門店選址是藝術與科學的結合 看看地理大資料專家怎麼說
IBM零售垂直領域合夥人陳果在朋友圈轉發了一篇文章，題目叫《Artificial Intelligence in Retail》，講述的是人工智慧在零售領域裡的應用。
其中的第一條就是門店選址的最優化。因為從古至今，線下店策劃最先考慮的因素就是店鋪的位置。
AI在選址的應用並不是一個偶然，它是隨著技術的發展和行業人才的變化，在最近這一年突然變成了一個火熱的話題。
在美國，傳統用地圖和資料做零售企業做選址和市場的人，
此外傳統的統計學範疇的回歸模型和房地產從業者常用的近似模型，也是被市場所接受的。隨著近年來地理資訊學科的教育走向更加交叉的領域，
他們有著基本的概念，但是沒有很多地理資訊系統軟體操作的經驗。對他們而言，最理想的事情就是在地圖上點個點，然後系統告訴他們預測的結果就行了。其他那些複雜的操作，對他們而言是沒有意義的。
在這種情況下，選址的軟體和模型，就需要足夠的智慧。
在美國提到選址的地理資料分析，估計大多數企業已不覺得是什麼新鮮事，那些深化到職業分層的人群資料，要拿到手也並不難。
然而，在中國，地理資料分析卻一直處於瓶頸狀態。一方面是地理資訊的獲取難度高。
對於零售企業，一切對地理資料的分析，
古人曰，物物以理相連。一個咖啡廳開在社區的周圍，必然因為這裡的居民離不開他，他也依靠社區的居民生存和擴大規模，這我們稱之為地物人之間“性☆禁☆感”的吸引力。應用在選址上，我們想到的解決方案是打通POI（資訊點），用每個交通社區附近的店鋪特徵來推測居住人群特徵。
附近有多少家咖啡廳？對應著怎樣消費力的人群？這些人群中有多少是零售商的目標群體？如何把地物特徵與人群特徵聯繫起來？
這些是我們方案設計重點耕耘的工作。而這種分析方法，是傳統地理資訊系統所缺的。移動互聯時代，網路上保存的資訊上千萬種，資料分析的發展空間大大提高。囿于其分析原理，傳統的模型只能加入少量的指標。而我們使用機器學習曾經同時分析兩百多個指標，完成多指標和它們之間複雜關係的分析，做到了傳統方法無法達到的事情，不僅有量的提高，還有質的飛躍。
在幫助這家大型零售商進行選址的過程中，我們使用了機器學習預測模型，聰明的演算法機制處理了十一個城市，數千萬POI地理位置資料。人口、交通、房價、消費等等，在系統螢幕上一一閃現計算。
除了從大量資料中得出現實情況的規律，我們運用隨機森林模型還能進行未知數據的預測。通過早期大量資料的訓練，我們找到了最優“方程”（廣義概念）。這樣便能基於已有資料（引數），計算出零售商感興趣的預測值，如客群規模、潛在銷量等。
我們首先從區域潛力評估入手，得出城市發展方向的趨勢判斷，在零售商給出優勢區域裡幾個選址方案後，我們再提供具體店址評估報告輔助選址決策。經過長期的研究和模型訓練，我們對地理資料的機器學習流程和自動化方案有了深刻的體會，在分析速度和精度上已達到行業內頂尖水準。
在專案進程中，合作的零售商也發現了一些讓人驚喜的結果：很多之前靠經驗積累，不明所以的判斷，也在模型中一一得以驗證。當然我們的分析也提供了之前無法洞察的大量資訊。
目前我們正努力實現標籤化地理區域，當企業有相關需求時，只需告訴我們需求和判斷因數權重，就可以快速匯出分析報告和結果。再下一步我們還考慮做成人工智慧系統提供SaaS服務，使用者輸入資料，選擇模型，便能快速到處輔助決策的結論報告。
然而，是否可以放心地說，AI在選址優化的工作中已經徹底打通關節，無所不能了嗎？我的回答是：且慢。
首先，一個門店是否成功，除了周邊的消費者特性，還取決於地產本身的品質，比如是否方便進入，門頭是否足夠醒目，房東可以提供的面積和租金，以及自身人員管理水準等。根據我的經驗，這些因素在中國要占到6成。
機器學習所訓練的，都是那些可以統一獲取，沒有主觀因素的變數。而大量含有主觀因素的變數的採集過程，都是人為篩選的，再智慧的機器，也無法預測一個新的地點的可租面積，無法預測門頭是否從四面八方都可以看見，人工智慧無能為力。
其次，選址裡面一個非常重要的故事是如何避免姐妹門店之間的相互蠶食，特別是連鎖加盟型企業，面對加盟商，如果保證每家店的利益，避免法律訴訟。也許有人會說，我在模型裡加入姐妹門店的距離，不就行了？以下面的地圖為例，這個門店的消費者明顯來自于高速公路的西北面，很少有人從東南過來。假如只考慮距離，而不知道消費者的分佈，則很難告訴零售商，假如新增加一個門店這個區域裡，開在哪裡，不會蠶食現有門店的銷售額。
這種情況，人工智慧依然無法做出判斷，因為幾乎沒有什麼可以拿來學習，就算通過歷史銷售資料找出某些有可能出現蠶食的門店配對，學習的結論對於新的門店，依然毫無意義。這裡就是體現出手機GPS定位資料的重要性了，但和AI無關，我們按下不表。
總結一下：機器學習，對於選址裡的主觀變數，樣本不足，無法用於預測等陷阱無法做到全智慧。就算是機器學習本身，對於資料的選擇也很有講究。比如我們學習的門店，是在已經成熟的社區，而我們要預測的新址，卻是在新區，那麼模型很可能會給出誤差。
這時就有必要拿出社區未成熟時的POI資料進行學習，尋找當時的規律。這一點其實是普適的：對於任何懷揣著機器學習/人工智慧夢想就進入一個全新領域，卻沒有自身完善的資料積累的公司，都是前途叵測。
總體而言，機器學習/人工智慧對零售選址帶來的革新，是積極的。特別在中國，零售從線下轟轟烈烈地走到線上，又從線上回歸到全管道發展服務客戶的商業本質。所以線下的需求肯定還會重啟，特別是社區零售/連鎖餐飲/便利店，開店的需求在持續增長。
特別是中國，在地理資料不開放，資料品質不高，資料階層不多的情況下，我們已經看到新方法可以有效地梳理出一些線索，完成從0到1的變化，這種質變比起AI在美國的模型僅僅是改進，是個飛躍。對於選址專家來說，這一代技術進步，為他們提供了一個智慧慧眼，輔助著他們處理資料，尋找規律。
無論是像IBM這樣的諮詢服務商可以集成到自己零售解決方案，和Watson沃森的結合，還是像CBRE，JLL這樣的房地產代理行，可以集成到自己的租戶管理服務中，還是直接為零售企業的房地產部門做使用，AI技術都提供了多種可能。選址終歸是一個藝術和科學的結合，結合豐富的市場經驗和多方位的方法，這個為“新零售“選址的工作一定會更加高效。
（本文作者陳少飛，為地理大資料專家，運作專業機構GeoHey。）
他也依靠社區的居民生存和擴大規模，這我們稱之為地物人之間“性☆禁☆感”的吸引力。應用在選址上，我們想到的解決方案是打通POI（資訊點），用每個交通社區附近的店鋪特徵來推測居住人群特徵。附近有多少家咖啡廳？對應著怎樣消費力的人群？這些人群中有多少是零售商的目標群體？如何把地物特徵與人群特徵聯繫起來？
這些是我們方案設計重點耕耘的工作。而這種分析方法，是傳統地理資訊系統所缺的。移動互聯時代，網路上保存的資訊上千萬種，資料分析的發展空間大大提高。囿于其分析原理，傳統的模型只能加入少量的指標。而我們使用機器學習曾經同時分析兩百多個指標，完成多指標和它們之間複雜關係的分析，做到了傳統方法無法達到的事情，不僅有量的提高，還有質的飛躍。
在幫助這家大型零售商進行選址的過程中，我們使用了機器學習預測模型，聰明的演算法機制處理了十一個城市，數千萬POI地理位置資料。人口、交通、房價、消費等等，在系統螢幕上一一閃現計算。
除了從大量資料中得出現實情況的規律，我們運用隨機森林模型還能進行未知數據的預測。通過早期大量資料的訓練，我們找到了最優“方程”（廣義概念）。這樣便能基於已有資料（引數），計算出零售商感興趣的預測值，如客群規模、潛在銷量等。
我們首先從區域潛力評估入手，得出城市發展方向的趨勢判斷，在零售商給出優勢區域裡幾個選址方案後，我們再提供具體店址評估報告輔助選址決策。經過長期的研究和模型訓練，我們對地理資料的機器學習流程和自動化方案有了深刻的體會，在分析速度和精度上已達到行業內頂尖水準。
在專案進程中，合作的零售商也發現了一些讓人驚喜的結果：很多之前靠經驗積累，不明所以的判斷，也在模型中一一得以驗證。當然我們的分析也提供了之前無法洞察的大量資訊。
目前我們正努力實現標籤化地理區域，當企業有相關需求時，只需告訴我們需求和判斷因數權重，就可以快速匯出分析報告和結果。再下一步我們還考慮做成人工智慧系統提供SaaS服務，使用者輸入資料，選擇模型，便能快速到處輔助決策的結論報告。
然而，是否可以放心地說，AI在選址優化的工作中已經徹底打通關節，無所不能了嗎？我的回答是：且慢。
首先，一個門店是否成功，除了周邊的消費者特性，還取決於地產本身的品質，比如是否方便進入，門頭是否足夠醒目，房東可以提供的面積和租金，以及自身人員管理水準等。根據我的經驗，這些因素在中國要占到6成。
機器學習所訓練的，都是那些可以統一獲取，沒有主觀因素的變數。而大量含有主觀因素的變數的採集過程，都是人為篩選的，再智慧的機器，也無法預測一個新的地點的可租面積，無法預測門頭是否從四面八方都可以看見，人工智慧無能為力。
其次，選址裡面一個非常重要的故事是如何避免姐妹門店之間的相互蠶食，特別是連鎖加盟型企業，面對加盟商，如果保證每家店的利益，避免法律訴訟。也許有人會說，我在模型裡加入姐妹門店的距離，不就行了？以下面的地圖為例，這個門店的消費者明顯來自于高速公路的西北面，很少有人從東南過來。假如只考慮距離，而不知道消費者的分佈，則很難告訴零售商，假如新增加一個門店這個區域裡，開在哪裡，不會蠶食現有門店的銷售額。
這種情況，人工智慧依然無法做出判斷，因為幾乎沒有什麼可以拿來學習，就算通過歷史銷售資料找出某些有可能出現蠶食的門店配對，學習的結論對於新的門店，依然毫無意義。這裡就是體現出手機GPS定位資料的重要性了，但和AI無關，我們按下不表。
總結一下：機器學習，對於選址裡的主觀變數，樣本不足，無法用於預測等陷阱無法做到全智慧。就算是機器學習本身，對於資料的選擇也很有講究。比如我們學習的門店，是在已經成熟的社區，而我們要預測的新址，卻是在新區，那麼模型很可能會給出誤差。
這時就有必要拿出社區未成熟時的POI資料進行學習，尋找當時的規律。這一點其實是普適的：對於任何懷揣著機器學習/人工智慧夢想就進入一個全新領域，卻沒有自身完善的資料積累的公司，都是前途叵測。
總體而言，機器學習/人工智慧對零售選址帶來的革新，是積極的。特別在中國，零售從線下轟轟烈烈地走到線上，又從線上回歸到全管道發展服務客戶的商業本質。所以線下的需求肯定還會重啟，特別是社區零售/連鎖餐飲/便利店，開店的需求在持續增長。
特別是中國，在地理資料不開放，資料品質不高，資料階層不多的情況下，我們已經看到新方法可以有效地梳理出一些線索，完成從0到1的變化，這種質變比起AI在美國的模型僅僅是改進，是個飛躍。對於選址專家來說，這一代技術進步，為他們提供了一個智慧慧眼，輔助著他們處理資料，尋找規律。
無論是像IBM這樣的諮詢服務商可以集成到自己零售解決方案，和Watson沃森的結合，還是像CBRE，JLL這樣的房地產代理行，可以集成到自己的租戶管理服務中，還是直接為零售企業的房地產部門做使用，AI技術都提供了多種可能。選址終歸是一個藝術和科學的結合，結合豐富的市場經驗和多方位的方法，這個為“新零售“選址的工作一定會更加高效。
（本文作者陳少飛，為地理大資料專家，運作專業機構GeoHey。）