Blokker

Momenteel worden veel nieuwe filialen in Nederland geopend. Of een filiaal op een nieuwe locatie succesvol gaat zijn hangt van veel factoren af. Om het besluitproces te ondersteunen, hebben wij een tool ontwikkeld die voor een beoogde locatie vijf bestaande Blokker filialen vindt die qua omgeving het meest overeenkomen. Omzet, conversie en kassabonbedrag van deze filialen geven inzicht in de potentie van de locatie waar het nieuwe filiaal gevestigd kan worden.

OMZETPOTENTIE VAN NIEUWE FILIALEN.

PROBLEEM

Blokker opent jaarlijks nieuwe filialen. Het succes van een nieuw filiaal is voor een groot deel afhankelijk van omgevingsfactoren, welke voorheen maar in beperkte mate mee werden genomen in het besluit voor een nieuwe locatie. De wens van Blokker was om voor een nieuw te openen filiaal een inschatting van de jaarlijkse omzet te kunnen maken. Met deze inschatting kan worden berekend onder welke voorwaarden (bijvoorbeeld de huurprijs van het pand) een filiaalopening winstgevend zal zijn.

RESULTAAT

We hebben tool ontwikkeld waarin de gebruiker het adres, de vloeroppervlakte en het locatietype (hoofdwinkelgebied, stadcentrum, etc.) van een beoogd filiaal in kan voeren. De tool vindt de vijf bestaande Blokker filialen die qua omgeving en vloeroppervlakte het meest op het filiaal lijken. Voor elke beoogd pand wordt nu met de tool gekeken welke omzet er verwacht kan worden. Naast dat het besluit om een pand wel of niet te huren nu meer geïnformeerd is, bevordert de kennis ook de onderhandelingspositie van Blokker.

AANPAK

In gesprek met de afdeling verantwoordelijk voor het openen van filialen hebben we een lange lijst opgesteld met omgevingsfactoren die een rol kunnen spelen in het succes van een winkel. Denk hierbij aan bevolkingsdichtheid, samenstelling van bevolking, landelijkheid/stedelijkheid, etc. Met CBS opendata en het scrapen van websites hebben we deze factoren omgezet in variabelen. De factoren waarvan statistisch een invloed op de omzet kon worden aangetoond werden meegenomen in ons model.

Met Flask en Python hebben we een webapp ontwikkeld en deze hebben we met Google App Engine live gezet zodat medewerkers van verschillende afdeling er altijd toegang tot hebben. Deze webapp berekent het bedieningsgebied van een potentieel filiaal en verzamelt de omgevingsdata. Een algoritme vindt vervolgens de vijf filialen waarvan het bedieningsgebied qua Euclidische afstand in de multidimensionale ruimte gevormd door de omgevingsvariabelen het dichtst bij het mogelijke nieuwe bedieningsgebied ligt; met andere woorden, het filiaal dat er het meest op lijkt.

Gerelateerd artikel

Data Science 3.0 met MLOps

| Data for Good | No Comments
MLOps is een relatief jonge term die de laatste tijd steeds vaker opduikt. En niet voor niks! Gezien de huidige…