AI选址分析做风险评估：3步实操流程，新手也能跑通

摘要 :

用AI做选址风险评估，核心是三件事：先把候选点位和周边数据凑齐，再让AI按你定的标准打分和推演，最后人工复核那几个最要命的假设。方法就是这三步，顺序别乱。乱在哪？……

用AI做选址风险评估，核心是三件事：先把候选点位和周边数据凑齐，再让AI按你定的标准打分和推演，最后人工复核那几个最要命的假设。方法就是这三步，顺序别乱。乱在哪？很多人一上来就让AI「帮我分析这个位置好不好」，结果它给你的全是正确但没用的废话。

我带过几期选址分析的实操课，学员里做餐饮、便利店、教培的都有。头一回做练习，十个人里有八个卡在第一步——数据没准备好，AI再强也只能瞎猜。

什么是AI选址分析？它到底能帮你判断什么

说白了，AI选址分析就是把原本靠经验拍板的判断，拆成一组可量化的指标，交给模型去跑。它不能替你做决定，但能帮你把「我觉得这儿人挺多」变成「这个点位在工作日午间的客流预估是每小时80人左右，租金占比会到18%」。

具体能落地的活儿有三类。第一类是多点位横向对比，五六个候选铺位放一起，按同一套标准打分排序。第二类是情景推演，比如租金涨10%、周边开一家竞品，你的回本周期会变成什么样。第三类是风险清单，让AI把常见坑位逐条列出来，你再一条条打勾排除。

做不到的也很明确。它不知道你那个城市某条街下个月要修地铁，也不知道这家商场的招商经理跟你关系好不好。这些「本地知识」得你自己补。

普通选址分析问的是「这个位置能不能赚钱」，风险评估问的是「如果我判断错了，会亏多少、亏多久」。角度一反，你要喂给AI的数据就不一样了。前者看客流、客单价、租金，后者还得看合同年限、押金、装修沉没成本、周边业态的稳定性。

有个做烘焙的学员跟我聊过，他之前只看客流，选了个新开的社区商业街，结果半年后整条街三分之一的铺面空着，人流直接腰斩。这类风险，普通分析根本覆盖不到。

流程分三步：圈点位拉数据、定标准让AI打分、人工复核关键假设。整套跑下来，单个点位大概两三个小时，比传统跑盘省一半时间。

先别急着开AI。拿出地图，圈出三到六个候选铺位，每个点位收集这几样东西：

这些数据整理成一张表，一行一个点位。整理的时候别嫌麻烦，这一步做扎实，后面AI给你的结论才有分量。数据来源可以查当地的统计年鉴，也可以参考国家统计局的公开数据做背景校准。

把表格发给AI，但提示词里必须写清三件事：评估维度、每个维度的权重、输出格式。比如你可以写「按租金压力占30%、客流潜力占30%、竞争强度占20%、退出成本占20%打分，每个点位给总分和扣分原因」。

权重怎么定？我的建议是，新店头两年现金流最脆弱，租金压力给到30%不算多。反过来做高客单价生意的，客流权重可以往上提。

打完分再补一轮情景推演。问它：如果客流比预估低20%，这个点位的盈亏平衡点会推到第几个月？如果合同只能签三年，装修成本摊得回来吗？这两问特别能筛掉一批看着不错的点位。

AI给的结论里，一定有几个关键假设是它自己补的。你要做的是把它们拎出来，一个个去现场验证。重点盯三个：客流预估、租金占比、竞品存活率。

这招不是多场景适用的。遇到新开发的商圈、或者政策刚变的地段，历史数据基本没用，AI的推演只能当参考。这种时候老老实实多跑几趟现场，比什么都强。

课程设计的关键是给真数据、设真约束。别用虚构案例，学员一眼就能看出假，练完也带不走。

我通常这样安排：给学员一份包含五个点位的真实数据集，租金、客流、竞品数量都齐。第一节课只做数据整理，第二节课写提示词跑打分，第三节课做情景推演，第四节课让每组上台讲自己的风险清单。

每节课留一个「坑」。比如故意在数据里放一个租金明显偏离市场的点位，看学员会不会发现异常。发现了就说明他真的在看数据，没发现就说明他只是在复制粘贴AI的结论。

评分别只看结论对不对。选址这事本来就没有标准答案，你评的是过程：数据收集全不全、权重设得有没有理由、风险清单是不是具体到能执行。

我一般的配比是过程占70%，结论占30%。有个学员给的结论跟他同学完全相反，但他的推演过程挑不出毛病，我照样给了高分。

三个坑最常见：提示词太笼统、把AI的假设当真、只做一次分析就定案。

「帮我分析这个位置好不好」这种问法，AI只能回你一堆场面话。换成「按这五个维度打分，每个维度说明扣分理由，最后给出最坏情况下的亏损估算」，输出质量立刻不一样。差别就在于你有没有把标准交出去。

AI算得出数字，算不出人情。房东好不好说话、这条街的商户之间有没有抱团、周边有没有即将入驻的大体量竞品，这些信息得你自己去打听。选址这行有句话：数据决定下限，人和判断决定上限。

下一步建议很简单：挑一个你手上真实的候选点位，按上面三步走一遍，全程记录你改了几次提示词、AI给出的哪条假设最后被现场推翻了。跑完这一轮，你对手里这套方法的信任度会有个准数。