联商专栏：在零售经营中，选址可以说决定经营成败的主要因素之一，可见选址的重要性。但是在实际操作中，选址主要还依赖于经验判断和简单的市场调查。其选址的效率很低，成功难以保证。
其实，除了竞争性布点和战略性布点等特殊情况，大多数的选址主要考虑客群和客流信息，这也是经验判断与市调的主要目的。试想，如果能够完全的掌握区域消费者信息，包括个人身份特征（年龄、性别）、消费习惯和客群流动等，是否就可以很好的解决了这个问题了呢？
大数据可以很好的解决这个问题，如支付宝、微信等支付、社交平台可以收集到这些海量的数据信息。这些数据信息可以涵盖基本上大多数的主要客户群体，掌握他们的身份特征、生活习惯、消费习惯。再结合地图等位置工具，可以收集到客群流动信息。对这些数据集中进行分析，就可以刻画一个城市的消费热点图，为智能选址提供基础数据。
当然，智能选址除了大数据，还需要结合以往选址经验，做出选址条件模型。大数据的优点是数据量大，这样也必然会产生数据鱼龙混杂、可用信息和不可用信息混在一起的问题。因此，建立一个模型，从中抓取可有数据信息，就显得极为关键。
根据以往的选址经验，可以针对各种不同的零售业态建立相应的数据模型，即选址条件模型。如对于一个水果店，根据实体运营的经验和数据分析它的主要客群是什么样的、多少这样的客群可以支持开一家店，以及收入水平、年龄层次的影响修正，商圈范围修正，建立起水果店的选址条件模型，为水果店的职能选址搭建基础平台。
再者，智能选址可以提供一个区域内最佳选址数量和最优的选址定位，但在具体的落实阶段，还需要一个平台统筹。如店驰等选址软件，通过对线下实体店选址的支持，积累了丰富的选址支持经验，如提供选址汇总、审核支持、评估支持等。另外，选址平台积累大量的商户信息数据，可以为业态互补或者竞争提供参考。
因此，实现智能选址需要结合基于大数据的基础支持、基于经经验的选址条件模型和一个优秀的选址组织软件，在这三方的共同作用下，一定能实现选址工作的智能化。
实现智能化选址这三方是缺一不可的：如果少了大数据的基础支持，那只能是回到当前的人工选址形式；如果少了选址条件模型，大数据就显得空泛、没有针对性，产生的结果同样没有价值；如果没有协同平台，即使圈定了位置，后续工作也很难有序的展开。
另外，关于选址评估功能，即针对一个选定位置的评估，也需要结合大数据和选址条件模型。通过选址条件模型，对区域内的大数据信息进行智能比对，判断是否具备选址条件。
在智能化选址中，区域拓展选址应该是这样的：
第一步：根据以往的经验制定选址条件模型，包含辐射范围，客群的数量、质量要求和客群流向等条件设置；
第二步：将大数据导入到条件模型中，形成一个区域内选址数量、最优位置推荐等信息；
第三步：将这些智能推荐的最优位置导入选址品台软件，根据企业人力情况进行任务划分，并做好时间规划，在最优位置上进行选址。
这尤其对于一个成长型的、在一个新区域扩张的企业，作用更为明显。企业到一个新的区域，首先面临的是市场容量和布点的问题。现在的解决方案一般是以通过从第三方平台购买数据，并通过第三方公司或者公司自身进行先期市场调研为主，但最主要的依据还是人工的市场调研。
这种选址模式本身就存在很大的问题。除了需要时间长、效率低之外，真实性也比较低。这即包括人的惰性问题，还包括抽样调查、样本分析本身的不完全性。所以通过这种传统方式得出的结论，至少对比通过普遍数据分析得出的结论，真实性是比较低的。
当然，考虑到社会生活习惯的不同，区域间可能存在一定差异，以往的经验适用情况可能会出现偏差，这个就需要在扩展过程中根据实际效果不断的进行修正。
在具体实践中，还需要解决大数据平台、辅助平台和应用平台的协同问题。
在当前，大数据虽然已经开始为商业体的大型的需求提供服务，但是主要集中在高端领域，并未涉入占据零售市场绝大部分的商超、社区店、便利店和各种专业店的选址中。对于这些行业，个体对大数据成本的承受能力差，但是总量是庞大的。随着技术发展及应用广泛，成本的降低，在未来这一定是大数据应用的蓝海。
（本文是《零售大变局》系列连载，作者系联商专栏作者沧浪之水，仅代表作者个人观点，未完待续！）
延伸阅读：
- 该帖于 2018/11/8 14:10:00 被修改过