AI选址分析与风险评估：客流预测的4个核心方法

摘要 :

AI选址分析的核心不是让模型告诉你「这里能赚钱」，而是用客流预测把三个数字算清楚：一天有多少人经过、其中多少人会进店、进店的人能贡献多少营业额。这三个数字一出来……

AI选址分析的核心不是让模型告诉你「这里能赚钱」，而是用客流预测把三个数字算清楚：一天有多少人经过、其中多少人会进店、进店的人能贡献多少营业额。这三个数字一出来，租金能不能扛住就一目了然了。我的建议是，先做客流预测，再做风险评估，顺序反了容易白忙一场。

很多人一上来就问「哪个AI工具最准」。说实话，这个问题问偏了。工具之间的差距，远没有你喂进去的数据差距大。同一套模型，用商圈热力图跑一遍，和用真实的手机信令数据跑一遍，结果能差出一倍。

AI选址分析到底在算什么？

说白了，AI选址分析干的事就一件：把「人流量」翻译成「钱」。模型输入的是位置特征，输出的是预估营业额，中间那层就是客流预测。

第一层是宏观客流，指的是这个商圈或者这条街一天大概有多少人。第二层是中观客流，指的是经过你店门口那一段的人。第三层是微观转化，指的是多少人会真的推门进来。三层里面，最容易出错的是第二层。

我见过一个做餐饮的客户，模型给的商圈客流数据很好看，一天三万人次。结果实地一蹲，发现那三万人里九成走在马路对面，中间还隔着护栏。这种细节，热力图看不见，只有人站在那儿才知道。

因为模型学的是历史规律，不是你家店的生意。连锁品牌的模型往往是用自己门店的数据训练的，你家产品结构、客单价、出餐速度都不一样，直接套用会偏。合理的做法是把模型输出当成一个基准线，再按自己的实际情况上下调整。

常见的数据源有三类：手机信令、支付流水热力、还有地图平台的POI和热力图。三类数据各有各的盲区，混着用比单用一个靠谱。

手机信令的覆盖率高，能反映人的移动轨迹，但它分不清「路过」和「停留」。一个人在地铁口刷了十分钟手机，信令上算一次到访，可他压根没进任何店。所以看信令数据，重点看停留时长超过十五分钟的那部分人，那才是真正有消费意愿的客流。

如果你做的是连锁，把同城同业态门店的营业额和位置特征拉一张表，做一个简单的回归，往往比买现成的模型管用。数据量不用大，十几家店就能看出趋势。关键在于把变量选对：门头宽度、临街距离、周边竞品数量、工作日和周末的客流比，这几个变量解释力较强。

选址的风险评估，核心是算盈亏平衡点，再看实际客流预测值离这条线有多远。距离越近，风险越大。我一般建议留出至少百分之三十的安全垫。

餐饮行业里，租金占营业额的比例超过百分之十五就很难受，超过百分之二十基本是给房东打工。用AI跑出预估营业额之后，拿租金一除，这个数超过红线，位置再好也别签。这一条比任何模型评分都硬。

政策变动、市政施工、主力店撤场，这三类是模型的天生盲区。一条街的客流可能全靠一家商场或者一个地铁口撑着，那家商场一改造，客流直接腰斩。所以签约前，去街道办问一句近期有没有施工计划，比跑十个模型都值。

反过来，有些看着不起眼的位置反而有机会。比如新开的社区底商，前期客流差，但入住率爬坡快，租约签五年的话，第三年开始的收益能覆盖前期的亏损。这种判断，模型给不了，得靠你对这个片区未来两年的判断。

方法就三步：先用AI跑出候选位置的客流基准值，再实地验证修正，最后用盈亏平衡点做取舍。三步走完，决策基本不会出大错。

把三到五个候选位置的位置特征整理成一张表，统一喂进模型或者自己做的回归表，得到每个位置的预估日客流和预估营业额。这一步的目的是排序，不是定数。

挑工作日和周末各一天，在早中晚三个时段各蹲半小时，数真实经过的人数，再看看周边店铺的上座率。蹲点的数据不用多精确，能验证模型的排序对不对就够了。行业里有个说法，模型算八成，实地补两成，这个比例我觉得挺准。

拿预估营业额减去房租、人工、原料、水电，剩下的数如果是负的，或者正得很少，就放弃。这一步没什么技术含量，但最容易被跳过。人一旦看中某个位置，就会本能地找理由说服自己。

下一步建议很简单：先别急着买工具。拿你手上已经有的三家同行的数据，做一张较为简单的对比表，把门头宽度、临街距离、竞品数量、租金占比列进去。这张表做出来，你对客流预测的理解会比看十篇文章都深。数据积累到十几家，再考虑上模型。