AI选址分析课程里最常出现的5个工具，学透3个就够用

摘要 :

AI选址分析这件事，课程里反复讲的就那几个工具：GIS 画商圈，Huff 模型估客流，AHP 层次分析法定权重，蒙特卡洛做压力测试，最后用 Excel 算需自行评估风险线。说白了，……

AI选址分析这件事，课程里反复讲的就那几个工具：GIS 画商圈，Huff 模型估客流，AHP 层次分析法定权重，蒙特卡洛做压力测试，最后用 Excel 算需自行评估风险线。说白了，五个里面学透三个，八成开店场景就够用了。

我在几个选址课上旁听过，也帮做餐饮和零售的朋友看过铺子。发现一个共性：大家把工具当成算命软件，输进去就等一个「能开」或「不能开」。真实情况是，工具只负责把不确定的东西摊开给你看，最后拍板还得靠人。

AI选址分析课程里，最常出现的工具是哪几个？

按出现频率排，前排基本都是老三样再加两个新面孔。GIS 和 Huff 模型是地缘分析的底座，AHP 用来把「感觉」变成数字，蒙特卡洛负责告诉你最坏能坏到哪，Excel 财务模型则是所有课程的收尾动作。

QGIS 是开源的，一分钱不花就能跑；ArcGIS 商业授权贵，但周边生态和教程多。这两样干的活其实很朴素：把门店位置、竞品位置、小区、地铁口、学校这些点铺在地图上，画三圈——步行五分钟、十分钟、十五分钟，看圈里到底有多少人。

坑在哪？很多人画完圈就默认圈里的人都归自己。实际上隔着一条高架、一条河，客流就断了。QGIS 官网上有现成的路网分析插件，愿意折腾半天就能把「直线距离」换成「实际走路距离」，这一步的价值比多买一份数据大得多。

Huff 模型 1964 年提出，逻辑很直白：顾客去哪家店，取决于那家店吸引力多大、路上花多久。店越大越有吸引力，路越远越不想去。落到公式里就是吸引力除以距离的幂次。

好处是能算竞品分流。开一家奶茶店，周边三百米还有两家，Huff 能给你一个大致的分流比例。坏处是它假设所有人都一样理性，实际上写字楼午休的人和周末带娃的人，行为差得很远。

AHP 是 1970 年代 Saaty 提出来的，课程里喜欢用它给指标打分。房租、客流、竞品密度、可见度、停车便利度，两两比较哪个更重要，最后算出一组权重。价值不在精度，在于逼你把「我觉得这铺子好」拆成能说服别人的理由。

把客单价、日均客流、租金涨幅各设一个区间，跑一千次，看有多少次是亏的。跑出来的分布比一个单一数字有用得多，因为它会告诉你「有两成的概率第一年就撑不住」。

前四步算得再花哨，最后都要落到一张表上：投入多少、多久回本、需自行评估风险线在哪。举个例子，房租一天八百块，毛利按 25% 算，一天至少卖三千二才刚够交房租，人工水电还没算进去。这种算术谁都会，难的是敢不敢按最差的那档去算。

因为工具输出的从来不是「能开」，而是一堆带条件的概率。你喂进去的数据质量、你选的模型假设，决定了结论能不能用。这两块任何一块塌了，结果就是看着很专业的一堆废话。

课程里演示用的数据都是清洗好的，现实里你拿到的经常是：小区入住率查不到，写字楼实际办公人数不知道，竞品营业额全靠蹲点估。用估算数据跑精确模型，输出只会给你虚假的确定感。

Huff 假设距离衰减是平滑的，可现实里一条没有红绿灯的快速路能把商圈劈成两半。AHP 假设专家打分稳定，可同一批人隔一周再打，权重能差出不少。知道模型什么时候会失效，比会点按钮重要。

建议按「先能算账，再能画圈，最后再玩模型」的顺序。理由很简单，算账是刚需，画圈是加分，模型是锦上添花。倒过来学，很容易变成工具很熟、结论很虚。

开店的人只需要会算账和画圈，做咨询的人才需要把五个工具全跑一遍。判断标准是：你要不要为结论向别人负责。自己开店，亏的是自己的钱；给别人出报告，结论要经得起追问。

我见过一个做社区超市的老板，没用任何模型，就靠蹲点数了两周人流，把店开起来了，生意还不错。也见过拿着厚厚一份 GIS 报告开垮的。工具不解决判断力的问题。

如果只让我给一个下一步建议：这周先把候选的三个铺位的需自行评估风险线算出来，写在纸上。算完你会发现，有些位置根本不用建模，光算账就已经出局了。