数说故事×香港城大：用机器学习破解零售选址难题

在当今复杂多变的零售市场中，精准定位到理想门店点位是成功立足市场的关键一步。然而，面对海量的潜在选址，零售企业常常陷入两难境地：一方面，获取每个潜在店铺的详细信息（如店铺面积、租金等）需要耗费大量的人力和物力；另一方面，掌握这类信息，后续评估往往倚仗专家判断，具有较大的主观性。

当企业面临分布在多个城市的候选位置选择，且缺乏店铺级特征时，如何识别表现最佳的位置？

当零售选址遇上AI，带来了新的曙光。近日，香港城市大学与数说故事合著的论文《Retail store location screening: A machine learning-based approach》被全球最大的科学、技术和医学全文电子资源数据库——Science Direct收录。

现有研究多关注店铺选址的“搜索”和“微观”阶段，而对“筛选”阶段的研究较少。此次联合研究聚焦于这一被忽视的阶段，通过借助腾讯、百度等多平台的 API 接口，采集城市经济、竞争对手态势、POI 数据，以及周边目标群体指数（TGIs）这类公开大数据，并基于数说故事沉淀多年的NLP算法和研发技术，以及香港城市大学的前沿学术理论和研究方法，提出一种基于机器学习的「零售店铺选址模型」。借此，零售品牌能够以数据驱动的洞察替代经验式臆断，在选址前期筛汰低潜力区位，将资源精准投放到有望催生高绩效店铺的地理节点，实现成本效益的最优权衡与商业版图的稳健扩张。

01

聚焦“筛选”阶段

大数据与机器学习

深度融合的算法模型

零售商的选址策略通常涉及三个阶段的决策，第一阶段是选择地理区域，如国家、地区或特定城市，随后选择商圈，最终在选定区域内确定具体店铺位置。然而，在我们的模型中，城市选择和具体店铺位置的选择是同时进行的。通过基于预测销售额对多个城市的最佳店铺位置进行排名，机器学习模型提供了一个全面的潜在地点视图，而不局限于单一城市。

本研究证明，借助大数据技术，企业可迅速抓取公开数据用于建模训练。伴随大数据科技的持续演进，愈发丰富的消费者信息，如 TGI 数据，得以融入模型之中，促使模型输出更符合现实，也更具客观性，为选址决策注入科学、精准的新活力。

◎图源于论文中的用户画像特征

02

源于商业实践

AI助力零售品牌精准选址