在項(xiàng)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(yàn)積累，不明所以的判斷，也在模型中一一得以驗(yàn)證。當(dāng)然我們的分析也提供了之前無(wú)法洞察的大量信息。
學(xué)習(xí)模型-客群消費(fèi)偏好
目前我們正努力實(shí)現(xiàn)標(biāo)簽化地理區(qū)域，當(dāng)企業(yè)有相關(guān)需求時(shí)，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(bào)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(bào)告。
然而，是否可以放心地說(shuō)，AI在選址優(yōu)化的工作中已經(jīng)徹底打通關(guān)節(jié)，無(wú)所不能了嗎？我的回答是：且慢。
首先，一個(gè)門(mén)店是否成功，除了周邊的消費(fèi)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(mén)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(yàn)，這些因素在中國(guó)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(méi)有主觀因素的變量。而大量含有主觀因素的變量的采集過(guò)程，都是人為篩選的，再智能的機(jī)器，也無(wú)法預(yù)測(cè)一個(gè)新的地點(diǎn)的可租面積，無(wú)法預(yù)測(cè)門(mén)頭是否從四面八方都可以看見(jiàn)，人工智能無(wú)能為力。
其次，選址里面一個(gè)非常重要的故事是如何避免姐妹門(mén)店之間的相互蠶食，特別是連鎖加盟型企業(yè)，面對(duì)加盟商，如果保證每家店的利益，避免法律訴訟。也許有人會(huì)說(shuō)，我在模型里加入姐妹門(mén)店的距離，不就行了？以下面的地圖為例，這個(gè)門(mén)店的消費(fèi)者明顯來(lái)自于高速公路的西北面，很少有人從東南過(guò)來(lái)。假如只考慮距離，而不知道消費(fèi)者的分布，則很難告訴零售商，假如新增加一個(gè)門(mén)店這個(gè)區(qū)域里，開(kāi)在哪里，不會(huì)蠶食現(xiàn)有門(mén)店的銷售額。
這種情況，人工智能依然無(wú)法做出判斷，因?yàn)閹缀鯖](méi)有什么可以拿來(lái)學(xué)習(xí)，就算通過(guò)歷史銷售數(shù)據(jù)找出某些有可能出現(xiàn)蠶食的門(mén)店配對(duì)，學(xué)習(xí)的結(jié)論對(duì)于新的門(mén)店，依然毫無(wú)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(wú)關(guān)，我們按下不表。
通過(guò)手機(jī)GPS數(shù)據(jù)和地理圍欄Geofence技術(shù)獲取的門(mén)店客源分布
總結(jié)一下：機(jī)器學(xué)習(xí)，對(duì)于選址里的主觀變量，樣本不足，無(wú)法用于預(yù)測(cè)等陷阱無(wú)法做到全智能。就算是機(jī)器學(xué)習(xí)本身，對(duì)于數(shù)據(jù)的選擇也很有講究。比如我們學(xué)習(xí)的門(mén)店，是在已經(jīng)成熟的社區(qū)，而我們要預(yù)測(cè)的新址，卻是在新區(qū)，那么模型很可能會(huì)給出誤差。
這時(shí)就有必要拿出社區(qū)未成熟時(shí)的POI數(shù)據(jù)進(jìn)行學(xué)習(xí)，尋找當(dāng)時(shí)的規(guī)律。這一點(diǎn)其實(shí)是普適的：對(duì)于任何懷揣著機(jī)器學(xué)習(xí)/人工智能夢(mèng)想就進(jìn)入一個(gè)全新領(lǐng)域，卻沒(méi)有自身完善的數(shù)據(jù)積累的公司，都是前途叵測(cè)。
總體而言，機(jī)器學(xué)習(xí)/人工智能對(duì)零售選址帶來(lái)的革新，是積極的。特別在中國(guó)，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(huì)重啟，特別是社區(qū)零售/連鎖餐飲/便利店，開(kāi)店的需求在持續(xù)增長(zhǎng)。
特別是中國(guó)，在地理數(shù)據(jù)不開(kāi)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(guó)的模型僅僅是改進(jìn)，是個(gè)飛躍。對(duì)于選址專家來(lái)說(shuō)，這一代技術(shù)進(jìn)步，為他們提供了一個(gè)智能慧眼，輔助著他們處理數(shù)據(jù)，尋找規(guī)律。
無(wú)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(mén)做使用，AI技術(shù)都提供了多種可能。選址終歸是一個(gè)藝術(shù)和科學(xué)的結(jié)合，結(jié)合豐富的市場(chǎng)經(jīng)驗(yàn)和多方位的方法，這個(gè)為“新零售“選址的工作一定會(huì)更加高效。