編輯導讀：想開一個賺錢多的便利店，選址很重要！那麼，應該如何確認開店的位置呢？本文從機器學習的角度，分析便利店應該怎麼選址，希望對你有幫助。
蘿蔔同學最近做了一個夢，話説自己開了家便利店，賺了好多錢，然後抱着一堆錢笑醒了，然鵝，發現是個夢。
第二天，見了煎蛋，就對他説，我想開個便利店，你説我要怎麼做呢？煎蛋頓時來勁了，發揮自己的專長，巴拉巴拉説了一大堆專業建議。
蘿蔔一臉黑線，請説人話，我先做啥呢？煎蛋説，那當然是先選址啊。煎蛋接着説，那我給你講講選址要考慮的事情。
借煎蛋的話題我們來説説選址的事。
如果你和蘿蔔同學有同樣的想法，想開家便利店，如何才能選擇一個好的物業呢？
在這兒我借之前的一個項目經歷，來分享下開店背後的業務邏輯和決策，以及如何通過數據，算法來做出合理的決策和解釋。
一、業務背後的事L公司，開店多年，積累了一筆鉅款，發現了開便利店是個新機會，就打算投資迅速擴張，希望通過多年開店經驗的積累，快速搶佔市場。但是，在開荒的過程中發現個問題，用之前的開店流程，效率太低，沒法達到預定目標，能不能利用大數據和人工智能來輔助選址，提升選址效率呢？
下面我們來做下分析。
首先我們先簡單解釋下便利店背後的商業邏輯。
便利店的核心在便利，就是要離用户近，不管是開在社區也好、辦公CBD區，還是大客流如高鐵、機場等地區，位置一定離人流足夠近，讓用户方便看到你，甚至看到你賣的部分東西，來觸發他的購買慾望，提升進店消費概率。
除了位置外，賣的商品也一定是高頻消費，比如零食、早餐、口香糖等，不能賣空調、冰箱。由於快消品的淨利低，經營成本固定，想要獲利，就需要足夠的人流來消費，提升銷售額，那麼位置對於便利店就顯得更尤為重要了。如果不考慮其它因素，單從位置便利和銷售額的相關性上分析，位置便利性和銷售的相關係數的總體分佈會0.7-0.9。基於這樣的邏輯，我們再來看選址這件事。
二、傳統的選址傳統選址主要從哪些維度來評估便利呢？主要考慮以下幾個核心的維度。
- 位置屬性：所選物業位置屬性，是社區、CBD,還是商圈，所在圈子的成熟度如何、距離市中心的距離等。
- 客流：所選物業周邊3公里範圍內的客流量及畫像。
- POI：也叫聚客點，所選物業周邊3公里範圍內的大客流店，如餐館、大型商超、醫院、學校、交通樞紐等。
- 物業概況：所選物業的基礎信息、可到達性、輻射用户數、競對店等。如物業面積、層高、店招高度、門寬、門前遮擋物、門前階數、到主幹道的距離、到公交的距離等。
以上維度通過所選物業內外兩部分因素來評估便利性，考慮的維度已經比較全面了，但是在評估時，主要通過打分卡的形式，進行打分評估，相對比較分散，沒法和銷售額做關聯分析。在決策時，決策團隊只能靠着主觀意義上的打分，來做出解釋性不強的決定。
還有個問題，那就是在數據收集時，所有的數據收集都是要通過人為收集，收集效率低，精準度不高、而且收集成本還比較高。這些都是傳統選址方法上存在的問題，也是比較難解決的。那通過AI怎麼選址，可以完全解決傳統存在的問題嘛？
三、智能選址答案是不能，AI不是萬能的，機器學習是基於數據基礎上的統計分析和預測。如果沒有數據，那AI就是空談。所以先要從數據入手，看看哪些是可以獲取的，哪些是沒法獲取但可以通過人為收集的，然後再評估哪些問題可以通過AI解決，怎麼解決。
具體數據分析和獲取的途徑此略過。最終的結論是，圍繞銷量的客流量、畫像、行為、POI、競對等數據可以通過歷史沉澱和外部合作可以獲得，而所選物業的基本概況這些信息，需要通過人工進行收集。
基於這樣的分析，AI可以在選址上解決一大部分問題，剩下的小部分問題需要靠人主觀經驗去解決。那具體如何去分配，我們下面分析下基於量化模型和專家卡模型的解決方案，是如何協同解決問題的。
四、量化模型希望通過量化模型，圍繞銷售額為目標變量建立與客流量、客流畫像、競品數、POI、物業面積、訂單建立數據模型，來解釋這些因素間的關聯關係。
下面重點説一下樣本選擇、特徵工程、模型構建上的一些事情，描述下量化模型搭建的過程。
樣本選擇：我們抽取了運營一年的便利店作為樣本，過濾掉日均銷售額低於1000的樣本，圍繞此樣本來構建數據集。為什麼會選擇1000，因為這個對於業務來講，是基本的門檻，是經過綜合評估後，日銷達到這個指標才能有可能繼續運營下去。
特徵工程：對每個維度進行分類、分段、時間滑窗等方式做衍生變量，來尋找更貼近業務目標的特徵。
比如對於客流量，我們分析了日均人流、工作人口、常駐人口、7:00-9:00人流、12:00-14:00人流，6:00-8:00人流，停留小於30分鐘人流、停留30-60分鐘人流、停留1小時以後人流、進店人流等；同樣其它維度的數據也做了衍生，並進行綜合分析，最終確定了100多個特徵，構建了模型。
模型構建：最終構建的模型是預測模型和分類模型結合的綜合評估模型，主要是考慮到，對於業務方來講，如果我們輸出一個銷量預測，比如日銷、月銷、年銷在決策上給的建議有限，選址團隊最終想要的是決定性意見，就是適不適合開店。
那麼標準是什麼呢，就是給出不同類型的店日坪效，通過坪效標準來作為輔助決策的依據。
所以在預測模型基礎上結合坪效構建了分類模型，通過兩個模型的融合，最終輸出可解釋的選址建議：推薦選擇 ；建議選擇 ；慎重選擇。
五、專家卡模型希望通過專家卡模型，結合之前選址評估時用到的維度，通過人工經驗，給出所選物業主觀打分。下面就抽樣、指標設計、分值設計上來簡單説下模型的搭建。
樣本選擇：使用量化模型經過規則加工過濾後的便利店做為樣本，並抽取開店決策時各維度的統計數據，完成樣本數據整合。
指標設計：由業務對樣本的維度、指標、枚舉值進行細化梳理，彙總出專家卡評估模型。比如對於基礎信息維度的指標，通過細化為：使用面積；店招高度；實際門寬；門前遮擋物；看到店招距離；內部結構等。然後再對使用面積進行指標細化，如100㎡，90-100㎡ ，小於90㎡等。目的就是通過逐步拆解，將一個複雜的維度拆分到不能拆分的程度，使解釋性更強。
權重及分值：通過模型對各維度的數據相關性及權重計算。比如對於所選物業性質，如果是社區的話，那麼我們計算出的權重係數是：入住率85%：0.85；60-85%：0.67；30%-60% ：0.58。通過各細項的打分，獲得一個總體分數再乘權重系統，獲得這個物業最終的分值。
六、初期協同，最終融合這裏提到兩個模型，那最終是不是還需要決策人員自己去綜合評估呢？一開始是這樣的，後面其實我們會考慮把專家卡模型和量化模型做融合，最終輸出一個綜合性的評分意見給到業務方，這樣更方便選擇決策了。具體怎麼融合，需要結合業務綜合考慮，是需要逐步探索的，但一定是值得去做實驗研究的。
回到一開始的問題，機器學習帶給選址業務上的幫助是什麼？
首先，從效率上，縮短了信息從收集、分析、決策的過程，傳統的做法可能需要一週的時間，而使用機器學習後，最多需要一天。
其次，從可解釋性上，為選址提供了更精準的數據解釋。比如模型的分類準確率達到85.3%時，那其實代表對於未來85.3%的備選物業，我能夠提供精準的數據關聯關係解釋，並且模型給出的結果是符合業務對於坪效、銷售額預期的。那需要承擔的風險是多少呢？就是1-85.3%，而對於傳統的模式下，這種風險和成功預期是沒辦法做到精準解釋的。
再次，可解釋，可衡量，那就代表了另一件事，就是提升。通過解釋性讓我們知道可以通過數據沉澱，模型沉澱，逐步提高我們的預期，降低我們承擔的風險。而傳統的做法，這種積累會沉澱到某一個人身上，人會流動，會帶來不穩定的風險，可能是會增加企業的風險。
綜上，機器學習能夠帶給選址團隊的價值不僅是在效率上的提升，還能提供精準的決策解釋依據，降低選址風險。
如果你想開個賺錢的便利店，可以考慮選址相關的AI產品，而不用自己在開店前，先把自己變成半個選址專家，最後還選到了一個自己心裏都沒譜的物業，在還沒開始賺錢就已經把自己搞到精闢力盡。試試新的思路，説不定能幫你賺個盆忙缽滿呢！
本文由 @ 不瘋魔 原創發佈於人人都是產品經理。未經許可，禁止轉載
題圖來自Unsplash，基於CC0協議