Анализ доставки: как можно получать до 18–25 млн с помощью геоаналитики упущенных заказов

Клиент

Крупная ресторанная сеть, осуществляющая доставку блюд по всей России.

Ситуация

Клиент отслеживает логистику заказов с помощью delivery-приложения собственной разработки на базе OpenStreetMap, где на карте отображены все заказы из разных каналов продаж: сервисов Яндекс Еда и Delivery Club, сайта, мобильного приложения.

У каждого ресторана сети на карте отображена зона покрытия в виде полигонов, согласно которой заказы распределяются по линиям доставок: собственная служба доставки сети (первая линия) и службы доставки агрегаторов (вторая линия). Также в delivery-приложении отображена тепловая карта по выручке с заказов, график распределения по каналам продаж и таблица с заказами по расстоянию, отменам и времени доставки.

Уникальность собственной разработки – сбор всей информации о потенциальных заказах в одном приложении.

Покупатель может оформить заказ на сайте или в сервисе доставки, но, если заказ не входит в зоны доставки, ближайший ресторан закрыт или загружен, покупатель получает уведомление о невозможности принять заказ. Данные об упущенных заказах собираются в отдельную таблицу и отображаются на карте delivery-приложения в виде меток.

Для сети ресторанов это – ценная информация, которая позволяет оценить поведение пользователей и оптимизировать логистику, а также при необходимости расширить географическое присутствие.

С вопросом доработки анализа упущенных заказов к нам и обратился клиент. Ежемесячно система собирала 100–120 тыс. заявок с порядка 2000 адресов, из которых 30–40 тыс. могли бы стать выполненными заказами и принести прибыль. Но текущее решение не предоставляло релевантной детализации по причинам отмены заказов.

Решение

Задачей проекта стала настройка детальных отчетов о причинах упущенных заказов в delivery-приложении.

1. Первым шагом проекта стало разделение фактических и потенциальных заказов и доработка представления данных по фактическим заказам.

Специалисты Qlever настроили сбор данных о статусах заказа из разных источников: рестораны, курьерская служба сети, агрегаторы доставки.

На страницу «Фактические заказы» был добавлен фильтр по статусам заказа и доработан фильтр заказов по времени с учетом местного часового пояса каждого города.

Благодаря новым настроенным фильтрам у компании появилась возможность детальнее анализировать эффективность работы каждого отдельного ресторана и служб доставки.

2. Все потенциальные заказы были перенесены на отдельный лист карты для удобства анализа упущенных выгод.

Потенциальные заказы получили статус в зависимости от факторов, которые были зафиксированы в момент попытки заказа:

• Заказ оформлен вне графика работы ресторана
• Заказ не входит в зоны доставки сети и агрегаторов
• Перегружена вторая линия доставки (служба доставки агрегаторов)
• Заказ оформлен вне графика зоны, не входит во вторую линию доставки
• Заказ оформлен вне графика зоны, перегружена вторая линия доставки
• Ресторан временно не принимает заказы, не входит во вторую линию доставки
• Ресторан временно не принимает заказы, перегружена вторая линия доставки
• Прочие факторы

На основании причин отказа была составлена схема распределения статусов по потенциальным заказам.

Для реализации логики присвоения статусов необходимо было автоматически определять ресторан, к которому относится потенциальный заказ, для этого:

1. Определяются рестораны, в зоны которых входят координаты потенциального заказа
2. Определяются рестораны, в график доставки которых входит время создания заказа
3. Если таких ресторанов несколько, то выбирается тот, время окончания доставки которого ближе всего ко времени создания заказа (например, для заказа, оформленного в 17:00, из двух выбирается ресторан с окончанием доставки в 17:30, а не ресторан с окончанием доставки в 18:00

Если заказ не входит в зоны доставки сети, то:

1. Определяются рестораны, в зоны доставки второй линии которых входят координаты потенциального заказа
2. Определяются рестораны, в график работы которых входит время создания заказа
3. Если таких ресторанов несколько, то выбирается тот, время окончания работы которого позднее всего

Если заказ не входит ни в первую, ни во вторую линии доставки, ресторан не определяется.

Для наглядности и удобства фильтрации данные были также выведены в отдельную таблицу с детализацией по параметрам:

• Населенный пункт
• Дата и время заказа - по часовому поясу города
• Ресторан потенциального заказа - определяется, если координаты потенциального заказа входят в полигон зоны доставки, если не входят, то поле остается пустым.
• ID зон доставки - если заказ входит в зону доставки, то значением является ID зоны доставки, если заказ входит в полигоны нескольких зон, то значения - все ID через запятую. Если не входит - поле остается пустым.
• Название зон доставки - если заказ входит в зону доставки, то значением является название зоны доставки, если заказ входит в полигоны нескольких зон, то значения - все названия через запятую. Если не входит - поле остается пустым.
• Статус заказа - присвоенный на основании факторов, описанных в схеме присвоения статуса потенциального заказа.
• День недели
• Улица
• Дом
• User ID - ID пользователя, который пробовал сделать заказ

Аналогично листу «Фактические заказы», на лист «Потенциальные заказы» внесены доработки фильтров: фильтр по статусу заказа, фильтры потенциальных заказов по времени.

Полученные результаты

Этот проект стал уникальным в своем роде – на рынке не так много решений для геоаналитики, которые давали бы возможность сбора и детального анализа информации по упущенным заказам.

Специалисты Qlever Solutions совместно с клиентом разрабатывали и дополняли ТЗ в режиме реального времени. Решение дополнительно улучшалось по факту проведения работ, пока не был достигнут результат, который обеспечил клиента максимально полной информацией для оценки причин упущенной прибыли.

Решение позволило клиенту:

• Увеличить время работы тех ресторанов, в которые часто поступали заказы после завершения рабочего дня
• Оптимизировать штат сотрудников, перераспределить команды ресторанов и доставки в соответствии с загруженностью зон и расстояниями до адресов потенциальных заказов
• Наметить потенциальное расширение первой и второй линий доставок, чтобы сократить неохваченные доставкой зоны
• Запланировать открытие новых ресторанов в регионах и районах, где есть высокий спрос на блюда ресторанов, но точек ранее не было
• Получить дополнительную прибыль в виде 18–25 млн руб. с ранее упускаемых 30–40 тыс. потенциальных заказов

В дальнейшем разработка Qlever Solutions станет основой для новых подобных решений по геоаналитике, которые могут быть полезны для маркетплейсов, ресторанных сетей, ритейла и прочих отраслей, осуществляющих доставку продукции.

Интеграция решения с инструментами для работы с картографическим контентом, такими как API 2ГИС, может помочь оптимизировать логистику и строить маршруты курьеров с учётом текущих и прогнозируемых пробок, препятствий и закрытых территорий жилых районов.

В перспективе планируем разработать ML-сервис для оценки потенциала регионов и районов с точки зрения открытия новых ресторанов и расширения зон доставки заказов.

Инструменты машинного обучения позволят оценивать территорию по важным для бизнеса критериям: плотность населения района, количество и периодичность потенциальных заказов, расположение и активность конкурентов и т. д. Это поможет не только расширить зоны доставки, но и автоматизировать процессы в отделе развития.

Источники и стек технологий

Агрегатор Яндекс Еда, агрегатор Delivery Club, сайт клиента, мобильное приложение для заказа блюд, Delivery-платформа клиента, Приложение для бизнес-аналитики