金拱门、adidas、乐天玛特，零售巨头的选址秘诀都在数据里

原标题：金拱门、adidas、乐天玛特，零售巨头的选址秘诀都在数据里

编者按：本文来自微信公众号“DT财经”（ID：DTcaijing），作者：何宇兵，编辑：王旭晶，36氪经授权转载。

在当前复杂的零售环境下，选址对于零售企业而言变得格外重要，因为位置就是线下流量的直接入口。近期邀请到GeoHey·极海上海分公司的技术总监何宇兵，他将从三个维度来为大家揭晓如何通过地理方法解决选址问题？融合机器学习的智能地图如何赋能商业选址？

1.0时代：地理可视化

1.0时代即通常所说的数据上图，将数据投放至地图上，用地理可视化的方式展现出来。

佳通轮胎是我接触这一行业所做的第一个项目，这一项目对于现在而言能轻而易举地做到并且能够做得更好但对当时而言则较为复杂。

在可视化1.0时代，Tesco走在行业前端，已经开始用地理可视化的方式做选址。用户只需在其在线商城注册账号后输入自己的地址，系统后台便会将用户分配到他所属的门店。但这对地理编码的精度要求特别高，假设你的地址定位不准确就会影响后续的整个配送路径。

在选址之前需对现有门店进行较深的认知，以麦当劳商圈调查为例，在选址之前需要对已经开业的门店做很多商业调研，将这些收集回来的数据呈现在地图上，目的是帮助他们了解其客户，这些客户分布在哪里？

上图每一个格子代表客户百分比，颜色越深就代表这个地方的客户越多。可以发现，大部分客户都来自于离店铺越近的地方，越远的地方它的颜色越浅。另外还可以发现这家店的商圈大小，商圈的范围是80%的客户所分布的范围。通过调研的方式计算出80%的客户分布哪些范围以内？另外还能了解有哪些因素会影响到商圈的大小及形状。比如在上图的右下角为一个高等级道路，可以发现在道路上方集中了大部分客户，而在道路下方并没有很多客户，那就说明高等级道路是影响商圈形状的重要因素。通过这种方式还能得到其他认知，例如河流也是影响商圈形状的一个因素。

再以乐天玛特为例，他的需求是根据会员分布结合人口数据帮助其制定DM投放策略。例如人口多、会员较少的区域或是会员多、购买频率较低的区域都是需要重点关注的地方，如上图右上角圈出来的红色区域，它就是DM投放重点关注的区域。

当我们有了会员数据之后，继续把会员的消费金额、消费频次投放到地图之上，帮助他们安排接送车及站点分布。如在销售额贡献大的区域增加站点等。

在地理可视化1.0时代，阿迪达斯是一个较为特殊的案例。

一直到现在为止，收集商圈市场容量数据是较难的一件事情。但我们通过可以获取到的POI数据模拟商圈的市场潜力以达到发现其市场容量的目的。对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。但我们的最终目的是帮助商户了解二三线城市，甚至是四线城市。当对这个城市不够了解时，如何挑选品牌应该进入的区域？这就是阿迪达斯服务案例解决的问题。

2.0时代：分析与流程

2.0时代是如今大部分企业所处的一个阶段。由于数据量急剧上升，我们需要针对这种大数据做分析，从1.0时代针对单个点解决具体问题，上升至2.0时代帮助企业建立流程进而处理选址过程中可能面临的一些问题。

以上汽为例，在收集了新能源车辆的的行车轨迹数据后，提前制定好用户标签从而制定出用户画像，汽车厂商就会根据这些标签找到一些异业联盟。例如这一品牌的客户经常会去某个购物中心，那么就可将车放在这个购物中心供潜在的客户试驾，这也就是一个潜在的获取客户的渠道。

再以JDPower所做的会员管理系统为例。根据客户的到店频次、消费金额以及最近到店消费时间，将会员划分成不同等级，如高价值客户、低价值客户、高风险客户、低风险客户等，针对不同的客户类型进行不同的营销策略。在此平台基础上，还可以交互地针对某一区域的客户做营销。通过对会员更深入的分析，帮助他们更好地制定一个选址策略。

以极海和某银行的合作平台为例，对于现阶段而言，增加网点并不是银行主要的目的，而是通过系统的层次建立一个流程，对网点进评估，针对不同的网点从数据的角度制定开、停、并、转的决策。

3.0时代：机器学习辅助决策

从去年开始就有很多企业慢慢在选址策略上应用机器学习的方式。这里引入自然街区这一概念。

（编辑：东莞站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!