门店选址新方法，让你充分了解地理大数据

　　像许多口号一样，“大数据”的概念带有多种定义。从GIS的角度来看，大数据描述了数量庞大的数据集，无论是数量还是复杂性，它们都需要先进的数据、管理，处理、分析工具和技能。如此庞大的数据集可能需要大量的工作，但额外的努力可以带来巨大的回报。地理空间大数据提供详细信息和上下文信息，可跨多个学科和应用程序提供即时和长期价值。大数据在选址的应用并不是一个偶然，它是随着技术的发展和行业人才的变化，在最近这一年突然变成了一个火热的话题。

　　1.跨界从业者催生新变数

　　在美国，传统用地图和数据做零售企业做选址和市场的人，大多是地理系毕业的，他们有着丰富的地理信息系统软件操作能力和对地理模型的理解。选址的模型多半采用空间交互模型这一地理人最容易理解的模型。最经典的组成部分莫过于距离衰减模型。

　　此外传统的统计学范畴的回归模型和房地产从业者常用的近似模型，也是被市场所接受的。

　　2.选址软件迎来新风口

　　在这种情况下，选址的软件和模型，就需要足够的智能。

　　就在这个时候，人工智能，机器学习的概念，突然到了风口，那么不难想象，在短短的时间里，大家都开始谈论如何能用这些时髦的名词和选址这个其实不那么时髦的事情结合在一起。

　　在美国提到选址的地理数据分析，估计大多数企业已不觉得是什么新鲜事，那些深化到职业分层的人群数据，要拿到手也并不难。

　　旧基础结合新规则

　　1.以人为本

　　对于零售企业，一切对地理数据的分析，都要回归到企业所要服务的“人”身上。而人的画像应该如何描绘?

　　传统零售企业的方法是靠问卷调查，街头派发，有偿回答。但这样的方式导致的结果往往是：问卷的样本人群大多是“有闲而无钱”的人群。

　　随着互联网数据越来越丰富，还需要完全依靠那样传统的问卷方式吗?我们能怎样打破局面?

　　古人曰，物物以理相连。一个咖啡厅开在小区的周围，必然因为这里的居民离不开他，他也依靠小区的居民生存和扩大规模，这我们称之为地物人之间“性感”的吸引力。应用在选址上，我们想到的解决方案是打通POI(信息点)，用每个交通小区附近的店铺特征来推测居住人群特征。

　　附近有多少家咖啡厅?对应着怎样消费力的人群?这些人群中有多少是零售商的目标群体?如何把地物特征与人群特征联系起来?

　　而这种分析方法，是传统地理信息系统所缺的。

　　2.充分利用网络信息

　　移动互联时代，网络上保存的信息上千万种，数据分析的发展空间大大提高。

　　囿于其分析原理，传统的模型只能加入少量的指标。而我们可以通过使用机器学习曾经同时分析两百多个指标，完成多指标和它们之间复杂关系的分析，做到了传统方法无法达到的事情，不仅有量的提高，还有质的飞跃。

　　聪明的算法机制可以处理十几个城市，数千万POI地理位置数据。人口、交通、房价、消费等等，在系统屏幕上一一闪现计算。

　　除了从大量数据中得出现实情况的规律，我们运用随机森林模型还能进行未知数据的预测。通过早期大量数据的训练，我们找到了最优“方程”(广义概念)。这样便能基于已有数据(自变量)，计算出零售商感兴趣的预测值，如客群规模、潜在销量等。

　　▲大量附加数据

　　总体而言，机器学习/人工智能对零售选址带来的革新，是积极的。

　　特别在中国，零售从线下轰轰烈烈地走到线上，又从线上回归到全渠道发展服务客户的商业本质。所以线下的需求肯定还会重启，特别是社区零售/连锁餐饮/便利店，开店的需求在持续增长。

　　对于选址专家来说，这一代技术进步，为他们提供了一个智能慧眼，辅助着他们处理数据，寻找规律，AI技术提供了多种可能。

　　选址终归是一个艺术和科学的结合，结合丰富的市场经验和多方位的方法，这个为“新零售“选址的工作一定会更加高效。