Чтобы пункт выдачи заказов хорошо работал, надо учесть сразу несколько факторов: сколько людей живёт рядом, траффик, где уже работают другие ПВЗ и какую часть их заказов заберёт новая точка. Оценить всё это нужно до открытия — в нашем случа...
Чтобы пункт выдачи заказов хорошо работал, надо учесть сразу несколько факторов: сколько людей живёт рядом, траффик, где уже работают другие ПВЗ и какую часть их заказов заберёт новая точка. Оценить всё это нужно до открытия — в нашем случае за 50 дней
Почти каждая статья про выбор локации начинается одинаково: берём слой населения по домам, накладываем сетку, считаем плотность спроса. Дальше — модель Хаффа, изохроны, красивая карта.
Но это отлично работает, когда у вас на входе заведомо достоверные и чистые данные. По стране мы используем данные коммерческого поставщика, а для Ташкента построили собственный слой населения по зданиям. Сравнение двух источников показало: в 13% гексагонов Ташкента с жилой застройкой население у поставщика отсутствовало или было равно нулю. По нашей оценке, в этих гексагонах живёт 12,3% горожан.
При поиске мест для новых ПВЗ мы оставляли только гексагоны с населением больше нуля. Из-за пропусков в данных целые жилые кварталы выпадали из списка кандидатов ещё до запуска модели. Для них прогноз заказов вообще не рассчитывался.
Привет, Хабр! Меня зовут Артем Воронов, я Machine Learning Engineer в Uzum Market. Мы развиваем сеть пунктов выдачи заказов. Пока точек мало, места ещё можно выбирать по опыту и интуиции. С ростом сети нужен воспроизводимый способ сравнивать локации и оценивать, сколько новых ПВЗ действительно требуется.
В статье разберем: