砍掉5个高风险点位：一家连锁品牌用AI选址分析课程的真实经历

摘要 :

核心结论先说清楚：那家连锁品牌最后砍掉的 5 个候选点位，如果按老办法打分，至少 4 个会签下来。他们上的那门 AI选址分析课程，真正给的不是算法，而是一套把「感觉」……

核心结论先说清楚：那家连锁品牌最后砍掉的 5 个候选点位，如果按老办法打分，至少 4 个会签下来。他们上的那门 AI选址分析课程，真正给的不是算法，而是一套把「感觉」翻译成数字、再逼着人去看最坏情况的流程。

一家连锁品牌为什么要花钱学 AI选址分析？

原因很直接：亏钱的门店长得太像了。这个品牌做社区型餐饮，两年里开了 11 家店，其中 3 家一直不赚钱，共同点是都开在「看上去人流不错」的位置。

靠前家开在商场负一层通往地铁的通道口，人流确实大，但都是赶路的人，停下来吃饭的少。第二家挨着写字楼，工作日中午排队，周末空得能听见空调声。第三家在学校旁边，寒暑假两个月基本白交房租。

单店投入都在 70 万到 90 万之间，装修加设备占大头，关掉舍不得，留着又一直贴钱。老板后来在会上说了句话，我印象很深：「我们不是不会算账，是算错了对象。」

他们原来的选址流程是区域经理推荐、营运总监看现场、老板拍板。听着合理，实际上每次开会都在讨论同一件事——人流量够不够。人流够，就过。

麻烦在于，「够不够」没有标准。A 经理觉得一天 8000 人算够，B 经理觉得 5000 人也能做。谁的嗓门大，谁的标准就成立。

教的不是写代码，是把选址拆成十几个能取到数的指标，再让模型算「这家店活下来的概率」。课程里一半时间在处理数据，另一半在讲怎么读结果。

数据清洗这部分最枯燥，也最值钱。课程给的清单里，基础数据包括周边 1 公里常住人口、年龄结构、小区交付年份、公交地铁刷卡量、同类门店的点评数量和客单价。

真实数据永远是不齐的。他们做第一版打分表时，12 个候选点位里有 4 个缺客流数据，最后用邻近点位的刷卡量做了折算，误差写在备注里。这一步没人替你做，只能自己动手。

方法就是三步：先建一张能打分的表，再让模型算最坏情况，最后人去看现场。三步的顺序不能换，换了就容易变成用数据给已有的结论找理由。

12 个点位，18 个指标，一张表拉平。指标分三类：客流、成本、竞争。每个指标给权重，权重不是拍脑袋，是拿已有的 11 家店做回归倒推出来的。

做完会得到一个不太舒服的结果：过去开得好的店，靠的是某两三个指标，而不是大家以为的人流量。

课程里有个做法我挺认同：不预测营业额，先预测「活不下去的概率」。把租金、人工、客单价、复购率都按悲观值代入，看现金流什么时候转负。

他们的判断标准很简单——一家店在悲观情形下撑不过 18 个月，这个点位就不签，不管乐观测算多漂亮。18 个月来自他们自己的回本周期，不是通用值，你得按自己的业态改。

模型算完，人还得去。去现场不是重新拍一遍脑袋，是带着三个问题去：动线对不对、门头能不能看见、周边有没有正在施工的遮挡。

现场这三个问题，模型答不了，只能靠腿。有个点位在数据上排第二，到现场一看，门口正对着一个垃圾中转站，直接划掉。

12 个候选点位最后签了 7 个。砍掉的 5 个里有 3 个后来被别人开了同品类门店，半年内都换了招牌。结果不能证明方法多神，但至少说明它拦住了一些东西。

按单店 80 万投入算，5 个点位意味着 400 万没有被压进去。省下的钱后来有两个去处，补现有门店的现金流，和给一家老店做了重装。

更实际的变化在开会方式上。现在讨论点位，先看表，再看现场照片，最后才轮到「我觉得」。老板的话从「我看这人挺多」变成了「这个指标为什么是红的」。

新品类、新城市、没有历史门店数据的时候，回归倒推权重这条路走不通，只能靠行业均值，准确度会掉一大截。首店选址基本还是靠人。

数据也只能告诉你概率，告诉不了你一个具体的好位置什么时候空出来。这方面关系和信息仍然管用，别指望一张表解决所有问题。

如果你手上正好有几个候选点位，别急着报班。先把过去开过的店拉一张表，把能取到的指标填进去，看看哪些指标真的和盈亏相关。这一步自己做，一两周能出结果，也是判断要不要系统学 AI选址分析最省钱的试金石。