Руководство к действию: как оценить эффективность локации в торговых центрах

Область прогнозирования продаж при выборе локаций для открытия новых магазинов достаточно хорошо изучена при открытии и строительстве магазинов большого формата. Наиболее передовые организации используют гравитационные модели для прогнозирования продаж, основываясь на количестве жителей в ареале, конкурентной среде, покупательской способности и ряде других параметров. При этом, ситуация с прогнозированием продаж малых по площади магазинов, расположенных в торговом центре описана не так подробно. В большинстве публикаций повторяется в целом достаточно здравая гипотеза, подтвержденная многочисленными экспериментами.

 

 

От количества и качества посетителей коридора и зависит успешность проекта.

 

Трафик будущего магазина = Коридорный трафик X КОПП 

Где, КОПП – это Коэффициент Обращения Прохожих в Посетителей.

В зарубежной литературе этот показатель называется «Capturerate» или «street-to-store conversion», что безусловно отражает его суть. 

 

 

 

Отчего же зависит этот показатель? 

 

К сожалению, только в этом году на рынке автоматизированных систем по подсчету покупателей появились системы способные адекватно считать коридорный трафик. Причина в сложности распознавания количества посетителей в горизонтальной проекции: счётчики устанавливаются под потолком на территории магазина, и исторически программное обеспечение было нацелено на подсчет посетителей по методу «сверху вниз». 

 

Ритейлеры преимущественно устанавливали счетчики только над своей входной группой и попытки использовать данные системы для подсчета трафика в коридорах сталкивались с большими трудностями. Камеры, расположенные в магазине, не могли охватить весь коридор, а математика выдавала не точные значения. Функцию подсчета трафика перед каждым магазинов могли бы взять на себя торговые центры, но даже сегодня управляющих компаний, которые считают эти данные по каждому магазину в ТЦ и, самое главное, которые делятся этой информацией с ритейлерами, можно посчитать по пальцам одной руки.

 

Из-за этого зависимость трафика магазина от коридорного трафика еще не сильно изучена, а если зависимости и выявлены в рамках исследований, то они не выходят за рамки организации. Из-за этого ритейлеры часто сталкиваются с проблемами при прогнозировании КОПП для вновь открываемых магазинов. Например, при одном и том же коридорном трафике в двух разных локациях, показатель КОПП, а значит и трафик магазина может иметь разные значения. Это значит, что, хотя зависимость «трафик коридора – трафик магазина» и есть, она носит не прямолинейный характер, и в процесс вмешиваются другие факторы. 

Предполагается, что КОПП зависит от многих параметров, часть из которых указана на схеме:

 

 

 

Почему же рителейры не находят четкой зависимости?

 

1. Для каждого формата магазина факторы, влияющие на КОПП будут разные, т.к. каждый магазин уникален, а КОПП является индикатором взаимодействия уникального трафика и уникального магазина.   

 

2. Отсутствие четкой статистической базы для исследований. Изучение коридорного трафика предполагает не только количественный подсчет, но и, как минимум, оценку половозрастной структуры и т.д. Что выливается в потребность в больших и долгих полевых исследованиях для реализации подобных проектов. 

 

3. Преобладание интуитивного подхода при принятии решений по открытию. В стране более 5000 ритейлеров, и только 10% пользуются научными методами для прогноза успешности магазина. 

 

Но ситуация постепенно меняется. С наступлением кризиса, ритейлеры более скрупулёзно стали относится к оценке локаций. Абсолютно понятно, что методология, позволяющая более точно прогнозировать трафик, а значит и продажи будущего магазина, является трудно копируемым конурентным преимуществом сети и инвестиции в эту область торговых организаций будут только увеличиваться. На рынке уже появились автоматизированные системы, которые позволяют собирать необходимую информацию о коридорном трафике (включая пол, возраст и даже набор эмоций), а значит, уже есть возможность выявлять более точные закономерности и строить прогнозные модели.