮助一家大型零售商优化了其在法国的门店表现。
解决方案
客户挑战
- 优化门店收入（法国的大型超市和大卖场）
- 确定商业空间的最佳分配方案
解决方案
- 构建销售潜力（经营收入）评估模型
- 确定各部门的最佳面积分配
- 设计易于使用的界面，并完成知识转移
项目成果
- 为 350 家门店提供销售空间优化建议与情景方案
- 该平台已被业务团队采纳并投入使用
- 数据团队自主接管解决方案，独立维护和开发数据科学产品
Challenge
大型零售商如今可以利用新一代数据来优化门店表现。基于这一洞察，该客户决定借助数据科学解决方案，重新规划其大型超市和大卖场的空间布局，目标是创造新的收入来源。
客户在法国拥有 350 家门店，面积从 600 平方米到 17,000 平方米不等，最多可容纳 40 个部门。门店之间差异悬殊，难以在整个连锁体系中推行统一方案——因为城市小型超市和郊区大型卖场的空间分配显然不能相同。
要从整体上理解每家门店及其潜力，还需要考虑其他因素，例如门店与竞争对手的距离、业态类型（专业店或综合店）、所在区域的人口特征，以及不同客群的购买行为。
Our approach
该项目分两个主要阶段推进：
- 收入预测建模：我们利用多个数据域对收入进行建模，包括部门面积、客群细分、收银数据、INSEE 人口统计数据、竞争数据等。这一部分的核心是构建一个预测函数，而数据的完整性和充分准备，是优化方案稳健可靠的关键。
- 确定各部门的最佳面积分配：为最大化收入，我们的解决方案会生成门店布局建议——即增加或缩减各部门的面积。
为确保一线员工能够顺利接受，我们通过设计思维工作坊，与用户共同构建了算法交互方式，并定义了最终产品的主要功能。
Outcome
成功的关键在于识别和收集相关数据的能力。项目共收集了 3 TB 的数据（200 亿行）用于模型训练。第二个关键因素是对第一阶段收集的原始数据进行处理，以便算法从中提取有效信息，明确需要关注哪些数据，从而理解收入是如何产生的。
“我们分析了顾客的购物路径、购买行为，以及商品与部门之间的关联，并从中提取了代表部门间关系的变量。这些变量非常重要，显著提升了预测的准确性。”( Piotr Woznica，数据科学高级经理)
第三个成功因素是数据文化的培养。我们设计了一个易于使用的界面，用户可以在其中自行定义参数，进行预测和迭代优化。具体来说，我们的数据科学解决方案会生成门店布局调整建议，并根据业务约束优化面积分配。通过参数配置，用户可以模拟各部门的理想面积，以最大化收入。
基于模拟结果，Ekimetrics 数据团队预估平均营收增长可达 4.8 个百分点。这意味着 350 家门店中的每一家都可以在考虑几十个维度和业务约束的前提下进行优化。 此外，得益于解决方案设计阶段的协作方式，客户目前已能够独立维护和开发该解决方案。
