IBM零售垂直領域合伙人陳果在朋友圈轉發(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域里的應用。
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，結合歷史銷售數(shù)據(jù)，人口經(jīng)濟數(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在選址的應用并不是一個偶然，它是隨著技術的發(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科的教育走向更加交叉的領域，特別在商學院的市場營銷/財務運營管理等學科里滲入，越來越多的非地理人進入到這一領域。
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)告訴他們預測的結果就行了。其他那些復雜的操作，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，機器學習的概念，突然到了風口，那么不難想象，在短短的時間里，大家都開始談論如何能用這些時髦的名詞和選址這個其實不那么時髦的事情結合在一起。
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，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，沒有相關的經(jīng)驗，很難把大數(shù)據(jù)驅(qū)動起來。機緣巧合，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器學習來選址的工作，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)所要服務的“人”身上。而人的畫像應該如何描繪？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。但這樣的方式導致的結果往往是：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)的居民生存和擴大規(guī)模，這我們稱之為地物人之間“性感”的吸引力。應用在選址上，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？如何把地物特征與人群特征聯(lián)系起來？
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(tǒng)地理信息系統(tǒng)所缺的。移動互聯(lián)時代，網(wǎng)絡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。而我們使用機器學習曾經(jīng)同時分析兩百多個指標，完成多指標和它們之間復雜關系的分析，做到了傳統(tǒng)方法無法達到的事情，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行選址的過程中，我們使用了機器學習預測模型，聰明的算法機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，我們運用隨機森林模型還能進行未知數(shù)據(jù)的預測。通過早期大量數(shù)據(jù)的訓練，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練，我們對地理數(shù)據(jù)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(yè)內(nèi)頂尖水平。