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

Рассказываем, как эксперты Qlever Solutions доработали delivery-приложение для ресторанной сети, чтобы клиент мог оптимизировать зоны доставки и ежемесячно брать в работу около 30–50 тысяч дополнительных 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.

1. 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:

Определяются рестораны, в зоны которых входят координаты потенциального заказа
Определяются рестораны, в график доставки которых входит время создания заказа
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:

Определяются рестораны, в зоны доставки второй линии которых входят координаты потенциального заказа
Определяются рестораны, в график работы которых входит время создания заказа
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

Функциональные области

Продажи, Логистика

Хотите расширить возможности ваших аналитических решений?

Оставьте заявку на нашем сайте. Поможем вам извлечь максимальную ценность из данных.

получить консультацию