IBM零售垂直領(lǐng)域合伙人陳果在朋友圈轉(zhuǎn)發(fā)了一篇文章，題目叫《Artificial Intelligence in Retail》，講述的是人工智能在零售領(lǐng)域里的應(yīng)用。
其中的第一條就是門店選址的最優(yōu)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。文章指出，采用人工智能的方法，結(jié)合歷史銷售數(shù)據(jù)，人口經(jīng)濟(jì)數(shù)據(jù)，到競爭者的距離等數(shù)據(jù)可以把選址模型推到一個新的高度。作為在這一領(lǐng)域打拼多年的我，覺得有必要對這一話題展開討論。
AI在選址的應(yīng)用并不是一個偶然，它是隨著技術(shù)的發(fā)展和行業(yè)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(tǒng)用地圖和數(shù)據(jù)做零售企業(yè)做選址和市場的人，大多是地理系畢業(yè)的，他們有著豐富的地理信息系統(tǒng)軟件操作能力和對地理模型的理解。選址的模型多半采用空間交互模型這一地理人最容易理解的模型。最經(jīng)典的組成部分莫過于距離衰減模型。
此外傳統(tǒng)的統(tǒng)計學(xué)范疇的回歸模型和房地產(chǎn)從業(yè)者常用的近似模型，也是被市場所接受的。隨著近年來地理信息學(xué)科的教育走向更加交叉的領(lǐng)域，特別在商學(xué)院的市場營銷/財務(wù)運營管理等學(xué)科里滲入，越來越多的非地理人進(jìn)入到這一領(lǐng)域。
他們有著基本的概念，但是沒有很多地理信息系統(tǒng)軟件操作的經(jīng)驗。對他們而言，最理想的事情就是在地圖上點個點，然后系統(tǒng)告訴他們預(yù)測的結(jié)果就行了。其他那些復(fù)雜的操作，對他們而言是沒有意義的。
在這種情況下，選址的軟件和模型，就需要足夠的智能。就在這個時候，人工智能，機(jī)器學(xué)習(xí)的概念，突然到了風(fēng)口，那么不難想象，在短短的時間里，大家都開始談?wù)撊绾文苡眠@些時髦的名詞和選址這個其實不那么時髦的事情結(jié)合在一起。
在美國提到選址的地理數(shù)據(jù)分析，估計大多數(shù)企業(yè)已不覺得是什么新鮮事，那些深化到職業(yè)分層的人群數(shù)據(jù)，要拿到手也并不難。
然而，在中國，地理數(shù)據(jù)分析卻一直處于瓶頸狀態(tài)。一方面是地理信息的獲取難度高。作為分析建模的基礎(chǔ)，沒有靠譜的數(shù)據(jù)，實屬巧婦之無米之炊。另一方面是建模的難度大。海量的初始數(shù)據(jù)存在精確度問題，沒有相關(guān)的經(jīng)驗，很難把大數(shù)據(jù)驅(qū)動起來。機(jī)緣巧合，我們在中國受一家受此困擾多年的國際頂級零售商委托，創(chuàng)新的實踐了一次利用機(jī)器學(xué)習(xí)來選址的工作，所以對這個話題有著自己的見解。
對于零售企業(yè)，一切對地理數(shù)據(jù)的分析，都要回歸到企業(yè)所要服務(wù)的“人”身上。而人的畫像應(yīng)該如何描繪？傳統(tǒng)零售企業(yè)的方法是靠問卷調(diào)查，街頭派發(fā)，有償回答。但這樣的方式導(dǎo)致的結(jié)果往往是：問卷的樣本人群大多是“有閑而無錢”的人群。隨著互聯(lián)網(wǎng)數(shù)據(jù)越來越豐富，還需要完全依靠那樣傳統(tǒng)的問卷方式嗎？我們能怎樣打破局面？
古人曰，物物以理相連。一個咖啡廳開在小區(qū)的周圍，必然因為這里的居民離不開他，他也依靠小區(qū)的居民生存和擴(kuò)大規(guī)模，這我們稱之為地物人之間“性感”的吸引力。應(yīng)用在選址上，我們想到的解決方案是打通POI（信息點），用每個交通小區(qū)附近的店鋪特征來推測居住人群特征。
附近有多少家咖啡廳？對應(yīng)著怎樣消費力的人群？這些人群中有多少是零售商的目標(biāo)群體？如何把地物特征與人群特征聯(lián)系起來？
這些是我們方案設(shè)計重點耕耘的工作。而這種分析方法，是傳統(tǒng)地理信息系統(tǒng)所缺的。移動互聯(lián)時代，網(wǎng)絡(luò)上保存的信息上千萬種，數(shù)據(jù)分析的發(fā)展空間大大提高。囿于其分析原理，傳統(tǒng)的模型只能加入少量的指標(biāo)。而我們使用機(jī)器學(xué)習(xí)曾經(jīng)同時分析兩百多個指標(biāo)，完成多指標(biāo)和它們之間復(fù)雜關(guān)系的分析，做到了傳統(tǒng)方法無法達(dá)到的事情，不僅有量的提高，還有質(zhì)的飛躍。
在幫助這家大型零售商進(jìn)行選址的過程中，我們使用了機(jī)器學(xué)習(xí)預(yù)測模型，聰明的算法機(jī)制處理了十一個城市，數(shù)千萬POI地理位置數(shù)據(jù)。人口、交通、房價、消費等等，在系統(tǒng)屏幕上一一閃現(xiàn)計算。
除了從大量數(shù)據(jù)中得出現(xiàn)實情況的規(guī)律，我們運用隨機(jī)森林模型還能進(jìn)行未知數(shù)據(jù)的預(yù)測。通過早期大量數(shù)據(jù)的訓(xùn)練，我們找到了最優(yōu)“方程”（廣義概念）。這樣便能基于已有數(shù)據(jù)（自變量），計算出零售商感興趣的預(yù)測值，如客群規(guī)模、潛在銷量等。
我們首先從區(qū)域潛力評估入手，得出城市發(fā)展方向的趨勢判斷，在零售商給出優(yōu)勢區(qū)域里幾個選址方案后，我們再提供具體店址評估報告輔助選址決策。經(jīng)過長期的研究和模型訓(xùn)練，我們對地理數(shù)據(jù)的機(jī)器學(xué)習(xí)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(dá)到行業(yè)內(nèi)頂尖水平。
在項目進(jìn)程中，合作的零售商也發(fā)現(xiàn)了一些讓人驚喜的結(jié)果：很多之前靠經(jīng)驗積累，不明所以的判斷，也在模型中一一得以驗證。當(dāng)然我們的分析也提供了之前無法洞察的大量信息。
學(xué)習(xí)模型-客群消費偏好
目前我們正努力實現(xiàn)標(biāo)簽化地理區(qū)域，當(dāng)企業(yè)有相關(guān)需求時，只需告訴我們需求和判斷因子權(quán)重，就可以快速導(dǎo)出分析報告和結(jié)果。再下一步我們還考慮做成人工智能系統(tǒng)提供SaaS服務(wù)，用戶輸入數(shù)據(jù)，選擇模型，便能快速到處輔助決策的結(jié)論報告。
然而，是否可以放心地說，AI在選址優(yōu)化的工作中已經(jīng)徹底打通關(guān)節(jié)，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，還取決于地產(chǎn)本身的質(zhì)量，比如是否方便進(jìn)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平等。根據(jù)我的經(jīng)驗，這些因素在中國要占到6成。
機(jī)器學(xué)習(xí)所訓(xùn)練的，都是那些可以統(tǒng)一獲取，沒有主觀因素的變量。而大量含有主觀因素的變量的采集過程，都是人為篩選的，再智能的機(jī)器，也無法預(yù)測一個新的地點的可租面積，無法預(yù)測門頭是否從四面八方都可以看見，人工智能無能為力。
其次，選址里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(yè)，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，我在模型里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布，則很難告訴零售商，假如新增加一個門店這個區(qū)域里，開在哪里，不會蠶食現(xiàn)有門店的銷售額。
這種情況，人工智能依然無法做出判斷，因為幾乎沒有什么可以拿來學(xué)習(xí)，就算通過歷史銷售數(shù)據(jù)找出某些有可能出現(xiàn)蠶食的門店配對，學(xué)習(xí)的結(jié)論對于新的門店，依然毫無意義。這里就是體現(xiàn)出手機(jī)GPS定位數(shù)據(jù)的重要性了，但和AI無關(guān)，我們按下不表。
通過手機(jī)GPS數(shù)據(jù)和地理圍欄Geofence技術(shù)獲取的門店客源分布
總結(jié)一下：機(jī)器學(xué)習(xí)，對于選址里的主觀變量，樣本不足，無法用于預(yù)測等陷阱無法做到全智能。就算是機(jī)器學(xué)習(xí)本身，對于數(shù)據(jù)的選擇也很有講究。比如我們學(xué)習(xí)的門店，是在已經(jīng)成熟的社區(qū)，而我們要預(yù)測的新址，卻是在新區(qū)，那么模型很可能會給出誤差。
這時就有必要拿出社區(qū)未成熟時的POI數(shù)據(jù)進(jìn)行學(xué)習(xí)，尋找當(dāng)時的規(guī)律。這一點其實是普適的：對于任何懷揣著機(jī)器學(xué)習(xí)/人工智能夢想就進(jìn)入一個全新領(lǐng)域，卻沒有自身完善的數(shù)據(jù)積累的公司，都是前途叵測。
總體而言，機(jī)器學(xué)習(xí)/人工智能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，又從線上回歸到全渠道發(fā)展服務(wù)客戶的商業(yè)本質(zhì)。所以線下的需求肯定還會重啟，特別是社區(qū)零售/連鎖餐飲/便利店，開店的需求在持續(xù)增長。
特別是中國，在地理數(shù)據(jù)不開放，數(shù)據(jù)質(zhì)量不高，數(shù)據(jù)層次不多的情況下，我們已經(jīng)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(zhì)變比起AI在美國的模型僅僅是改進(jìn)，是個飛躍。對于選址專家來說，這一代技術(shù)進(jìn)步，為他們提供了一個智能慧眼，輔助著他們處理數(shù)據(jù)，尋找規(guī)律。
無論是像IBM這樣的咨詢服務(wù)商可以集成到自己零售解決方案，和Watson沃森的結(jié)合，還是像CBRE，JLL這樣的房地產(chǎn)代理行，可以集成到自己的租戶管理服務(wù)中，還是直接為零售企業(yè)的房地產(chǎn)部門做使用，AI技術(shù)都提供了多種可能。選址終歸是一個藝術(shù)和科學(xué)的結(jié)合，結(jié)合豐富的市場經(jīng)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。
重慶分公司
重慶分公司
