第16节 AI选址分析与风险评估课程：手把手实操流程

选址这件事，说白了就是把「我觉得这个位置不错」变成「这个位置值多少分」。第16节 AI选址分析与风险评估课程讲的就是这套打分流程：先把候选点位的数据摆到一张表上，再按权重算分排序，最后把可能踩的坑一条条列出来。整轮跑完大概五步，数据准备充分的话，一两天就能出结论。

第16节 AI选址分析与风险评估课程到底解决什么问题？

核心答案是：它帮你把三五个点位放在同一把尺子下比较，而不是替你拍板。这门课真正值钱的地方是流程，不是某个神奇算法。

什么是AI选址分析

AI选址分析，就是把客流、租金、竞品密度、交通可达性这些散在各处的信息，整理成一张结构化表格，再让模型按权重算出一个综合分。听着玄，其实跟Excel打分表是同一套逻辑，只是变量从七八个变成几十个。

它跟传统蹲点数人流有什么不一样

传统做法是挑个工作日，蹲两个小时数人头，再凭经验估。这个方法的毛病在于样本太小，晴天和雨天、月初和月末能差出一倍。AI选址把历史数据、地图数据、周边业态一起算进去，结论更稳，但它照样依赖你喂进去的数据质量。

哪些人学这门课更划算

• 准备开靠前家店的个体老板，预算有限，输不起一次错误选址。
• 连锁品牌的拓展岗，一年要评估几十个点位，需要一套能反复用的标准流程。
• 做商业地产招商的人，需要反向判断某个业态适不适合这个铺位。

开跑之前，先准备哪三类数据？

数据不全也能跑，但结论会虚。较低配置是三类：点位自身条件、周边环境、成本与合同条件。少一类，结果就只能当参考，不能当依据。

第一类，点位自身条件

面积、层高、门头宽度、临街还是内铺、有没有上下水、电容量够不够。这些看着琐碎，往往是最后卡住你的东西。有个做餐饮的朋友，模型分数排靠前的铺位，最后因为排烟管道没地方走，直接放弃。

第二类，周边环境

半径五百米内的常住人口、同类门店数量、写字楼和住宅的比例、公交地铁站距离。这类数据可以自己跑，也可以查公开统计，比如国家统计局的人口与消费数据，做宏观判断够用。

第三类，成本与合同条件

租金、物业费、押付方式、免租期、递增条款。把五年总成本算出来再比分数，很多高分点位会立刻掉下来。

手把手：五步跑完一次选址评估

流程本身不复杂，关键是每一步都别跳。跳过任何一步，最后的分数都会失真。

第一步，圈定三到五个候选点位

先按预算和业态圈范围，别一上来就撒网。点位太多，后面的数据整理会把你拖垮。

第二步，给指标定权重

把指标分成客流、竞争、成本、可达性四组，每组给一个百分比。做餐饮的，客流和可达性可以各占三成；做社区服务的，常住人口权重更高。权重怎么定，取决于你的生意靠什么赚钱。

第三步，让模型出分并排序

数据标准化之后跑一遍，得到每个点位的综合分。分数只用来排序，别拿它当相对预测。

第四步，列风险清单

把每个点位可能出问题的地方写下来，一条一行，标上发生概率和影响程度。

第五步，做敏感性测试

把最不确定的那个指标上下调两成，看排名会不会翻转。翻转了，说明结论不稳，回去补数据。

风险评估怎么做才不流于形式？

第16节 AI选址分析与风险评估课程里，风险这块占的篇幅较大。方法就是给风险分类、加情景、设红线，三条都做到，风险表才不是走过场。

把风险分成三类

市场风险指客流不及预期，成本风险指租金递增和装修超支，合规风险指证照、消防、环保。三类分开写，处理方式完全不同。

用情景假设压测

假设最坏情况：客流只到预期的七成，租金第二年涨一成，你还能不能撑过十二个月。算不出来的点位，直接放弃。

设一条红线指标

比如月租金超过预估月流水的两成，一票否决，不再进入打分环节。红线的作用，是拦住你被高分冲昏头。

新手最容易踩的三个坑

三个坑我都见过，而且都是事后才反应过来的。

坑一，数据好看但有样本偏差

只统计工作日中午的客流，得出的结论对夜宵店毫无意义。数据要覆盖完整的营业时段。

坑二，权重拍脑袋定

凭感觉给权重，等于把主观判断包装成了模型。权重更稳妥从你自己门店的历史数据里反推。

坑三，忽略租约条款

免租期、递增、转让限制，这些条款对实际成本的影响，有时候比点位本身还大。

下一步建议：挑你手上正在纠结的两个点位，按上面五步各跑一遍，重点看第五步的敏感性测试。如果排名翻转，先别签合同，回去补数据。整套流程的价值，就是让你在签字之前多想一遍。