编辑导读：想开一个赚钱多的便利店，选址很重要！那么，应该如何确认开店的位置呢？本文从呆板进修的角度，阐明便利店应该怎么选址，但愿对你有辅佐。

萝卜同学最近做了一个梦，话说本身开了家便利店，赚了许多几何钱，然后抱着一堆钱笑醒了，然鹅，发明是个梦。

第二天，见了煎蛋，就对他说，我想开个便利店，你说我要怎么做呢？煎蛋即刻来劲了，发挥本身的专长，巴拉巴拉说了一大堆专业发起。

萝卜一脸黑线，请说人话，我先做啥呢？煎蛋说，那虽然是先选址啊。煎蛋接着说，那我给你讲讲选址要思量的工作。

借煎蛋的话题我们来说说选址的事。

假如你和萝卜同学有同样的想法，想开家便利店，如何才气选择一个好的物业呢？

在这儿我借之前的一个项目经验，来分享下开店背后的业务逻辑和决定，以及如何通过数据，算法来做出公道的决定息争释。

一、业务背后的事

L公司，开店多年，积聚了一笔巨款，发明白开便利店是个新时机，就规划投资迅速扩张，但愿通过多年开店履历的积聚，快速抢占市场。可是，在拓荒的进程中发明个问题，用之前的开店流程，效率太低，没法到达预定方针，能不能操作大数据和人工智能来帮助选址，晋升选址效率呢？

下面我们来做下阐明。

首先我们先简朴表明下便利店背后的贸易逻辑。

便利店的焦点在便利，就是要离用户近，不管是开在社区也好、办公CBD区，照旧大客流如高铁、机场等地域，位置必然离人流足够近，让用户利便看到你，甚至看到你卖的部门对象，来触发他的购置欲望，晋升进店消费概率。

除了位置外，卖的商品也必然是高频消费，好比零食、早餐、口香糖等，不能卖空调、冰箱。由于快消品的净利低，策划本钱牢靠，想要赢利，就需要足够的人流来消费，晋升销售额，那么位置对付便利店就显得更尤为重要了。假如不思量其它因素，单从位置便利和销售额的相关性上阐明，位置便利性和销售的相干系数的总体漫衍会0.7-0.9。基于这样的逻辑，我们再来看选址这件事。

二、传统的选址

传统选址主要从哪些维度来评估便利呢？主要思量以下几个焦点的维度。

位置属性：所选物业位置属性，是社区、CBD,照旧商圈，地址圈子的成熟度如何、间隔市中心的间隔等。

客流：所选物业周边3公里范畴内的客流量及画像。

POI：也叫聚客点，所选物业周边3公里范畴内的大客流店，如餐馆、大型商超、医院、学校、交通关节等。

物业轮廓：所选物业的基本信息、可达到性、辐射用户数、竞对店等。如物业面积、层高、店招高度、门宽、门前遮挡物、门前阶数、到骨干道的间隔、到公交的间隔等。

以上维度通过所选物业表里两部门因素来评估便利性，思量的维度已经较量全面了，可是在评估时，主要通过打分卡的形式，举办打分评估，相比拟力分手，没法和销售额做关联阐明。在决定时，决定团队只能靠着主观意义上的打分，来做出表明性不强的抉择。

尚有个问题，那就是在数据收集时，所有的数据收集都是要通过工钱收集，收集效率低，精准度不高、并且收集本钱还较量高。这些都是传统选址要领上存在的问题，也是较量难办理的。那通过AI怎么选址，可以完全办理传统存在的问题嘛？

三、智能选址

谜底是不能，AI不是万能的，呆板进修是基于数据基本上的统计阐明和预测。假如没有数据，那AI就是空谈。所以先要从数据入手，看看哪些是可以获取的，哪些是没法获取但可以通过工钱收集的，然后再评估哪些问题可以通过AI办理，怎么办理。

详细数据阐明和获取的途径此略过。最终的结论是，环绕销量的客流量、画像、行为、POI、竞对等数据可以通过汗青沉淀和外部相助可以得到，而所选物业的根基轮廓这些信息，需要通过人工举办收集。

基于这样的阐明，AI可以在选址上办理一大部门问题，剩下的小部门问题需要靠人主观履历去办理。那详细如何去分派，我们下面阐明下基于量化模子和专家卡模子的办理方案，是如何协同办理问题的。

四、量化模子

但愿通过量化模子，环绕销售额为方针变量成立与客流量、客流画像、竞品数、POI、物业面积、订单成立数据模子，来表明这些因素间的关联干系。

下面重点说一下样本选择、特征工程、模子构建上的一些工作，描写下量化模子搭建的进程。