導(dǎo)讀：在當前復(fù)雜的零售環(huán)境下，選址對于零售企業(yè)而言變得格外重要，因為位置就是線下流量的直接入口。本文將從三個維度來為大家揭曉如何通過地理方法解決選址問題？融合機器學(xué)習(xí)的智能地圖如何賦能商業(yè)選址？

1.0時代：地理可視化

1.0時代即通常所說的數(shù)據(jù)上圖，將數(shù)據(jù)投放至地圖上，用地理可視化的方式展現(xiàn)出來。

佳通輪胎是我接觸這一行業(yè)所做的第一個項目，這一項目對于現(xiàn)在而言能輕而易舉地做到并且能夠做得更好但對當時而言則較為復(fù)雜。

在可視化1.0時代，Tesco走在行業(yè)前端，已經(jīng)開始用地理可視化的方式做選址。用戶只需在其在線商城注冊賬號后輸入自己的地址，系統(tǒng)后臺便會將用戶分配到他所屬的門店。但這對地理編碼的精度要求特別高，假設(shè)你的地址定位不準確就會影響后續(xù)的整個配送路徑。

在選址之前需對現(xiàn)有門店進行較深的認知，以麥當勞商圈調(diào)查為例，在選址之前需要對已經(jīng)開業(yè)的門店做很多商業(yè)調(diào)研，將這些收集回來的數(shù)據(jù)呈現(xiàn)在地圖上，目的是幫助他們了解其客戶，這些客戶分布在哪里？

上圖每一個格子代表客戶百分比，顏色越深就代表這個地方的客戶越多。可以發(fā)現(xiàn)，大部分客戶都來自于離店鋪越近的地方，越遠的地方它的顏色越淺。另外還可以發(fā)現(xiàn)這家店的商圈大小，商圈的范圍是80%的客戶所分布的范圍。通過調(diào)研的方式計算出80%的客戶分布哪些范圍以內(nèi)？另外還能了解有哪些因素會影響到商圈的大小及形狀。比如在上圖的右下角為一個高等級道路，可以發(fā)現(xiàn)在道路上方集中了大部分客戶，而在道路下方并沒有很多客戶，那就說明高等級道路是影響商圈形狀的重要因素。通過這種方式還能得到其他認知，例如河流也是影響商圈形狀的一個因素。

再以樂天瑪特為例，他的需求是根據(jù)會員分布結(jié)合人口數(shù)據(jù)幫助其制定DM投放策略。例如人口多、會員較少的區(qū)域或是會員多、購買頻率較低的區(qū)域都是需要重點關(guān)注的地方，如上圖右上角圈出來的紅色區(qū)域，它就是DM投放重點關(guān)注的區(qū)域。

當我們有了會員數(shù)據(jù)之后，繼續(xù)把會員的消費金額、消費頻次投放到地圖之上，幫助他們安排接送車及站點分布。如在銷售額貢獻大的區(qū)域增加站點等。

在地理可視化1.0時代，阿迪達斯是一個較為特殊的案例。

一直到現(xiàn)在為止，收集商圈市場容量數(shù)據(jù)是較難的一件事情。但我們通過可以獲取到的POI數(shù)據(jù)模擬商圈的市場潛力以達到發(fā)現(xiàn)其市場容量的目的。對于某些大家熟悉的大城市如上海而言，所有人都能大致了解其核心商圈。但我們的最終目的是幫助商戶了解二三線城市，甚至是四線城市。當對這個城市不夠了解時，如何挑選品牌應(yīng)該進入的區(qū)域？這就是阿迪達斯服務(wù)案例解決的問題。

2.0時代：分析與流程

2.0時代是如今大部分企業(yè)所處的一個階段。由于數(shù)據(jù)量急劇上升，我們需要針對這種大數(shù)據(jù)做分析，從1.0時代針對單個點解決具體問題，上升至2.0時代幫助企業(yè)建立流程進而處理選址過程中可能面臨的一些問題。

以上汽為例，在收集了新能源車輛的的行車軌跡數(shù)據(jù)后，提前制定好用戶標簽從而制定出用戶畫像，汽車廠商就會根據(jù)這些標簽找到一些異業(yè)聯(lián)盟。例如這一品牌的客戶經(jīng)常會去某個購物中心，那么就可將車放在這個購物中心供潛在的客戶試駕，這也就是一個潛在的獲取客戶的渠道。

再以JDPower所做的會員管理系統(tǒng)為例。根據(jù)客戶的到店頻次、消費金額以及最近到店消費時間，將會員劃分成不同等級，如高價值客戶、低價值客戶、高風(fēng)險客戶、低風(fēng)險客戶等，針對不同的客戶類型進行不同的營銷策略。在此平臺基礎(chǔ)上，還可以交互地針對某一區(qū)域的客戶做營銷。通過對會員更深入的分析，幫助他們更好地制定一個選址策略。

以極海和某銀行的合作平臺為例，對于現(xiàn)階段而言，增加網(wǎng)點并不是銀行主要的目的，而是通過系統(tǒng)的層次建立一個流程，對網(wǎng)點進評估，針對不同的網(wǎng)點從數(shù)據(jù)的角度制定開、停、并、轉(zhuǎn)的決策。

3.0時代：機器學(xué)習(xí)輔助決策

從去年開始就有很多企業(yè)慢慢在選址策略上應(yīng)用機器學(xué)習(xí)的方式。這里引入自然街區(qū)這一概念。

自然街區(qū)是規(guī)劃里的一個概念，將它應(yīng)用到零售選址這一行業(yè)中代替原先的網(wǎng)格方式。網(wǎng)格方式最大的缺點在于網(wǎng)格可能會橫跨一條路、覆蓋了兩個小區(qū)，這樣就有可能出現(xiàn)一種分歧。假設(shè)一個小區(qū)是公寓，一個小區(qū)是別墅，那么這兩個小區(qū)的人其實是沒有同質(zhì)性可言的。為了解決這一問題，我們引入自然街區(qū)的方式。

沿街道、河流等天然屏障劃分的自然街區(qū)對此就具有天然優(yōu)勢，因為各等級街道是人口的隔離和聚攏的自然表現(xiàn)，小巷胡同可以把附近的人聚攏在一塊，高速路和主干道卻把一塊地切割成比較獨立的活動區(qū)域，這種符合情理的劃分方式會為各種各樣的分析提供可靠性上的保障。

生成自然街區(qū)之后，將所有的數(shù)據(jù)基于這個統(tǒng)計單元做出分析。對每一個區(qū)塊做出區(qū)分，打上標簽，如辦公區(qū)、大學(xué)城、購物中心等。

不同的零售業(yè)態(tài)關(guān)注的類型是不一樣的，如高檔的化妝品關(guān)注購物中心，而像麥當勞、肯德基則更關(guān)注居民區(qū)、商業(yè)街等人流更為集中的地方。

在美國，數(shù)據(jù)的完整度是非常好的，他可以做到對每一個街區(qū)定一個類別，假設(shè)這個街區(qū)叫做Milk and Cookie，那在這個街區(qū)生活的人則是中產(chǎn)階級有孩子的家庭，這一家庭平均兩三個人住在獨棟的房子中。有了這樣的分析結(jié)果后，就能在選址的時候做出很明確的目標。

但是來到國內(nèi)后發(fā)現(xiàn)數(shù)據(jù)沒有這么好的完整度，這就意味著你很難說清每個街道住的人都是怎樣的檔次，其消費能力如何？因此我們的解決方案是將會員數(shù)據(jù)投放至自然街區(qū)上，每一個自然街區(qū)有相對應(yīng)的會員數(shù)，會有各維度統(tǒng)計而來的數(shù)據(jù)，通過機器學(xué)習(xí)的方式了解哪些因素對它有正向作用，經(jīng)過不斷的學(xué)習(xí)和迭代后，預(yù)測每塊區(qū)域中可能會帶來多少潛在會員。

這是在2016年我們給北京一個做房地產(chǎn)的房產(chǎn)中介公司推出的自動報告的工作平臺。根據(jù)每個月更新的數(shù)據(jù)，機器會自動利用30多大類數(shù)據(jù)做400多項小指標的運算，生成一份一百多頁的PPT報告，而且整個過程就用一分鐘。我們把北京分成了兩千多個自然街區(qū)，在一分鐘之內(nèi)就能同時出兩千份一百頁的PPT投策報告。我們希望跟房地產(chǎn)公司等各行業(yè)的客戶合作，通過這些新技術(shù)，把他們從以前不熟悉的技術(shù)工作中解脫出來。讓他們把自己更多的精力，投入到他們更擅長的專業(yè)里去，真正做到術(shù)業(yè)有專攻、共贏，提高他們的工作效率，也同時大大的促進他們的工作成果。

我們希望搭建一個一站式云平臺幫助用戶解決一些他們不需要關(guān)注的問題，如數(shù)據(jù)安全問題、服務(wù)問題、模型問題，在這個平臺環(huán)境下，幫助用戶盡可能提供現(xiàn)成數(shù)據(jù)，在數(shù)據(jù)基礎(chǔ)上搭建常見應(yīng)用，所有的數(shù)據(jù)和應(yīng)用利用API、SDK的方式封裝起來，能夠在這個基礎(chǔ)上做一些更復(fù)雜的應(yīng)用場景。

在平臺上可以支持不同數(shù)據(jù)源、不同維度、不同格式的數(shù)據(jù)。另外公共數(shù)據(jù)也是非常重要的數(shù)據(jù)，目前極海團隊會定期更新和處理大量的數(shù)據(jù)。針對大數(shù)據(jù)如何做可視化這一問題，我們采用了云端與前端相結(jié)合的方式，在后端對數(shù)據(jù)進行切片渲染，推送到前端進行可視化。?

但現(xiàn)在企業(yè)自己內(nèi)部的業(yè)務(wù)數(shù)據(jù)越來越多，外部的多源的數(shù)據(jù)獲取也越來越容易，價格越來越便宜。我們怎么把這些多源的大數(shù)據(jù)進行整合，是否能真正有效的挖掘他們的價值？根據(jù)這些數(shù)據(jù)能否做出預(yù)測？這個是我們有了人工智能才敢想的。很慶幸，我們極海的小伙伴們，對人工智能的算法很早就非常的癡迷。?

我們高效整合了內(nèi)外網(wǎng)豐富的位置數(shù)據(jù)、商業(yè)數(shù)據(jù)、政府公開數(shù)據(jù)，采用機器學(xué)習(xí)技術(shù)提高數(shù)據(jù)質(zhì)量并生產(chǎn)更多獨有的數(shù)據(jù)。生產(chǎn)基于各種地理數(shù)據(jù)的深度學(xué)習(xí)模型，諸如交通分析、客源分析等大數(shù)據(jù)分析方法，通過這些數(shù)據(jù)和方法可以對街區(qū)中的用戶群進行精細分析，高效調(diào)查區(qū)域內(nèi)數(shù)以萬計的用戶群。?

這所有的數(shù)據(jù)和分析方法，都被封裝到一個數(shù)據(jù)容器內(nèi)方便使用提取，這個容器，我們稱之為“城市基因”，猶如生物研究的DNA一般，幫助精細精準地描述城市，為解決店鋪選址，提供豐富、高質(zhì)量的數(shù)據(jù)基礎(chǔ)。

基于城市基因，我們能夠輕松搭建面向行業(yè)應(yīng)用的服務(wù)平臺，如與IBM合作的平臺?Metro Pulse。

這一階段的云平臺基本可以滿足到2.0需求，在未來會有更多的新技術(shù)加入這一平臺。

作者：何宇兵

來源：DT數(shù)據(jù)俠（ID：DTdatahero）

推薦閱讀

日本老爺爺堅持17年用Excel作畫，我可能用了假的Excel···

180頁PPT，講解人工智能技術(shù)與產(chǎn)業(yè)發(fā)展

終于有人把云計算、大數(shù)據(jù)和人工智能講明白了！

數(shù)據(jù)告訴你：跟缺“芯”相比，中國當前的這個問題更致命！

Q:?好了，現(xiàn)在你發(fā)現(xiàn)開店發(fā)財?shù)拿孛芰藛?#xff1f;

歡迎留言與大家分享

覺得不錯，請把這篇文章分享給你的朋友

轉(zhuǎn)載 / 投稿請聯(lián)系：baiyu@hzbook.com

更多精彩文章，請在公眾號后臺點擊“歷史文章”查看

總結(jié)

以上是生活随笔為你收集整理的Adidas、金拱门、KFC、乐天玛特，零售巨头的选址秘诀都在数据里了的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。