中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

編輯導(dǎo)讀：想開一個賺錢多的便利店，選址很重要！那么，應(yīng)該如何確認(rèn)開店的位置呢？本文從機器學(xué)習(xí)的角度，分析便利店應(yīng)該怎么選址，希望對你有幫助。

蘿卜同學(xué)最近做了一個夢，話說自己開了家便利店，賺了好多錢，然后抱著一堆錢笑醒了，然鵝，發(fā)現(xiàn)是個夢。

第二天，見了煎蛋，就對他說，我想開個便利店，你說我要怎么做呢？煎蛋頓時來勁了，發(fā)揮自己的專長，巴拉巴拉說了一大堆專業(yè)建議。

蘿卜一臉黑線，請說人話，我先做啥呢？煎蛋說，那當(dāng)然是先選址啊。煎蛋接著說，那我給你講講選址要考慮的事情。

借煎蛋的話題我們來說說選址的事。

如果你和蘿卜同學(xué)有同樣的想法，想開家便利店，如何才能選擇一個好的物業(yè)呢？

在這兒我借之前的一個項目經(jīng)歷，來分享下開店背后的業(yè)務(wù)邏輯和決策，以及如何通過數(shù)據(jù)，算法來做出合理的決策和解釋。

一、業(yè)務(wù)背后的事

L公司，開店多年，積累了一筆巨款，發(fā)現(xiàn)了開便利店是個新機會，就打算投資迅速擴張，希望通過多年開店經(jīng)驗的積累，快速搶占市場。但是，在開荒的過程中發(fā)現(xiàn)個問題，用之前的開店流程，效率太低，沒法達(dá)到預(yù)定目標(biāo)，能不能利用大數(shù)據(jù)和人工智能來輔助選址，提升選址效率呢？

下面我們來做下分析。

首先我們先簡單解釋下便利店背后的商業(yè)邏輯。

便利店的核心在便利，就是要離用戶近，不管是開在社區(qū)也好、辦公CBD區(qū)，還是大客流如高鐵、機場等地區(qū)，位置一定離人流足夠近，讓用戶方便看到你，甚至看到你賣的部分東西，來觸發(fā)他的購買欲望，提升進(jìn)店消費概率。

除了位置外，賣的商品也一定是高頻消費，比如零食、早餐、口香糖等，不能賣空調(diào)、冰箱。由于快消品的凈利低，經(jīng)營成本固定，想要獲利，就需要足夠的人流來消費，提升銷售額，那么位置對于便利店就顯得更尤為重要了。如果不考慮其它因素，單從位置便利和銷售額的相關(guān)性上分析，位置便利性和銷售的相關(guān)系數(shù)的總體分布會0.7-0.9?；谶@樣的邏輯，我們再來看選址這件事。

二、傳統(tǒng)的選址

傳統(tǒng)選址主要從哪些維度來評估便利呢？主要考慮以下幾個核心的維度。

• 位置屬性：所選物業(yè)位置屬性，是社區(qū)、CBD,還是商圈，所在圈子的成熟度如何、距離市中心的距離等。
• 客流：所選物業(yè)周邊3公里范圍內(nèi)的客流量及畫像。
• POI：也叫聚客點，所選物業(yè)周邊3公里范圍內(nèi)的大客流店，如餐館、大型商超、醫(yī)院、學(xué)校、交通樞紐等。
• 物業(yè)概況：所選物業(yè)的基礎(chǔ)信息、可到達(dá)性、輻射用戶數(shù)、競對店等。如物業(yè)面積、層高、店招高度、門寬、門前遮擋物、門前階數(shù)、到主干道的距離、到公交的距離等。

以上維度通過所選物業(yè)內(nèi)外兩部分因素來評估便利性，考慮的維度已經(jīng)比較全面了，但是在評估時，主要通過打分卡的形式，進(jìn)行打分評估，相對比較分散，沒法和銷售額做關(guān)聯(lián)分析。在決策時，決策團隊只能靠著主觀意義上的打分，來做出解釋性不強的決定。

還有個問題，那就是在數(shù)據(jù)收集時，所有的數(shù)據(jù)收集都是要通過人為收集，收集效率低，精準(zhǔn)度不高、而且收集成本還比較高。這些都是傳統(tǒng)選址方法上存在的問題，也是比較難解決的。那通過AI怎么選址，可以完全解決傳統(tǒng)存在的問題嘛？

三、智能選址

答案是不能，AI不是萬能的，機器學(xué)習(xí)是基于數(shù)據(jù)基礎(chǔ)上的統(tǒng)計分析和預(yù)測。如果沒有數(shù)據(jù)，那AI就是空談。所以先要從數(shù)據(jù)入手，看看哪些是可以獲取的，哪些是沒法獲取但可以通過人為收集的，然后再評估哪些問題可以通過AI解決，怎么解決。

具體數(shù)據(jù)分析和獲取的途徑此略過。最終的結(jié)論是，圍繞銷量的客流量、畫像、行為、POI、競對等數(shù)據(jù)可以通過歷史沉淀和外部合作可以獲得，而所選物業(yè)的基本概況這些信息，需要通過人工進(jìn)行收集。

基于這樣的分析，AI可以在選址上解決一大部分問題，剩下的小部分問題需要靠人主觀經(jīng)驗去解決。那具體如何去分配，我們下面分析下基于量化模型和專家卡模型的解決方案，是如何協(xié)同解決問題的。

四、量化模型

希望通過量化模型，圍繞銷售額為目標(biāo)變量建立與客流量、客流畫像、競品數(shù)、POI、物業(yè)面積、訂單建立數(shù)據(jù)模型，來解釋這些因素間的關(guān)聯(lián)關(guān)系。

下面重點說一下樣本選擇、特征工程、模型構(gòu)建上的一些事情，描述下量化模型搭建的過程。

樣本選擇：我們抽取了運營一年的便利店作為樣本，過濾掉日均銷售額低于1000的樣本，圍繞此樣本來構(gòu)建數(shù)據(jù)集。為什么會選擇1000，因為這個對于業(yè)務(wù)來講，是基本的門檻，是經(jīng)過綜合評估后，日銷達(dá)到這個指標(biāo)才能有可能繼續(xù)運營下去。

特征工程：對每個維度進(jìn)行分類、分段、時間滑窗等方式做衍生變量，來尋找更貼近業(yè)務(wù)目標(biāo)的特征。

比如對于客流量，我們分析了日均人流、工作人口、常駐人口、7:00-9:00人流、12:00-14:00人流，6:00-8:00人流，停留小于30分鐘人流、停留30-60分鐘人流、停留1小時以后人流、進(jìn)店人流等；同樣其它維度的數(shù)據(jù)也做了衍生，并進(jìn)行綜合分析，最終確定了100多個特征，構(gòu)建了模型。

模型構(gòu)建：最終構(gòu)建的模型是預(yù)測模型和分類模型結(jié)合的綜合評估模型，主要是考慮到，對于業(yè)務(wù)方來講，如果我們輸出一個銷量預(yù)測，比如日銷、月銷、年銷在決策上給的建議有限，選址團隊最終想要的是決定性意見，就是適不適合開店。

那么標(biāo)準(zhǔn)是什么呢，就是給出不同類型的店日坪效，通過坪效標(biāo)準(zhǔn)來作為輔助決策的依據(jù)。

所以在預(yù)測模型基礎(chǔ)上結(jié)合坪效構(gòu)建了分類模型，通過兩個模型的融合，最終輸出可解釋的選址建議：推薦選擇 ；建議選擇 ；慎重選擇。

五、專家卡模型

希望通過專家卡模型，結(jié)合之前選址評估時用到的維度，通過人工經(jīng)驗，給出所選物業(yè)主觀打分。下面就抽樣、指標(biāo)設(shè)計、分值設(shè)計上來簡單說下模型的搭建。

樣本選擇：使用量化模型經(jīng)過規(guī)則加工過濾后的便利店做為樣本，并抽取開店決策時各維度的統(tǒng)計數(shù)據(jù)，完成樣本數(shù)據(jù)整合。

指標(biāo)設(shè)計：由業(yè)務(wù)對樣本的維度、指標(biāo)、枚舉值進(jìn)行細(xì)化梳理，匯總出專家卡評估模型。比如對于基礎(chǔ)信息維度的指標(biāo)，通過細(xì)化為：使用面積；店招高度；實際門寬；門前遮擋物；看到店招距離；內(nèi)部結(jié)構(gòu)等。然后再對使用面積進(jìn)行指標(biāo)細(xì)化，如100㎡，90-100㎡ ，小于90㎡等。目的就是通過逐步拆解，將一個復(fù)雜的維度拆分到不能拆分的程度，使解釋性更強。

權(quán)重及分值：通過模型對各維度的數(shù)據(jù)相關(guān)性及權(quán)重計算。比如對于所選物業(yè)性質(zhì)，如果是社區(qū)的話，那么我們計算出的權(quán)重系數(shù)是：入住率85%：0.85；60-85%：0.67；30%-60% ：0.58。通過各細(xì)項的打分，獲得一個總體分?jǐn)?shù)再乘權(quán)重系統(tǒng)，獲得這個物業(yè)最終的分值。

六、初期協(xié)同，最終融合

這里提到兩個模型，那最終是不是還需要決策人員自己去綜合評估呢？一開始是這樣的，后面其實我們會考慮把專家卡模型和量化模型做融合，最終輸出一個綜合性的評分意見給到業(yè)務(wù)方，這樣更方便選擇決策了。具體怎么融合，需要結(jié)合業(yè)務(wù)綜合考慮，是需要逐步探索的，但一定是值得去做實驗研究的。

回到一開始的問題，機器學(xué)習(xí)帶給選址業(yè)務(wù)上的幫助是什么？

首先，從效率上，縮短了信息從收集、分析、決策的過程，傳統(tǒng)的做法可能需要一周的時間，而使用機器學(xué)習(xí)后，最多需要一天。

其次，從可解釋性上，為選址提供了更精準(zhǔn)的數(shù)據(jù)解釋。比如模型的分類準(zhǔn)確率達(dá)到85.3%時，那其實代表對于未來85.3%的備選物業(yè)，我能夠提供精準(zhǔn)的數(shù)據(jù)關(guān)聯(lián)關(guān)系解釋，并且模型給出的結(jié)果是符合業(yè)務(wù)對于坪效、銷售額預(yù)期的。那需要承擔(dān)的風(fēng)險是多少呢？就是1-85.3%，而對于傳統(tǒng)的模式下，這種風(fēng)險和成功預(yù)期是沒辦法做到精準(zhǔn)解釋的。

再次，可解釋，可衡量，那就代表了另一件事，就是提升。通過解釋性讓我們知道可以通過數(shù)據(jù)沉淀，模型沉淀，逐步提高我們的預(yù)期，降低我們承擔(dān)的風(fēng)險。而傳統(tǒng)的做法，這種積累會沉淀到某一個人身上，人會流動，會帶來不穩(wěn)定的風(fēng)險，可能是會增加企業(yè)的風(fēng)險。

綜上，機器學(xué)習(xí)能夠帶給選址團隊的價值不僅是在效率上的提升，還能提供精準(zhǔn)的決策解釋依據(jù)，降低選址風(fēng)險。

如果你想開個賺錢的便利店，可以考慮選址相關(guān)的AI產(chǎn)品，而不用自己在開店前，先把自己變成半個選址專家，最后還選到了一個自己心里都沒譜的物業(yè)，在還沒開始賺錢就已經(jīng)把自己搞到精辟力盡。試試新的思路，說不定能幫你賺個盆忙缽滿呢！

本文由 @ 不瘋魔 原創(chuàng)發(fā)布于人人都是產(chǎn)品經(jīng)理。未經(jīng)許可，禁止轉(zhuǎn)載

題圖來自Unsplash，基于CC0協(xié)議