AI选址分析揭秘：3个反常识结论和4步评估法

摘要 :

先说结论：AI选址分析真正值钱的地方，不是那个给出「成功率 87%」的分数，而是它逼你把租金、人流、竞品、合同这四件事摆到一张表上算清楚。市面上大多数选址课程，前半……

先说结论：AI选址分析真正值钱的地方，不是那个给出「成功率 87%」的分数，而是它逼你把租金、人流、竞品、合同这四件事摆到一张表上算清楚。市面上大多数选址课程，前半段教你调模型，后半段教你看报表，中间那块最要命的——数据从哪来、假设合不合理——往往一句带过。这篇文章就把这块讲透。

什么是AI选址分析？它算的其实是三件事

说白了，AI选址分析就是把一个铺位的周边环境变成一堆可比较的数字，再用模型算出「这个位置大概能做成什么样」。听起来玄，拆开看就三件事。

很多人以为人流就是「一天过多少人」。真实做法要细得多：早高峰、午间、晚市、周末，每个时段的人数分开记；路过的人是上班路过、回家路过，还是专门来逛街的，权重完全不一样。一个地铁口每天过三万人，如果其中两万八是赶着换乘的上班族，对一家正餐店的价值可能还不如一条安静小区门口的五千人。

课程里常讲的一个概念叫竞争密度。同品类门店在 500 米内超过一定数量，模型会自动给你的预估营业额打折。这个逻辑没错，但要注意方向：它算的是分流，不是聚集。有些业态反而怕孤立，比如小吃街、建材城，扎堆才有客流。

餐饮行业有个老规矩，租金占预估营业额的比例超过 15% 就很危险，10% 到 12% 才算舒服。AI 模型最有用的输出不是那个评分，而是帮你把「这个租金水平需要做到多少营业额才不亏」直接算出来。你拿着这个数去蹲点，看三天真实客流，心里就有底了。

报告的质量上限，在数据采集那一刻就定死了。模型再花哨，也救不回一份拍脑袋的数据。

市面上便宜的报告，人流数据来自手机信令的粗粒度聚合，误差能到两三成；贵一点的用实地计数加运营商数据交叉验证。同一个铺位，两份报告给出的人流能差一倍。你要问清楚的靠前句话不是「准不准」，而是「你们的人流数据怎么来的」。

一个 70 分的铺位，意思是同类条件下十家里有七家能活，不是你家一定活。剩下那三家为什么死？多半死在模型看不见的地方：老板不会管人、证照办不下来、房东第二年涨租。

我看过不少选址报告，前面二十页图表做得漂亮，最后一页风险提示只有五行字。真正该被放大的恰恰是这五行。一个从业十几年的拓展经理跟我说过一句话：选址不是选更稳妥的，是选最不容易死的。

三个坑，踩中任何一个，前面算得再准都白搭。

城市在动。一条路修地铁围挡两年，一条街对面新开一个商场，客流能翻倍也能腰斩。做评估的时候，把周边三公里内的规划信息查一遍——新的地铁线、旧城改造、学校搬迁，这些都写在公开的规划公示里。国家统计局的公开数据也能帮你判断一个片区的人口是流入还是流出。

免租期多长、递增条款怎么写、能不能转租、房东有没有权利提前收回——这些条款造成的损失，往往比选址本身判断失误还大。模型只算经营风险，不算法律风险。

看到隔壁几家同类店生意不错就放心签，这是最常见的误判。你得看清楚那几家是什么时候开的、现在是不是在转让。一条街上三家奶茶店同时挂转让牌，说明的是这条街的客流已经被吃干了。

能用的其实不多，但有三样东西值得学。

不用买设备。选三个工作日加一个周末，每天分四个时段各数 15 分钟，乘回去算出全天量，再乘上进店转化率。这个笨办法的准确度，往往比几千块的报告还高，因为它测的是你门口那一段，不是整个商圈。

把模型的拟合优度从 0.7 调到 0.85，对你的决策没有任何帮助。变量就那么多，多算两个小数位不会让你多赚钱。

选址评估做到最后，起决定作用的往往不是数据，而是你对「最坏情况能不能扛住」的判断。租金压不压得住、现金流能撑几个月、失败了转让损失多少——这三个数算清楚，比任何一个评分都实在。

不用报班，按下面四步走一遍，两周内能出结果。

四步做完，你会得到一个不那么精确但足够真实的判断。AI选址分析在这里的角色是帮你省时间、少漏项，不是替你做决定。下一步建议：挑一个你正在犹豫的铺位，先做第一步的蹲点计数，四个时段数完，很多纠结自己就散了。