从星巴克开始说起
星巴克，诞生于美国西雅图，靠咖啡豆起家。没有铺天盖地的广告，却形成了家喻户晓的品牌文化;产品相对单一，却拥有千姿百态的客户群体;不乏竞争者，却能将领土扩张到世界各地。
这样不科学的发展速度，在让人瞩目的同时，也让人想问：为什么?
答案之一也许是：星巴克从未放弃利用最新的技术完善自己。
星巴克在1999年进入中国大陆，在北京国贸开了中国大陆的第一家门店，从此中国大陆就成为了星巴克无法割舍的庞大市场。
2013 星巴克全球关店900家，新开1500家，其中，317家开在中国
2014 星巴克中国新开门店约400家
2015 星巴克中国新开门店约500家
2019 星巴克中国门店拟将达到3400家
而开过店的人都知道，开一家店至少要从十个备选店面中选择最优的，也就是说假设星巴克开设3400家店面，就要至少考察34000家店面，才能实现最终的目标。
中国的确是一个爱吃也会吃的国家，因此餐饮企业都想在中国市场上分一杯羹，在中国市场上，没有什么比做餐饮更简单的事，也没有什么比做餐饮更难的事。
面对中国这一个人生地不熟的新鲜土地，面对中国人这一自古品茶论道的客户群体，作为咖啡馆的星巴克是怎样完成这样的壮举的呢?
星巴克公司的IT部门始终致力于一个目标——为客户提供世界级的商业智能和信息产品。 无论是咖啡还是IT，客户始终是其服务的中心。作为一家已经在全世界范围内拥有20,000家咖啡店的公司，顺利扩张的奥秘在于：分布在15个国家的超过700名星巴克员工，使用基于Esri地图软件的市场规划和商业智能解决方案寻找新的位置。
不要以为借助科技来完成新店的选址，只是“赶时髦”的行为。对于星巴克这样的大型连锁店而言，这意味着实打实的节约成本。试想如果省去了人工调研的环节，而是在某个平台上直接对比各种各样的数据，了解车流量、消费群体分布、安全信息、商业构成以及其它相关信息，是不是就能有效地削减开支与提高效率呢?
星巴克全球市场计划经理帕特里克·欧·汉根在美国圣地亚哥举办的Esri用户大会上告诉参会者，星巴克现在使用一个叫作Atlas的内部绘图和商务智能平台，来决定在哪开设新门店。Atlas的使用遍及全世界;星巴克如果要在中国开设新门店，欧·汉根的团队就会使用这一平台，让当地的合作伙伴评估附近的零售商圈、公共交通站以及小区的人口分布图。
这些区位数据还有一些其它意想不到的用途。举例而言，星巴克的数据分析方法不仅仅对于门店选址有利,他们还会利用当地智能手机的用户数量，决定在美国南方州市的哪一区域进行手机应用优惠推广。再比如，星巴克还会因为各地气温的差异来调整星冰乐产品的数量。
它们也爱GIS
麦当劳
麦当劳将位置智能视为一种无处不在的服务，并将所有部门的地图需求整合到统一平台上，包括品牌营销、经营模式、商业运营等部门。借助地理大数据和空间分析等能力，辅助麦当劳实现智慧选址，减少了基础数据采集的工作量，分析结果也可直观呈现。帮助门店伙伴实现业绩提升，帮助领导层直观快速了解业务全貌，掌握业务未来的发展方向。
Wendy’s
Wendy's是全美第三大的快餐连锁集团，使用Esri提供的地图软件和地图服务帮助其进行选址，使用 两年后，就帮助Wendy's节省了约75万美元，这笔费用原本计划用于市场探索和分析。此外，Wendy's还用Esri软件来了解各地的工资需求和可用人力情况，地图可视化客户投诉分布信息，跟踪不同区域的销售情况。
GIS能为餐饮业做什么?
比如精准选址
比如查看备选门店街景图
结合各种因素分析，比如交通
比如寻找商业相似区
统计以麦当劳、肯德基门店为中心一定范围内的人群、店铺、竞品、住宅等因素，将这些影响店铺盈利水平的因素量化，并以空间为维度将他们以地图的形式呈现出来。用不同的颜色、热度等地理可视化手段将他们渲染，在全市、全省甚至全国范围内去寻找类似的区块。
找到这样的区块之后，再详细分析、对比它们与成功店铺周围的盈利因素吻合度，这个值越高，那么证明这个地方越适合开店，开店后盈利的可能性越大。这样的方式被实践证明十分有效，能够极大地保障加盟店盈利水平，为特许经营类企业开店提供了非常准确的参考依据，如下图所示：
比如查看某个范围内的全部餐饮相关数据
比如寻找特定的客户群体
从商业智能到地理信息
商业智能是英文单词Business Intelligence的翻译，缩写为BI。商业智能的概念最早是在1996年提出来的。当时，将商业智能定义为一类由数据仓库、查询报表、数据分析、数据挖掘、数据备份和恢复等部分组成的、以帮助企业决策为目的技术及其应用。目前，商业智能通常被理解为将企业中现有的数据转化为知识，帮助企业做出明智的业务经营决策的工具。
这里所谈的数据包括来自企业业务系统的订单、库存、交易账目、客户和供应商等，和来自企业所处行业和竞争对手的数据，以及来自企业所处的其他外部环境中的各种数据，而商业智能能够辅助的业务经营决策既可以是操作层的，也可以是战术层和战略层的决策。为了将数据转化为知识，需要利用数据仓库、联机分析处理(OLAP)工具和数据挖掘等技术。
其实，从技术层面上讲，商业智能不是什么新技术，它只是数据仓库、OLAP和数据挖掘等技术的综合运用。从行业发展来看，商业智能作为业务驱动的决策支持系统，其发展是以较为完善企业的信息系统和稳定的业务系统为基础的，商业智能的应用与企业和行业内信息化的基础状况密切相关。
当前，尽管商业智能已经在许多企业得到广泛应用，但是商业智能应用依然存在一个比较突出问题，那就是大量的数据仓库中的非结构数据含有地理信息，也就是带有“地域性”或“区域性”特征，而许多商业智能系统并不能很有效的处理这些带有位置属性的信息。这种“地域性”或“区域性”特征往往会成为影响企业管理提升，效益增加的十分重要的“价值因素”。
例如：确定邮件寄往不同邮区，该如何选择最佳送货路线?根据不同区域的居民数量，客户流量、发展趋势，该如何选择新店开发地址?根据不同商业区域，客户流量，商品类型等该如何布局?
许多成功应用的案例表明，在运用商业智能进行数据挖掘的过程中，往往必须要考虑地理信息因素。把智能分析工具和GIS工具整合起来处理数据，常常会产生增值效益。因此，实践中一些用户还把GIS与主流的事务处理应用软件和数据库集成起来、把复杂的位置数据添加到商业智能分析工具中，加以整合利用，甚至把场地模型影响店址选择的多因素分析和非结构化空间信息库的资源利用紧密结合起来。其实，上述这些应用正是地理营销系统的基本功能，一个好的地理营销系统可以实现更多的功能，可以使商业决策系统更加智能和精准。
