Paco terminó de darle un buen bocado a su sándwich y sin esperar a tener la boca vacía, dijo – este local es nuestro; he visto poca competencia, parece que aquí hay dinero, he visto buenos coches, el censo indica que hay más de 3.000 personas alrededor, así que la apertura será aquí. Encárgate de todo lo relacionado a la apertura y dile a Imanol que hable con el de legal-
La orden estaba dada.
La apertura sería aquí. La empresa empezaría a gastar unos 500.000 euros como mínimo y vería los resultados en “algunos” años.
Paco estaba satisfecho, aunque su compañero, Daniel, algo más analítico tenía todavía grandes dudas. ¿Acaso no se podía hacer mejor? ¿No tendríamos que hacer un estudio más riguroso? ¿No debería analizarse las ventas históricas de las tiendas y aprender de ellas? ¿Y cuándo se recuperará la inversión, es decir, que hay del Payback?
Muchas aperturas de locales comerciales se basan en datos muy básicos, en plena era de Big Data, seguimos con la metodología de hace décadas.
Este post está orientado al Área de Expansión que desea mejorar los ratios de Payback usando fuentes de información externa (Big Data) que nos permitan decidir, con datos e información, cuál es el mejor sitio para abrir un punto de venta (tienda, oficina o sucursal).
Índice
Pero ¿cuánto esfuerzo significa abrir una tienda (Punto de Venta)?
La inversión aproximada para abrir un nuevo Punto de Venta ronda los 500.000 euros. Por supuesto que esta inversión puede variar y, en algunos casos subir muchísimo.
Por ejemplo, el local puede necesitar:
- Mobiliario especializado (caja fuerte, insonorización, cámara de frío, salida de humos, etc.).
- Reformas para adaptar el espacio
- Un largo etcétera
Todo esto suma y suma, y se estima, bajo mínimos, que esta cantidad puede rondar unos 500.000 euros en los tres primeros años. Es decir, medio millón de euros, vaya.
Método tradicional de apertura de un Punto de Venta
Supongamos que el Área de Expansión no cuenta con una herramienta de Geomarketing y Big Data. Tradicionalmente se realizarían los siguientes pasos:
Paso 1 – Observación
Por supuesto que el trabajo de campo se debe realizar, no hay duda. La observación “in situ” aporta información que los mapas y los números no detectan y, que en numerosas ocasiones son muy relevantes. El trabajo de campo consistiría principalmente en la toma de datos. Las principales tareas serían:
1. Imprimir el mapa
Supongamos que el área de expansión va a Google Maps y se descarga el mapa con la nueva ubicación. Sirve para conocer el área a visitar.
Ventaja: Rápido y sin coste.
Desventaja: No delimita el área de estudio bajo un criterio de distancia, ya sea en tiempo a pie, en coche o de forma lineal.
2. Conocer el número de habitantes (residentes)
La fuente de información podría ser el censo de habitantes. En España esta información la proporciona el INE (Instituto Nacional de Economía). En el siguiente enlace podrás ver la población por provincias.
Ventaja: Rápido y sin coste.
Desventaja: Falta de precisión. INE proporciona información agregada por municipio sin considerar áreas de estudio delimitadas.
3. Geo posicionar a los puntos de venta de competidores
Para realizar esta tarea, el trabajo de campo aporta una información muy valiosa. Esta tarea es clave para valorar la presión competitiva que hay en el área.
Ventaja: Información actualizada.
Desventaja: No aplica. Se podría mejorar conociendo los formatos comerciales. En el caso del sector retail alimentación cualificar los puntos de venta a de la competencia (híper, super, hard-discount, tienda de barrio, etc.) sirve para valorar la presión que realizan otros competidores sobre el área de estudio.
4. Trafico de peatones:
No solo los residentes (habitantes) son el público objetivo del Punto de Venta, sino los transeúntes. Personas que pasan frente al local y que son posibles clientes. Esta información puede ser proporcionada por empresas especializadas. Queda por valorar el coste de esta información.
Esta tarea también puede ser realizada realizando muestras de tráfico según día de la semana, hora. No es una información precisa, pero nos puede dar una referencia.
Paso 2 – Estimación de venta con datos históricos
Contar con datos históricos de otras tiendas y analizar el performance que logran tiendas en períodos anteriores nos permiten estimar el período de recuperación de la inversión (PayBack).
Tradicionalmente ha habido poco uso de información histórica con este fin, se podría deber principalmente a que estos modelos necesitan perfiles de profesionales expertos en GIS que combinen conocimiento matemático.
La salida de estos modelos (data-mining) ganan precisión con Big Data debido a que aportan información relevante a:
- La oferta: Toman en cuenta la oferta de otros proveedores y/o sustitutivos para el público objetivo.
- La demanda: Cualifican la demanda, no solo la cantidad de personas que pueden ser clientes, sino el nivel de renta, la tasa de paro, la población flotante, etc.
Caso práctico – Introducción
Este blog es para casos prácticos, por eso vamos a evaluar la apertura de una tienda usando Big Data. En este caso, no voy a entrar en detalle de cómo descargar la información, ni cómo estructurarla, ni normalizarla. Doy por hecho que hay herramientas y plataformas en el mercado que ese trabajo ya lo realizan. Creo que no tiene sentido dedicar esfuerzos en obtener información pública (Open Data), para eso están los proveedores de información.
Para este caso práctico vamos a usar la plataforma Big Data Xpert de Axesor Marketing Intelligence.
Vamos a analizar la última apertura, según San Google la última apertura supermercado alimentación es del Grupo Eroski, http://www.100franquicias.com/Noticias/2017-03-09-Eroski-inaugura-una-nueva-franquicia-de-supermercado-en-Lucena.htm.
La dirección es Calle Hoyo del Molino 3, Lucena, Córdoba. A continuación, podemos ver la localización de la tienda en la herramienta Xpert.
Vamos a echar una mirada usando Street View de la tienda en cuestión. Parece que esta tienda era una franquicia de Coviran y ahora es de Eroski.
Enfoque del método de abrir una tienda usando Big Data
Antes de trabajar en detalle con la plataforma Big Data, es necesario redefinir algunos procesos previos y de enfoque de negocio. Big Data no sólo es contar con más información, es importante ver cómo encaja en nuestro objetivo de negocio.
A continuación, podemos ver los principales factores que definen la zona de influencia para una tienda o punto de venta (oficina, sucursal, etc.)
Método para abrir una tienda (Punto de Venta) usando Big Data
Paso 0 – Dividir el área de influencia por cercanía
Dado que el caso práctico es de una tienda de alimentación, hemos puesto de forma arbitraria 3 y 6 minutos a pie desde la tienda. Es decir:
- Anillo 1, de 0 a 3 minutos a pie (zona de color rojo)
- Anillo 2, de 3 a 6 minutos a pie (zona de color verde)
En el siguiente gráfico podemos ver las dos áreas de influencia
Paso 1 – Tener una primera valoración a alto nivel del área de estudio
En los proyectos que participo siempre recomiendo valorar de una forma básica un área, sobre todo para comparar el punto de estudio (a nivel de sección censal) versus el distrito censal, municipio, provincia y comunidad autónoma (jerarquía geográfica usada en España).
De forma básica, las variables que recomiendo son nivel de renta y densidad comercial
Nivel de Renta
Esta métrica podrá tener mayor o menor aplicación en función del posicionamiento del producto o servicio que se dará en el punto de venta. Pero es una variable importante.
Estimar la renta de un hogar tiene una relación directa al precio de venta del inmueble donde vive. En el precio del inmueble ya se considera variables de demanda y de servicios/cercanía a otras zonas. No es lo mismo que una familia viva en una casa valorada en un millón de euros que otra que viva en un piso o apartamento valorado en 150.000 euros. Es una definición de negocio y no voy a entrar en detalles técnicos de construcción de la métrica (fuentes, técnicas geoespaciales, etc.). Como decía antes, los que trabajamos en marketing analítico, no debemos crear la rueda, sino usarla. Ya hay empresas que dan esta información
El mapa temático no es más que la representación cartográfica dividida por zonas (en este caso por sección censal) que se colorean usando una métrica (en ese caso la renta). .
A continuación, podemos ver el mapa temático a nivel de renta por sección censal.
Una primera conclusión es que el nivel de renta de la sección censal (17.6258 €) es superior al distrito censal y municipio. Es una buena noticia. Como segunda conclusión y respecto a las secciones censales cercanas, la sección censal de la apertura es una de las de mayor renta.
Densidad Comercial
Otra métrica que recomiendo usar es la densidad comercial de la zona. En el siguiente mapa podemos ver la densidad (metros 2 de superficie comercial por habitante) del área de estudio.
La conclusión es que la zona está por debajo de la media del distrito censal y del municipio. La buena noticia es que está cerca una sección censal de alta densidad. Queda por valorar el tipo de comercio.
Paso 2 – Estimar la demanda de una zona geográfica
Tratándose de una tienda de alimentación la demanda existente se puede estimar conociendo:
- La población residente: el número de habitantes
- La población flotante: el número de personas con más de 14 pernoctaciones (noches) al año
- Los transeúntes (este punto lo trataremos más adelante)
- El consumo que realizan estos potenciales clientes
Paso 2.1 Cualificación básica de la zona
Uno de los pasos iniciales es cualificar la zona de estudio. Usaremos 2 columnas con datos básicos.
Paso 2.2 Población de la zona de estudio por anillo
En la siguiente tabla vamos a cuantificar la población de la zona, conociendo la población residente y la población flotante (personas que pasan más de 14 noches al año en esta zona).
Paso 2.3 Consumo de la población
Con la población podemos conocer el mercado potencial monetizado de la zona de estudio. Para estimar el gasto que realizan los hogares, se utiliza como fuente de información externa la Encuesta de Presupuestos Familiares. La encuesta es realizada por el INE (Instituto Nacional de Estadística) y tiene una periodicidad anual, cuenta con una muestra de 24.000 hogares.
A partir de esta encuesta, la herramienta de Big Data Xpert ya cuenta con las métricas de consumo:
- Gasto en Alimentación por habitante
- Gasto en Bebidas
- Gasto en Non Food (Droguería, Perfumería e Higiene)
En la siguiente tabla podemos ver el mercado potencial. En el anillo 1 hay un gasto de 2.1 millones de euros generados por las 1.260 personas.
Paso 3 – Transeúntes (Puntos de Interés)
En función del negocio, la demanda podría incluir los transeúntes. Estimar la demanda que podrían generar los transeúntes tiene 2 condicionantes:
3.1 Cuantificar los transeúntes
Este punto se puede realizar por 3 medios:
- Uno es disponer de una capa de transeúntes, que puede tener un coste alto.
- Otra forma es tomar muestras y tomar este input como referencia.
- Una forma adicional es contar con una capa de PoIs (Point of Interest) que permita estimar la demanda. La hipótesis de partida es que los Puntos de Interés como universidades, monumentos, cines y un largo etcétera son puntos que generan tráfico a las tiendas que están alrededor de los mismos.
En el siguiente mapa podemos ver la capa de algunos puntos de interés (PoIs)
3.2 Cualificar los transeúntes
Se parte de la hipótesis que existen distintos tipos de transeúntes. Para el caso de alimentación, no gasta lo mismo (ni en importe, ni en tipo de cesta) un turista que un estudiante. Por supuesto que tampoco tienen la misma sensibilidad al precio.
Una vez realizado este paso, deberíamos contar con una tabla similar a la siguiente.
Paso 4 – Oferta – Puntos de Venta de la competencia
En este punto queda por valorar el impacto de las tiendas de la competencia …
Vaya, este artículo no ha sido valorado como para hacer la segunda parte 🙁
De todas maneras, seguiré revisando si se sigue compartiendo para hacer la segunda parte.
Gracias 🙂
View Comments (14)
Hola
En primer lugar agradecer este fantástico tutorial, aunque no esté finalizado, lo que hay es muy interesante.
Me hubiera gustado ver publicado la segunda parte. Es por ello que le pido si me puede orientar donde ver más ejemplos de estudio de apertura de tiendas o centros comerciales desde un punto de vista Big Data.
Yo estoy haciendo un estudio, hipotético pero basado en datos reales que obtengo de internet, es por ello que agradecería cualquier ayuda.
El caso que estoy intentando desarrollar es, dado 3 posibles emplazamientos que un supuesto cliente me da para abrir un centro comercial, debo recomendarle el mejor de ellos, para ello me he propuesto usar algunas herramientas como Watson Analytics y por otro lado enfocar el problema desde un punto de vista poblacional.
Mi idea es estudiar las curvas de crecimiento para cada uno de los emplazamientos propuestos. El centro comercial sería el entorno, con sus recursos ( accesos, posible número de plazas de parking, centros poblacionales de influencia, etc...), esto serían las variables que definen los recursos del medio y que determinan la K (Karga) y por otro lado la población sería el número de visitantes o afluencia. Quisiera determinar cuanto tardaría cada centro en estabilizar su curva de crecimiento en su máximo y cual sería éste. Bueno no se si este planteamiento tiene lógica, pero veo cierta similitud entre el crecimiento de poblaciones y la afluencia de usuarios.
Cualquier ayuda será bienvenida.
Un saludo
Óscar
Hola Oscar:
Muchas gracias por tus comentarios.
Es muy gratificante recibir comentarios de los lectores. Para mí es oro puro.
Esto por publicar un White Paper e iniciar un libro de Geo Big Data donde se pueda ver con mayor detalle temas de negocio. Será un libro muy práctico.
Déjame echarle una mirada a lo que me comentas y te digo algo. ya te he invitado a conectar por LinkedIn.
Gracias nuevamente por dejar tu comentario.
1 abrazo
Omar
Hola Omar
Muchas gracias por tu feedback, por fin alguien me responde, la verdad es que es difícil, a veces, encontrar personas en la misma "onda o frecuencia".
Será un placer poder contar con tu ayuda, yo he estado estudiando durante 2 años para iniciar un proyecto de IOT, el cual estoy construyendo, pero al no tener clientes aun, en mi web quiero poner casos prácticos partiendo de hipótesis. Uno de los sectores que quiero trabajar es el "retail" y por ese motivo estoy haciendo, como primer proyecto, el estudio de viabilidad de apertura de un centro comercial. Como tengo que hacer toda la sensorización y tratamiento de datos de un hipotético centro comercial. He pensado que puedo usar parte de la información contextual que estoy recopilando para IOT y ofrecer también este servicio de big data de estudio de viabilidad pues al final esta información me será útil para en tratamiento de datos en la nube junto con los parámetros que recopilen mis sensores y así aprovecho y ofrezco este servicio.
Ya te he aceptado en linkedIn.
Quedo a la espera de tu apreciada recomendación.
Un saludo
Óscar
Hola Oscar:
Es un placer compartir puntos de vista para la solución de una apertura.
Personalmente la apertura de un centro comercial (o de un punto de venta) se podría enfocar por el tráfico que podrá generar. Al fin y al cabo, lo que necesitan los negocios es gente que pueda visitar/comprar en la tienda.
Si partimos que los generadores de tráfico contamos con:
- Población residente: las personas que viven en el radio de influencia
- Población flotante: personas que pernoctan más de 14 días al año en la zona
- Trabajadores: personas que trabajan alrededor del punto de venta o centro comercial.
- Turistas: persona que se traslada de su territorio de origen o de su residencia habitual a un punto geográfico diferente al suyo.
POr tanto, si tienes métricas que puedan indicar o por lo menos estimar esta cantidad, podrías contar con el tráfico esperado.
Aplicando lo que comentas de IOT, campo que desconozo, no sé qué tipos de sensores te pueden dar una estimación de esos segmentos de potenciales clientes. Me gustaría saber cómo usando IoT se puede estimar o complementar la información de los segmentos.
Por otra parte, creo que estás enfocando bien usando hipótesis. También te recomendaría hacer una primera iteración de tu método y contrastarlo con un caso real, mididndo in-situ el tráfico para que puedas realizar ajustes.
Quedo a la espera de tus noticias.
Gracias
Un saludo
Omar
Hola Omar
Antes de nada darte las gracias por tu contestación.
Perdona no haber escrito antes, la verdad es que he estado “enfrascado” en la recopilación de información para el proyecto. Son muchísimos los datos que estoy obteniendo y ello significa que tengo que estructurar la información de forma que las herramientas que voy a usar en un proceso posterior entiendan los datos de forma adecuada. El proyecto es muy largo y complejo y lo voy a ir presentando por partes en LinkedIn. La primera presentación la quiero hacer el próximo viernes y constará de varios módulos que iré publicando cada 15 días.
La sensorización (IOT) del centro comercial no tiene una relación directa con la afluencia. Quizás no me he explicado bien.
Todo dato local, tiene un significado si éste es contextualizado “relativizado” con otros datos más generales. Dar inteligencia a un sistema de IOT parte de ese hecho, los datos que se obtienen de los sensores en tiempo real no tienen mucho valor si no se interpretan en un contexto. Por ese motivo, el contexto es toda la información que pueda obtener del centro comercial, afluencia, tiendas, ancla, carreteras y tráfico, competencia, población zona de influencia, clima, etc… Por ejemplo, en un momento dado los sensores de las puertas nos están indicando una alarma pues se ha superado la media de afluencia esperada según los datos contextuales, además los sensores que tenemos instalados en el ancla, por ejemplo, digamos en el pasillo de congelados, nos están indicando una afluencia elevada de clientes en esa zona, y por otro lado, el análisis de redes sociales en tiempo real nos detecta un sentimiento positivo de compra en nuestro ancla relacionado con una promoción. Gracias a información contextual tenemos la alarma, y los sensores nos han dado el motivo, información muy valiosa (cuantitativa y cualitativa) por ejemplo para el departamento de marketing. Además esos datos pasan a una base de datos que ayudará a retroalimentar esos datos contextuales y a hacerlos más ricos y valiosos para futuras exploraciones.
Debido a que para el proyecto IOT necesito estos datos contextuales, se me ocurrió estudiar la posibilidad de ofrecer informes de viabilidad como paso previo al proyecto de IOT y por ese motivo me he planteado crear un caso hipotético, aprovechar la información y “rentabilizarla” el tiempo dedicado a obtener información contextual, si es que se puede decir así para ofrecer informes de viabilidad, aunque el fin de proyecto IOT no es éste.
Mucha sin información no es completa, o no está disponible, o sencillamente es muy cara, por esta razón estoy intentando obtener datos mediantes predicciones. En relación a la afluencia a los centros comerciales, he utilizado Curve 2D para dibujar la forma de la gráfica y ver que patrón se desprende para cada centro comercial, los datos X e Y han sido la SBA y los datos de varios centros comerciales que tenía la afluencia del último año obtenidos a través de medios de comunicación. He tenido que depurar un poco los datos, pero al final he obtenido una aproximación alta a la realidad, hecho esta comprobación, he generado la afluencia para el resto de centros comerciales usando mi algoritmo y de esta forma he conseguido tener la afluencia “muy aproximada” de los centros comerciales que dispongo datos.
Bueno, como todo, esto es un experimento hipotético, por lo que haría falta compararlo con la realidad del resto de centros que no tengo datos reales y ajustarlo para quizás en un futuro crear una aplicación automatizada de viabilidad en el sector retail.
Te voy contando.
Un saludo
Óscar
Hola Oscar:
Compartimos el mismo enfoque.
Cuenta con algún dato que necesites para hacer tu estimación. En Axesor contamos con una herramienta de Big Data llamada Xpert con varias métricas.
Lo dicho, si necesitas algunas variables para completar tu experimento me dices.
Estamos en contacto
Un saludo
Omar
Hola Omar
Muchas gracias por tu email.
Sería de sumo interés para el experimento contar con algunos datos que no tengo y que creo es muy difícil conseguir mediante predicción. Aunque lo he intentado pero al no tener los datos reales, no puedo verificar el grado de acierto que he obtenido tras aplicar algunas técnicas. Estos datos son:
1 - La afluencia por centros comerciales (la lista que tengo de centro comerciales en Madrid es de aprox 94 centros) del 2016 y datos de afluencia creo que tengo solo de 10 centros comerciales.
2- La facturación total histórico hasta 2016 y si es posible hacer una proyección a futuro, de las tiendas y restaurantes por centro comercial, no la necesito por tienda, me es suficiente con el total por centro comercial. Pero cualquier ayuda en esta dirección sería bienvenida. ;)
Eso sería genial. Bueno a lo mejor estoy pidiendo mucho :). El estudio lo voy a ir presentando en LinkedIn por módulos, podría hacer mención de Xpert en dicho informe. De momento estoy usando Wtason Analytics, TableCurve 2D, TableExpert, Infostat y Como plataforma especializada en la nube PaaS Bluemix, en esta última voy a transferir los datos de los sensores en tiempo real y los voy a analizar, mediante una simulación virtual de sensores.
De momento tengo los históricos de INE, datos que he recopilado de todos los centros comerciales.
Gracias por anticipado.
Óscar
Hola Oscar:
Perdona la demora en responderte. Por alguna razón no me llegó o no ví este comentario. Lo siento
Dime qué centro comercial en especial necesitas y las métricas que buscas.
Creo que seremos más ágiles si me escribes a omar.arce@ninnjaclienting.com. Este buzón lo leo diariamente y no tendré estas demoras.
Un saludo
Omar
Buenas noches, sé que ha pasado mucho tiempo desde que se escribió este artículo pero igual quería preguntar algo acerca del último ejemplo práctico que colocas. Haces referencia en uno de los esquemas a que el 5% de los estudiantes y turistas (transeúntes) que pasan por el establecimiento compran, quería preguntarte, si ese número (5%) sale de alguna estimación particular que haces o por el contrario obedece a otra parámetro basado en algún estudio. Esta consulta la hago debido a que estoy realizando el estudio de mercado correspondiente a un emprendimiento personal que llevo a cabo y estoy tratando de estimar qué porcentaje de personas de las que transita frente a mi establecimiento (transeúntes) entra y finalmente compra. Esto lo hago para proyectar ventas en una tienda de comida rápida.
Hola Carlos:
Gracias por tus comentarios.
El 5% de lo que comentas es una estimación.
Siendo muy prácticos y sabiendo que es para una tienda de comida rápida, lo que haría yo, es hacer un muestreo. Es decir, usar las tiendas que ya tengas abiertas o de la competencia y observar en días que traten de ser una media: días que no sean festivos, dia que te aporten una "buena media". Tal vez haría una media de L- Viernes y otra de S-D. Ten en cuenta mucho al negocio, pregunta y mira a tus competidores (con mistery shopping se sacan muy buenas métricas).
Espero que te sirva.
Un abrazo
Omar
Omar, muchas gracias por tus recomendaciones...
Carlos, las gracias a ti.
Que vaya todo bien ene estas fiestas.
1 abrazo
Estimado Omar:
Quiero felicitarte por tu excelente aportación.
Me gustaría saber si vas a continuar con la segunda parte de la publicación y si puedo utilizar tu ejemplo para desarrollar material para mis clases de herramientas tecnológicas.
Ojalá y pudieras crear en un futuro un libro o conferencias para que podamos enriquecer nuestras clases con material tan valioso como el que desarrollaste.
HOla Yatzuki.
Muchas gracias por tus comentarios.
Me levantan la motivación a 110 por ciento :)
Respecto a tu pregunta, sí, he hecho un libro (ya no un post) donde trato con más detalle como usar la geolocalización en el área de Expansión.
Te dejo el enlace a la pagina web de libro
https://libro-geomarketing.ninjaclienting.com/
Y el enlace en Amazon
https://www.amazon.es/dp/B094V98S6X
Me gustará saber tu opinión del libro.
Un abrazo
Omar
PD Por la parte de conferencias, te dejo mi email para que, si deseas, podamos coordinarnos en este sentido. Gracias