何不试试，用简单的品牌监控数据，做复杂的选址开店决策

导读重点：

1、线下零售店的选址，经验丰富的大公司有一套严密的流程，而大部分的企业还在依赖直觉和经验；

2、是直觉经验可靠还是数据模型客观，在决策中常常是冲突的两极，冲突增加了决策的难度和周期；

3、用整合思维，从挑选最简单的数据开始，跟踪竞品和榜样，从中筛选最值得选址专家投入精力的候选点，提升决策的质量和效率；

4、人机结合是未来大趋势，有机器助手的专家一定胜过孑然一身的单打独斗者。

上周，保健品巨头GNC宣布破产，计划短时间内关闭1200家门店；这周，瑞幸还是没有逃过一劫，被迫退市，但声明全体员工继续服务新老用户。大洋两岸，两家上市公司，都有几千家门店的资产，不知未来何去何从。对于Ta们的强相关利益者，个中的痛苦，均非外人所能体会。无论是客观条件的无奈也好，还是自作孽懊悔不迭也罢，不能认为这世间的不幸都是疫情所致。当大家都在痛苦的时候，仍然有不少连锁企业把逆境当做机会：很多优秀的位置已经弯下高傲的身段，等待着新业主热情的将其拥入怀中。至少我自己就看到了巴奴火锅的毛肚即将绽放北京世纪金源购物中心，公司楼下的大堂也游来了绿色的美人鱼使者（其实是海妖Siren）。即便是已经不再提出听证调查、退市的瑞幸，上周仍然开业了4家新店。

抛开线下经济和线上经济诸多的差异，有一点却是相同的：皆靠注意力支撑的经济。无论线上或者线下，无论私域流量还是公域流量，获得不了足够的曝光和瞩目，业务怎么都是一个字：难。从流量转化为消费，靠的是人性洞察、产品特色、运营技巧、促销手段，但没有流量，这些后续的动作也都是空谈，所以为什么线下经济反反复复说的三件事都是位置。B站up主“大蜡烛”在《一不小心倾家荡产？创业开店选址避坑指南》中讲到，店铺的经营者人人都知道位置重要，但是在选址上投入的精力大部分却是马马虎虎；在【得到】课程《黄碧云的小店创业课》第三讲也是介绍选址的三步走思路：一选城区，二选商圈，三选具体位置。有过实际经验的从业者，无不把选址这项工作看的很重。

大蜡烛和黄碧云老师支招的对象是“规模以下”的创业者，而对那些全年新增100家以上的连锁企业主们（很多新锐目标是每年上千家，甚至是几千家），选址决策的难度又何止上了一个层次。哪儿有那么多的人力资源撒到当地去看夜晚小区亮灯的时间，查车库的车型，画奶奶接送孙子上学的路线图？而且还要高度信任跑到各地出差的选址人员的眼光和客观的评估？夫妻店有夫妻店的轻灵，连锁企业有连锁企业的全面。轻灵的决策可能造成草率，全面的决策也可能意味着过于繁琐。决策之难还在于不同人有不同的关注视角，有的主管会关注该目标位置周边未来的发展潜力，而有的主管更看重微观人流的动线；有的人会担心相同品类竞争店铺相距太近，而有的人更忧虑目标客群数在本区域的总量不够。当我们在决策过程中，如果这些关注点有意的对立起来而形成争吵，很难达成共识，因为这些关注点从单一要素来看都重要，都应该得到满足，但现实世界就是这样折磨人，不会给我们一个完美的候选点，当有缺陷的时候，最后的取舍，在于决策者个人的推理之梯。

极海在与国际大型零售连锁企业的选址决策合作中，已经将机器学习预测候选点作为大数据智能化的解决方案与用户一起探索实践。我们也借助黑水详查瑞幸的样本，很好的测试了一下机器学习预测的超高效率。机器学习最大的亮点，就是可以包含但不偏见的固化与位置相关的各种因素，用训练、学习的方式发现各种维度与预测对象的相关关系。这种方法，计算机的效率要远远超过我们人类。在与国际大公司合作的过程中，我们观察这些企业的优势，佩服Ta们经过多年的总结沉淀，已经形成了一整套数据驱动的决策流程，并对数据化决策的探索抱持着乐观的开放态度。我们也会与很多仍然在持续改进着专家选址模式的企业交流，深知数据化的理念与专家模式的经验相融合还有很长的路要走。但大方向上，这条融合之路，大家都是乐观其成的。其实即便是专家模式也在无意中运用数据的方法——黄碧云老师与大蜡烛都提到了一个Ta们建议选址关联思路：用候选点周边的牙科诊所消费和洗衣店消费类型，来发现周边人群的年龄层次和消费水平。用一种容易获取的数据去预测另一个不易获取或尚未发生的数据，正是统计中常用到的线性相关分析。

不要说机器学习的人工智能，即便是很传统很传统的统计方法，如聚合、似然、回归，也很难在企业中得到顺畅的应用。连锁企业的数据决策之难，现状很明显：一缺思维，二缺人才，三缺数据。所以也不必也不可能马上All in的去做一项决策的变革，而可以用找亮点的方式循序渐进。无论是数据模式还是专家模式，即使两种模式各自浑身都是宝，那全盘接受其一，放弃另一个也有难度。将每个模式中隐藏的那块宝石挑选出来，重新组合成一个决策方法，绝对可行也易行。这个思想就是《第3选择》和《整合决策》的核心有要义。

极海品牌监测就是这样一块宝石。从极海品牌监测的数据服务中的500+的品牌（年底扩充到1000家），选择您想学习、效仿、警觉的企业，看看Ta们的门店如何分布，每天的开、关情况。原先要焦虑的思考全国333个城市、上万个商圈这种汪洋大海般的数据池子，现在就聚焦到您关注品牌的老店、新店、样板店、旗舰店、关闭店。。。想想Ta们走过的路，推测一下为什么。从大数据到小数据，再加上您作为专家的直觉经验。您的直觉现在就是另外一块宝石。

每个决策者看似大权在握，讽刺的是，正是决策本身，成了让决策者最为焦虑的一项工作。夫妻店只能靠夫妻俩了，位置决定错了影响的是一个家庭；而大企业选址选的不好，有可能影响企业整个的发展。选址专家必须是值得依靠的关键人物。现在更多的决策者愿意引入数据专家，两者都是企业的宝石。机器智能的本质就是数据，数据参与到决策这是大势所趋。用整合思维去看问题，数据模型和直觉模型并不矛盾，就像选址专家完全可以和数据专家成为工作中的好伙伴，一起为企业开动高效决策的引擎。而这个时代，对于选址专家是个充满机遇的时代：您的专业知识、行业经验、直觉感受是企业的宝石，你需要的仅仅是一个机器助手，帮你最快速度的筛选、过滤。极海就是这样的一个助手。