选址风险评估指标怎么选？6 到 8 个指标分三层就够

摘要 :

选址风险评估指标怎么选，核心就一句话：先划生死线，再定权重，最后才让 AI 去跑数据。顺序反了，模型做得再花哨也没用。我带的几期选址分析课里，学员最容易犯的错是一……

选址风险评估指标怎么选，核心就一句话：先划生死线，再定权重，最后才让 AI 去跑数据。顺序反了，模型做得再花哨也没用。我带的几期选址分析课里，学员最容易犯的错是一上来列二三十个指标，租金、客流、竞品、学区、地铁口全塞进去，结果几个铺位算出来的分数都差不多。指标太多，等于没有指标。

选址风险评估指标到底该选几个？

我的建议是 6 到 8 个，分三层。这个数字不是拍脑袋来的，是人的判断力上限决定的。超过十个指标，你站在铺位门口那一刻根本记不住，最后还是凭感觉。

权重会被稀释。二十个指标里真正能一票否决的可能只有两个，但它们加起来只占 10% 的分，剩下十八个「还算凑合」的指标一平均，风险就被抹平了。你算出来 78 分，隔壁也 76 分，等于什么都没告诉你。

生死线一般三到四个就够。它们的共同特点是不达标就没有讨论余地，打多少分都救不回来。这里说三个最容易被忽略的。

餐饮零售这行有个常见的口径：租金占预估营业额的 15% 以内比较安全，超过 20% 就很难做。这个数字因业态差别很大，便利店和正餐不是一回事，奶茶店和火锅店也不是一回事。你得先算清楚自己这个品类在同类门店里的营业额区间，再去倒推能承受多少租金，而不是先看租金再想怎么把营业额做上去。

门口一天过两万人，听着很唬人。中间要是隔了护栏、绿化带，或者要绕五十米去过街天桥，实际进店的比例能掉一半以上。测法很土但管用：连续三天，早中晚各数十五分钟，只数真正停下脚步、朝店门方向看的人。这个数乘个折扣，才是你能用的客流。

签三年和签五年，装修摊销完全是两笔账。一家店装修投三十万，三年摊每年十万，五年摊每年六万，这四万差价直接决定你是微利还是亏损。递增条款也一样，每年涨 5% 和每年涨 8%，五年下来总租金差出一大截。谈租约的时候，这一条比每月便宜五百块重要得多。

给选址风险评估指标定权重，较为实用的办法是倒着推：假设这家店半年后关门了，你最可能把原因归到哪个指标上？那个指标的权重就该较高。这个方法我在课上让学员练过很多次，比正着打分准得多。

让三个做过店的人分别写「我见过的店是怎么死的」，把写出来的原因做词频统计。排在前面的一般是客流不足、租金太贵、品类不匹配。这些原因对应的指标，权重自然就该压过其他项。说白了，权重不是你分配的，是过去的失败案例分配的。

30%、15%、5% 三档，足够了。有人把权重做成 12.5%、7.3%，看着精密，其实是在自欺欺人。选址用到的数据本身误差就有两三成，权重精度做到小数点后一位毫无意义。反过来，三档权重还有个好处：现场决策时你能立刻想起来哪个最重。

AI 擅长的是把公开数据摊平了比：周边一公里的小区户数、同类门店密度、写字楼和住宅的比例、早晚高峰的移动热力。这些活人工跑一遍要两三天，AI 几分钟出结果。它拿不到的，是这条街上真实发生的交易。

初筛。一百个候选铺位，先用 AI 按生死线指标过一遍，剩下二十个再人工去看。这一步能省掉大部分无效跑腿。带 AI 选址分析课程的时候我常说，AI 的价值在于帮你排除，不在于帮你决定。

别急着建模型。先花一个下午，把你打算做的这个品类，过去一年你听说过的关门案例列出来，十个就够，每个写一句关门原因。这张纸就是你自己的指标库雏形，比任何模板都好用。

别人的指标表拿来就用，通常会水土不服。你在成都开的店和在县城开的店，生死线根本不是同一套。指标库要跟着你踩过的坑一起长，关一家店，就回来改一次权重。

找一个你正在犹豫的铺位，按三层结构列指标，用关门复盘法定权重，再用 AI 把周边数据跑一遍。整个流程走完大概两小时。走完你会发现，很多原本纠结的点其实不重要，真正该盯的就那么两三个。

下一步很简单：这周挑一个你已经否掉的铺位，用上面的方法重新算一遍，看看当初否掉的理由站不站得住。如果站不住，说明你的指标结构该调了。