איך מוצאים את המיקום הכי טוב לסניף חדש ?
איך טכנולוגיית מיקום עוזרת למצוא מה המיקום המושלם לסניף חדש ברשת שיווק או פארם? השימוש בטכנולוגיות מיקום גאוגרפי וביישומי GIS עוזר לזהות הזדמנויות בלתי מנוצלות.
איפה המיקום הכי טוב לסניף, שאף אחד עוד לא מצא אותו? בעזרת ניתוח מיקום מדויקת ניתן לבצע ניתוח מרחבי ולזהות מוקדים פוטנציאליים חדשים או טובים יותר.
רשתות שיווק ופארם רבות לא משתמשות מספיק במערכות מידע גאוגרפיות (GIS) כדי לייעל את תהליך קבלת ההחלטות שלהן. השימוש בנתונים גאוגרפיים יאפשר להן להעריך משתנים כמו צפיפות אוכלוסיה, תנועת תחבורה קרובה, ואת התחרות העסקית בסביבה.
מיפוי גאוגרפי וניתוח נתונים מרחביים יאפשר לרשתות ליצור תכנון מרחבי מדויק ואפקטיבי, וכך להבטיח שהסניף החדש יפתח במיקום עם פוטנציאל גבוה להצלחה.
באמצעות כלים של מערכות GIS ניתן לשלב נתונים גאוגרפיים עם מודלים עסקיים וליצור אנליזות מרחביות מתקדמות. כך, כל רשת שיווק או פארם יכולה להיות בטוחה שהסניף החדש ייבנה במיקום האופטימלי.
שאלת הזהב של רשתות שונות כמו: קמעונאות, פארמה, מסעדנות וכו’ היא:
איך מוצאים את המיקום האופטימלי לסניף חדש, כך
שיהיה הכי רחוק ממתחרים קיימים ומסניפים אחרים של הרשת, (למניעת “קניבאליזם” -תחרות פנימית)
אבל מצד שני לא יהיה במיקום מבודד מדי ולא נגיש, עם מעט מדי לקוחות פוטנציאליים או לקוחות לא מתאימים.
או אולי להפך, איפה דווקא המיקום הכי צפוף? כי שם יש כנראה הכי הרבה פוטנציאל (למקרה של רשת חזקה)
הדרך המדויקת יותר לענות על השאלות האלו ולספק מקומים פוטנציאליים למיקומים חדשים
(או לנתח מדוע סניף מסוים מצליח ושני נכשל) ניתנת למענה בעזרת שימוש במידע ובכלים לניתוח ומיפוי מרחבי-location-intelligence .
הכלים הללו משמשים לפתרון בעיות מרכזיות ומהותיות, יחד עם מידע עדכני של מיקומי סניפי הרשת ומתחרים ולא נעשה בהם שימוש מספיק בקבלת החלטות מבוססות מידע.
טכנולוגיות ניתוח מרחבי ומידע גיאוגרפי הם כלים חיוניים במציאת המיקום האופטימלי. השימוש במערכות GIS וביצוע אנליזות מרחביות מאפשר הבנה טובה של השטח והזדמנויות השוק.
אז איך ניגשים לבעיה כזו של מיקום אופטימלי?
האם עוד קיימים בכלל “איי מטמון” שכאלו שכל האחרים פיספסו?
האם יש אזור עם מיעוט בסניפים מתחרים ועם כמות אוכלוסיה גדולה ומבוססת כף שסניף חדש באיזור הינה נקודת פתיחה מצוינת להצלחת הסניף החדש? האם אפשר גם לבחון תסריט מה יקרה אם מתחרה יפתח שם סניף? ועוד אחד?
או אולי אם אין שם שום סניף יש לכך סיבה?
שאלתי את עצמי ואת הלקוח, איך מתקבלת בדרך כלל החלטה לפתיחת סניף חדש.
האם נעשה שימוש מושכל במידע ובטכנולוגיות מיקום כדי לנתח ולסייע למצוא איפה למקם את הסניף ומה החלופות?
ניקח לדוגמא את תל אביב:
הכמות הרבה של סניפים שנפתחים ונסגרים חליפות, יכולה ללמד כי יש גם קניבליזם בין סניפים וגם שאין מרחק מינימלי בין סניפים מתחרים ביחס לכמות האוכלוסיה באיזור וכח הקניה שלה, כך שנראה שהרציונל לפתוח סניפים מגיע לעיתים משיקולים והחלטות אחרות ושנראה שלא מסתייעים תמיד ב-location-intelligence.
לעתים נראה שפתיחת סניפים חדשים נעשית במודע לפי נדל”ן שהתפנה, תוך רציונל ברור שהסניף ישרוד רק אם יהיה חזק יותר מהמתחרה הקרוב, בשיטת “החזק שורד”.
עשינו ניתוח גיאוגרפי מרחבי על ת”א בכדי לחפש את “אי המטמון” האידאלי:
מיקומים בהם יש הכי מעט סניפים, עם המרחק הכי גדול ביניהם ועם כמות אוכלוסיה מספיקה ומבוססת,
וגם להפך: איפה יש הכי הרבה סניפים מתחרים, דווקא שם אני רוצה לפתוח סניף ולדחוק מתחרים אחרים?
איך מוצאים דבר כזה? האם נשארו כאלו “איים”? ועוד בתל אביב?! (ספוילר: יש ..)
כדי למצוא את האי והמטמון צריך קודם כל מפה…
מפת המטמון המודרנית מקורה במידע גיאוגרפי, בבסיסי נתונים , ניתוחים מרחביים ו-AI.
כדי להתחיל במסע צריך קודם כל מידע.
מידע עדכני על כל הסניפים של כל הרשתות כולל מיקום מדויק על מפה.
איך בכלל משיגים מידע כזה? אפשר אולי לרכוש מידע כזה מחברות מתמחות שאוספות אותו,
אפשר להשתמש ב-API מסחרי, לדוגמה של גוגל, אולם למידע מסחרי שכזה יש מגבלות של זכויות יוצרים ושימוש ועלויות כמובן.
בטח שלא נעשה עבודת נמלים ונעבור ב-30 אתרי אינטרנט של כל הרשתות למצוא ולעדכן את המידע..
נלך קודם כל לחפש מידע פתוח ומותר לשימוש.
מידע פתוח בדרך כלל לא מוגבל בזכויות יוצרים, עדכני וללא עלות.
אבל לרוב לא פשוט לאתר אותו, הוא אינו מוכן מיידית לשימוש, יש צורך לעבד אותו, לנקות ולטייב אותו ולבסוף גם למקם אותו על מפה (בדרך כלל יש רק כתובות ללא קואורדינטות).
למזלנו, במקרה של סניפים של רשתות, יש מקור מידע פתוח ועדכני באתר רשות הצרכנות.
הרשתות מחויבות לפי חוק, לפרסם את המחירים והסניפים שלהם באופן קבוע, כך שהמידע מגיע מהרשתות עצמן והוא אמור להיות אמין ועדכני בפורמט אחיד.
על פניו, נשמע אידאלי, אך אליה וקוץ בה.
הפורמט של המידע (XML) לא נוח במיוחד, ולכל רשת יש אתר משלה,
כך שהשגת המידע והעיבוד שלו אינם פשוטים כמו שזה נשמע.
אכן יש מיעוט של חברות מתמחות שמשתמשות במידע הזה, ומשתמשות בעיקר לצורך השוואת מחירים או כדי לסייע לתחרות בין הרשתות האחת מול השניה, ולא בטוח בכלל שיש שימוש בהקשר המרחבי.
המידע מפורסם באתר הרשות, עם אתר נפרד לכל רשת, לעיתים לכל אתר משתמש וסיסמה, כך שהתהליך של מציאה והורדה ממוכנת של קובץ הסניפים לכל רשת מהווה ניווט לא פשוט באוקיינוס המידע הזה, ודאי אם רוצים לעדכן בצורה תכופה את המידע.
אחרי פיענוח ומציאת קבצי הסניפים לכל רשת, ניגשנו לפענח את מבנה המידע על הסניפים של כל רשת כדי לייצר טבלה אחת ארצית הכוללת: שם הרשת, שם הסניף, כתובת ותיאור מיקום בכדי לבצע לבסוף תהליך הנקרא “גיאוקוד” – מציאת מיקום בקואורדינטות לפי הכתובת.
למרות שהרשתות אמורות לספק קבצים אחידים, לא כל הקבצים אכן כך. למרבה המזל, בשפת הפיתוח Python קיימות מספר ספריות לקריאת פורמט XML ופונקציות לניקוי ותיקון חריגים בכל קובץ, והצלחנו לכתוב תכנית שעושה אוטומציה לכל הקבצים ומרכיבה טבלה אחידה הכוללת לכל סניף את הפרטים הרלוונטיים, עם אלפי סניפים.
השלב הבא, אחרי שיש לנו טבלה ארצית של סניפים, הוא ביצוע תהליך של מציאת המיקום במפה (קואורדינטות) של כל סניף לפי הכתובת-“גיאוקוד”.
כיוון שמידע על כתובות של כל רשת נרשמה בטקסט חופשי, לעיתים חסרים פרטים,יש שגיאות כתיב, המידע לא נכון או חסר מידע, יש לבצע ניקוי ותיקון של המידע.
לאחר ניקוי ובקרה של המידע (למשל כתובת ללא שם עיר) נריץ את התהליך, נבדוק תוצאות, נתקן ונריץ שוב עד שנקבל מיקום אמין לכ-90 אחוז מהסניפים בארץ. על היתרה אפשר לעבוד בצורה ידנית עד למיקום כמעט מלא של כל הרשימה.
עכשיו יש לנו טבלה עדכנית של כמעט 2,000 סניפים בכל הארץ של כל הרשתות, אפשר להתחיל לחפש את המטמון הגיאוגרפי.
אני ממליץ לעבוד בבסיס נתונים לניתוח המידע המרחבי, מקומי או בענן כמעט לכולם יש את היכולת הנדרשות לניתוח מרחבי.
בשלב הראשון לאחר שנטען את הטבלה לבסיס הנתונים, נרצה לסווג כל סניף לאיזה עיר הוא שייך ובעצם לייצר עוד עמודה בטבלה עם קוד ושם העיר בכדי לדעת לסנן את הסניפים לפי עיר.
במידע שסיפקו הרשתות לא תמיד הוכנס שם העיר וגם אם כן, לא תמיד נוכל לסמוך על זה, כך שהדרך האמינה יותר, היא ביצוע של “חיבור או חיתוך מרחבי”-Spatial Join:
בעזרת הקואורדינטות של כל סניף שמיפינו בסעיף הקודם נצליב מול טבלת\שכבת הגבולות המוניציפליים (שגם היא מידע פתוח ממשלתי) של כל הישובים בארץ.
התוצאה של חיתוך וחיבור כזה תספק לנו בעצם לכל סניף, באיזה עיר הוא נמצא.
השאילתה של החיבור יכולה להתבצע דינמית בכל פעם כדי לשמור על עדכניות או לעדכן באופן קבוע שדה בטבלה.
בכל ישראל: שופרסל עם הכי הרבה סניפים: קרוב ל-410
העיר עם הכי הרבה סניפים, לא במפתיע, תל אביב עם 16 רשתות שונות ו- 210 סניפים.
הרשת עם הכי הרבה סניפים (מעל 40) בתל אביב היא, דור אלון-AM:PM.
ניתן לבצע תהליך כזה במגוון פלטפורמות: בכלי GIS שולחניים כגון Qgis, arcgis, בשפות קוד ב-Python עם ספריות מתאימות, ב-CLI עם GDAL ובבסיס נתונים עם יכולות מרחביות כמו: Sql server spatial, PostgreSQL, DuckDB Postgis, SQLite, google big query ועוד.
היתרון של עבודה עם בסיס נתונים, היא מהירות, ביצועים, מיחזור ובהירות של הקוד\סקריפט ללא הכפלת מידע ושימוש בכיכולות מגוונות של שאילתות משולבות עם קלות העברה לשאילתות בענן (Google big query) והעברה לישומי WEB במידת הצורך.
למשל שילוב בשאילתה אחת במספר שורות: חיבור מרחבי יחד עם המרת קואורדינטות, מיון ואגרגציה.
לדוגמא, במקרה הזה נעשה שימוש בפונקציות ST_Intersects שמבצעת את החיתוך המרחבי בין טבלאות\שכבות יחד עם ST_Transform שמבצעת המרת רשתות קואורדינטות בין השכבות, כיוון שכל אחת נמצאת ביחידות אחרות (הסניפים במעלות ואילו שכבת הישובים מקורה ברשת ישראל החדשה, במטרים)
אם מוסיפים לתנאי השאילתה גם את שם קוד הישוב, למשל העיר תל אביב, נקבל בעצם את כל הסניפים בתל אביב, גם לפי רשת.
כך אפשר גם לבדוק סניפים לפי שכונה, אזור סטטיסטי ועוד, תלוי במידע הקיים וכמובן לשלה עם מידע פנימי קיים כגון כמות וסכומי עסקאות בסניף קרוב, עובדים ועוד.
עכשיו כשכבר יש לנו אפשרות לדעת על כל סניף את המיקום שלו, את העיר ומידע סטטיסטי חשוב כגון כמות וסוג אוכלוסיה, נוכל לגשת לשאלות החשובות באמת: כגון מה המרחק מהסניף הכי קרוב מאותה הרשת או מרשת מתחרה או בעצם לשאלה הכי מעניינת: איזה סניף הכי מבודד כרגע (כלומר, המרחק ממנו לסניף המתחרה הוא הכי גדול מכל המרחקים האחרים בין הסניפים) אם נדע לענות על השאלה הזו, כולל כמה מטרים המרחק בפועל והאם הוא אכן מרחק מספיק גדול.
ברגע שנאתר את הסניפים הללו נוכל לבחון את האיזור סביבו ולמקם בו סניף חדש שיהנה ממספיק קהל איכותי. מצאנו את המטמון..
אבל איך עושים את זה? בסרגל?! טבלת מרחקים? AI ואלגוריתמים מורכבים?
בסיס נתונים מרחבי מתאים בדיוק לזה, לא דורש כלים שולחניים ותוספים מורכבים.
בכמה שורות של שאילתה המבוססת על פונקציית ST_Distance בבסיס מידע מרחבי כדוגמת PotgreSQL–PostGIS ומיון לפי מרחק, אפשר להגיע לתוצאות ובקלות להתאימן גם בבסיס מידע ארגוני ובמערכות BI\CRM וגם בענן בדפדפן. למשל ב-Google Big Qury (GCP).
לאחר שכתבנו והרצנו את השאילתה: “מצא לי את חמשת הסניפים מכל הרשתות (למעט הפארם) הכי מבודדים בתל אביב כולל המרחק לסניף הכי קרוב”
אנחנו בעצם יכולים לזהות איפה הסניפים הכי מבודדים כולל המרחק במטרים לסניף הקרוב.
המרחק* חשוב לנו, כיוון שיכול להיות שהוא מלכתחילה קצר מאוד ואינו מצדיק כלכלית סניף חדש.
לצורך הבדיקה, נניח שמרחק של מעל 700 מטר לסניף הכי קרוב נחשב מוצדק כלכלית בתל אביב.
השאילתה החזירה לנו שלושה סניפים שהם “איים בודדים” בתל אביב במרחק מעל 700 מטר מכל סניף אחר!
שלושת הסניפים הם: סניף של רשת ברקת בקיבוץ גלויות 10 המבודד כ-900 מטר ועוד שני סניפים, בצפון העיר.
מה שמרמז שבאזורים סביב הסניף יש אולי היתכנות לסניף חדש בקריית שלום, או בשכונות נוספות.
את התוצאות ניתן להציג בקלות מבסיס הנתונים, גם על מפת רקע בדפדפן (WEB-GIS) עם רחובות ועם המידע החשוב יחד עם הסניפים והמידות.
[יש לציין שיש להתחשב בשיקולים של כמות וסוג התושבים, מכולות קטנות, שווקים וכד’ שלא נכללים בבדיקה, נעשתה לצורך המאמר בלבד.]
אבל השימוש בגבולות העיר תל אביב עלול להטעות, הרי את הלקוח שבא לסניף אינו מעניין הגבול המוניציפלי, אלא המחיר הנגישות או האיכות, כך שאולי יש סניף בעיר שכנה מעבר לכביש שפיספסנו?
(לדוגמא אזורי התעשיה של הערים: רמת-גן, בני ברק, תל אביב ליד קניון איילון מרובי סניפים של רשתות בכל תחום של עיר.
בקלות אפשר להרחיב את השאילתה שכתבנו בבסיס הנתונים כך שלמשל כל הסניפים במחוז תל אביב, שכולל את המטרופולין כולו, ישתתפו.
אחרי שנריץ את השאילתה המורחבת, נקבל סניפים “איים בודדים” גם בערים אחרות (רמה”ש, הרצליה, קרית חולון) במיקומים טובים יותר ברשימה, אבל מה שחשוב זה שחלק מהסניפים שמצאנו ברשימה הקודמת, רק לת”א, אמנם יירדו למטה בדירוג, אבל חלקם יישארו בטווח הבידוד שהוגדר.
זה מסייע לנו להבין שאכן הם מבודדים, גם בהקשר המטרופוליני.
אפשר לבדוק את התוצאה על מפה,
לייצר מדד או ציון לכל סניף,
או להכיל אותו על אזור סטטסיטי משכבה פתוחה נוספת של הלשכה המרכזית לסטטיסטיקה לטובת השוואה מול נתונים סטטסיסטיים בצורה שקופה כגון מדד סוציואקונומי המוצג במפה, כאשר צבע כהה מעיד כל מדד סוציו-אקונומי גבוה יותר לאזור. אפשר לשלב הכל בשאילתה כך שכל סניף יקבל את המידע הזה בתוכו ובכך לדרג אותו ואת האיזור.
במפה הבאה צורת האזורים הסטטיסטיים הוסבו בתהליך מיוחד לצורת הקסגון H3, (תהליך מעניין על ה”למה” ואיך בפוסט הבא) כדי לייצר מפה ברורה, ולאגד מדדים שונים בצורה אחידה
כך שבקלות ואחידות ניתן להציג מדדים שונים כגון כמות אוכלוסיה יחד עם הסניפים:
אפשר גם לייצר מדד נגישות מול רשת הכבישים, למשל לסניפים של תחנות דלק ולסניפים של רשתות מוזלות אשר דרישות המיקום שלהם שונות מבחינת נגישות ותחבורה מסניפים “עירוניים” , כל זה בפוסט הבא.
לסיכום, טכנולוגיית מיקום יכולה וצריכה לסייע באיתור חלופות לסניפים חדשים, הקמה מרכזים לוגיסטיים ועוד.
המידע הפתוח הקיים מספק לנו את המידע הראשוני הגולמי והכלים המתקדמים את התוצאות. השקעה קטנה יחסית באיתור “האי הבודד” (או להפך, “הצפוף”) יכולה למצוא את מיקום הזהב או להיפך לחסוך מיליונים בפתיחת סניף במיקום לא טוב.
*מרחק אוירי. ניתן לשכלל את החישוב שיתחשב ברשת הדרכים וייתן מרחק בין הסניפים ברכב ו\או ברגל, תחבורה ציבורית וגם לנתח מרחקי הליכה ונסיעה לכל סניף קיים או מתוכנן. כמובן שיש לשקלל גם פרמטרים כמו מכולות פרטיות ושיקולים נוספים.
מפה דינמית, עם אזורים סטטיסטיים לפי אוכלוסיה בהקסוגנים לפי צבע. הסניפים שאותרו עם הרדיוסים. ניתן לשחק עם המפה, קליק על סניף יציג את המרחק.
GeoStack: Serverless: Maplibre GL, Protomaps – PMtTiles, Uber H3 hexagon
