对于线下实体门店来说，业务开展的第一步，除了做好品牌定位之外首先就是要选址去开店。作为实体零售竞争条件中入口级的核心要素，地址具有天然的空间壁垒，好位置能够为企业带来可观客流，大幅增高营业额，也是其一大竞争优势和无形资产。新零售也一直在强调全渠道，所以线下是一个必需的环节。哪怕把实体门店定位为体验中心，不考虑其销售压力，也需要谨慎选择，确保能够吸引到足够的目标核心顾客进店体验，才能最终实现品牌价值的精准高效传播。

本文首先将介绍大数据的作用，之后盘点一些采用大数据选址的成功案例，最后提供大数据选址解决方案，全面解析零售餐饮业如何使用大数据来帮助选址甚至以后的发展。

 

大数据为商家提供最敏锐的洞察

大家都知道选址的重要性，各家企业也有专业团队去负责渠道拓展选址开发的工作。可是依靠渠道部门开店，很多时候主要是依靠人为经验判断，即使经验丰富的老司机，在当前市场环境剧烈变化的局面下也难免会出现偏差，导致盲目选址，销售达不到预期所想，甚至造成经济损失。

国内某顶级大型制造企业开设自己的直营专卖店时，选择了一线城市核心商圈购物中心对面的一个店面，纵使只有一街之隔，自己的生意却门可罗雀，始终眼睁睁看着对面人流如织。另一个某世界500强企业在国内的零售门店，选择了一线城市的社区商圈，虽然客流还是不错，但是在经营了十多年之后运用大数据才发现自己门店的商品定位与商圈的顾客结构有很大偏差。这两个例子都充分说明了认为经验判断可能出现的局限与偏差。更何况在完全依靠人工拓展时还可能会出现很多其他因素干扰。

随着移动互联网时代的日益深化，数据信息愈发成为影响商业选址的关键因素，大数据已成为新时代的选址利器，并为商业选址提供更为科学的决策依据。位置信息 + 时间信息 + 舆情信息 +人物行为信息 + …… = 大数据的无限演绎，它能全面整合信息数据并为成为你的“千里眼”和“顺风耳”，不论商业选址、广告投放、营销活动还是线路优化设计，大数据都为我们提供最敏锐的洞察。

1.指定位置看人群

基于选定目标位置，通过大数据的技术，能够实现特定位置的人群信息的分析展现，即人群特征画像，为企业洞察潜在用户及市场预测分析提供依据，从而评估指定位置选址的可靠性。举例来说，作为全球最大的咖啡连锁店，近年来，星巴克的商业成功备受瞩目，而其选址成功率高背后的秘诀，正是大数据。通过优先对诸如商场、办公楼、高档住宅等汇聚人气聚集人流地段的数据分析，衡量目标地是否拥有大量与之匹配的消费人群，已成为星巴克成功选址的第一步。

2.指定人群选位置

基于不同商业企业目标客户的定位和特点，大数据能够帮助实现不同品类和品牌基于指定人群的商业选址分析，通过位置数据和行为等信息将针对目标人群进行筛选和精确定位，为企业“量身打造”最佳选址。如今，在商业广告的投放中也能见到大数据的身影，帮助企业达到营销效果并提高广告效应。

3.目标人群轨迹洞察最佳选址

基于位置数据、行为数据等相关数据信息，大数据能够对某一地区流入流出的人群行动轨迹进行洞察，对指定路线、区域的数据进行分析，了解客从何来，去往何处，并对特定消费载体实现路线追踪和人群流向洞察，为选址提供更为针对性的动态分析，确保选址的合理性。通过大数据的预测分析，不仅能够掌握各大商圈的客流量和轨迹，更重要的是提前发掘和预测下一个商圈中的“潜力股”，抢占市场先机！

典型案例

盒马鲜生的选址启示

阿里巴巴新零售的样板工程——盒马鲜生能获得如此大的成功，不光仅靠其独特的新型营销模式，同时也与精准定位选址密切相关。盒马鲜生一直以来都注重商圈的选择，以及客户的喜好、消费偏好等。正是利用了全域数据，根据其品牌设定的人群画像，比如消费者能力，习惯等，做了实时的潜客筛选，实现了精准定位，大大节约了时间和人力成本，投入与回报的成效都立竿见影。

 

具体来说，盒马鲜生会借鉴手淘和支付宝的用户数据，以社区型Shopping Mall为主。以上海外环以内为例，门店中心3公里半径范围内有30多万消费人口，盒马鲜生会通过大数据，了解目标客户的整体用户画像及线上购物活跃度，并希望Shopping Mall的停车位数量越多越好，以满足消费者停车需求。

周围3公里，应该最大限度的是目标消费者。盒马对于选址有自己的考量标准。综合来说，会事前对周边3公里范围的人群数量、质量，地产方的配合能力、物业特点等做整体考量，而不是单纯看重位置和流量。所以选址的时候，既会选择商超多的繁华之地，也会选择相对偏僻的地方。

据透露，盒马鲜生的选址是以周边支付宝的活跃用户数量以及用户购买力决定的，从一定程度上打破了固有商业选址模式。北京地区为盒马鲜生的重点发展区，发展力度较大。

 

星巴克的选址启示

开什么类型的餐厅同样要选对位置。星巴克为什么要开在商业中心或者写字楼？

在大多数餐企是靠模糊化的直觉来决策时，星巴克已经运用了数学家的功力：通过建模，把各项参数设计进一套决策模型，市调人员将相关数据输入，就能得到较为明确的决策建议。

对于国际快餐连锁店而言，他们能有足够的实力做到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——这些可以帮助他们在决定门店选址中节省大量的开支。

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。

用大数据测算结果跟实际地址对比一下。水滴标记是初算的地址，小圆点是第二、三步复算出的地址，大圆点是最终的建议选址。

在南京，Atlas已经开始运用在选址工作上了，星巴克当地代表使用这一平台定位一个门店，而这个门店选址位置步行可达范围内有几栋在建写字楼，然后他们建立了一个工作流程，开始准备新门店开业许可及法律程序方面的事宜。

这些区位数据还有一些其它意想不到的用途。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

解决方案盘点

阿里巴巴如何利用大数据智慧分析助力选址

大数据选址的概念对于国内企业并不陌生。但实际落地却并不简单，不仅要有数据，还要理解消费者，更要懂得线下商家的实际需求，对数据、技术、应用能力都有很高的门槛。

阿里巴巴正在利用覆盖线上线下的全域数据资源，让开店选址变得简单，高效和科学。阿里在全国有超14个亿的热点，是全球领先的全域数据服务商。能收集到超7个亿用户的全域数据，不仅仅是线上行为的数据，同时也包括了线下行为，例如线下购物通过支付宝支付留下的数据等。且拥有强大的数据计算和处理能力，以及深入垂直领域和业务场景的大数据产品体系。其次，这些数据包括了选址所必需的四个信息层面：顾客消费生活偏好需求等详细画像信息、顾客年龄性别等基础人口信息、商圈交通设施及竞争对手数量等信息、地理位置基本信息。通过这四个层面数据的贯穿打通，提供选址所需的多维度信息判断和分析。

从大数据的视角分析，每一个经纬度点位，都是由4层数据构成，从显而易见的直观信息，到需要借助数据技术和能力，去挖掘的隐含行为分析，层层深入。

由下到上的这四层数据中，通过传统手段能部分获得前三层的数据，只是成本高，效率低，数据源少。但是第四层面数据是最复杂的行为信息，也是最依赖大数据分析能力的。目前是无法通过其他渠道获得的，是大数据结合数据量、数据精度、机器计算和学习能力的核心产物。在人口信息中，我们一般更多的获得的是人口的"数量"，而他们有没有购买意向，会购买多少，未来趋势如何，这些则都是需要通过行为信息去挖掘的。阿里就是这样运用大数据在选址工作上，帮助零售门店高效精准地去判断门店店址的。

新零售的崛起使大数据助力开店选址成为了一项简单、精准、高效的工作，基本上摆脱了认为经验和其他因素带来的偏差误导。投入与回报的成效都立竿见影。选址开店作为实体零售的第一步，连接线上线下的全域数据避免了高额成本的无效浪费，保障了后续经营的有效顺畅。

腾讯云&TalkingData：＂智选＂智能商业选址产品

2018年5月25日，腾讯云联合国内领先的数据智能服务商TalkingData，在“2018 云+未来峰会”上正式对外公布了面向线下品牌商的数据智能产品——智选。这是一款将海量数据与机器学习有机整合，旨在解决实体门店的选址、商圈经营等场景问题，为智慧零售及多元化线下产业助力的数据智能产品。

“智选”依托于强大人本数据、地理信息数据和商业经济数据，结合经典模型和预测算法，从商圈区位洞察、潜客浓度探索、职住通勤研究，以及商圈配套与经济研究等多种角度，帮助企业在新消费环境下打破时空信息的不对称，高效量化推动基于位置商圈的经营决策，获得竞争先机。

“智选”致力于对选址中三大核心问题的解决：

从跟随友商式的“盲选”模式，向“优质区位优选”模式的演进；

从商圈宏观客流研究模式，向潜客深入挖掘的演进；

从研究汇报模式，向直抵根源的营业额预测方向演进；

结合经典选址模型实现的“一键区位推荐”，是“智选”的一大特色。综合考量全城市每个区块区位的客流和人口规模、意向客群浓度、区位商业浓度氛围、周边临近竞争形势，量化为模型评分，将原本需要几个月完成的工作秒级一键输出；推荐选址点精确至百米街道级别。打破过去被动评估模式，让品牌联营商在城市进驻时的门店覆盖战略，能够做到有的放矢。

 

除了提供便捷、高效的智能选址功能外，“智选”通过强大数据能力，全方位、深度分析意向商圈区域，对商圈客流坪效进行评定，涵盖客流、性别、年龄、职业、兴趣爱好、消费偏好、区域配套设施等全面维度；同时提供月份、周度、全日24小时的客流潮汐变化，帮助零售企业全面评估其意向客群在客流中的深度和占比。在量化数据的基础上，为选址的开、停、并、转研究场景提供决策支持。

 

此外，选址和客群研究的最终目标是门店业绩得到保障，解决选址点的销售预测问题是从根本解决的方法。“智选”通过在机器学习预测上的经验积累，将成熟的生产级预测评估模型整合在产品中，以“品牌-城市-训练”的方式，在线高效提供选址点的销售预测数据，为经营分析人员提供量化、准确的决策支持，极大提升以位置为核心的商圈经营策略成功率。

 

美团点评——“黄金眼”

大部分的餐厅企业仍然采取传统的选址方式，例如蹲点。采用蹲点的方式来统计人流数，不仅需要高昂的人力成本和时间成本，而且仅靠人工获取的数据量以及维度十分有限、统计到的人流数并不一定是潜在客户群体，直接导致供需评估难、回报预测难。正是在这样的背景下，美团点评开发了基于美团点评大数据的选址产品“黄金眼”。

黄金眼”由美团点评餐饮平台商业智能部研发，是专为餐饮企业推出的大数据选址工具。产品结合美团点评多年来积累的数据和资源，利用大数据技术对商业环境、消费趋势、用户画像、周边商户画像等方面进行详尽的分析，从而输出最佳选址点，同时，还将评估企业的销售额以及成本回收周期，为其提供重要的参考及借鉴。

随着城市化进程加快，餐饮行业面临着租金上涨、获客难等一系列难题，这使得餐饮企业越来越重视从选址开始的前期筹备工作。但尴尬的是，大部分的餐厅企业仍然采取传统的选址方式，例如蹲点。采用蹲点的方式来统计人流数，不仅需要高昂的人力成本和时间成本，而且仅靠人工获取的数据量以及维度十分有限、统计到的人流数并不一定是潜在客户群体，直接导致供需评估难、回报预测难。正是在这样的背景下，美团点评开发了基于美团点评大数据的选址产品“黄金眼”。

在谈到“黄金眼”与市面上其他选址工具的区别时，美团点评工作人员透露了一个数据：“经过前期调研和测试，我们发现‘黄金眼’的选址准确率高达85%。”这背后依靠的正是美团点评的独特资产——全面且精准的数据。首先，目前美团点评已拥有6亿用户，经过14年的数据的积累，不仅沉淀了详尽的“吃喝玩乐”的用户数据，而且还有商家、菜品、客流量、地理位置等整个餐饮行业的相关数据。其次，美团点评在海量数据的基础上经过挖掘和分析，可以为商家精准锁定用户，为其开设新店和快速扩张提供科学参考依据。

有餐饮相关人士表示，美团点评通过互联网技术创新，利用大数据资源实现精准的商家选址，不仅能帮助餐饮企业改善经营困境，也顺应了餐饮行业供给侧结构改革、降本增效的趋势，为盘活整个餐饮市场起到了推动作用。

据了解，目前“黄金眼”已在国内19个城市开通，具体为北京、上海、广州、深圳、成都、重庆、武汉、苏州、杭州、天津、东莞、南京、青岛、佛山、长沙、大连、济南、厦门、烟台。同时，产品将提供量身定制、在线租用以及使用接口三种合作模式，以适应大型连锁餐饮企业、小餐饮商家以及第三方咨询公司等不同的需求。

美团点评创始人王兴曾表示，互联网下半场需要深入结合各行各业，把“互联网+”落实到实处。“黄金眼”产品只是美团点评深入传统行业全产业链、用技术赋能传统行业的成果之一。未来，美团点评将通过“营销赋能、IT赋能、金融赋能、经营赋能”等为商家提供更智能、更全面的服务，助力千万餐饮商家拥抱变化、实现新发展。

 

小满信息——指址，大数据智能选址平台

小业态实体在开店选址时，其实面对着很多问题：

进入一个新城市时，该城市的商业容量是多大？

人流在哪里？人的周边有什么？

最合适我的品牌定位的地块在哪里？

如何透视线下选店的盲点？

如何快速抢占黄金店铺？

场内场外数据如何来改善品类结构？

 ……

指址通过网点规划，并结合不同业态的市场环境，帮助如连锁便利店、生鲜店、药店等，快速在一个城市中占领制高点，为用户打造一站式选址平台。

1 城市数据指标透视

“指址”作为智能可视化工具，其“指标透视”功能可以帮助用户快速了解一个城市，通过人口、经济、竞争对手等信息，判断该城市是否适合进行市场拓张。

2 布局

“布局”功能分为三个模式，分别针对三类用户：

（1）“智能向导”：深度分析全城任一成功店址及其周边消费者数据，实现同城迅速布局，适合尚未开店或店面数量不多的用户品牌；

（2）“对标模式”：系统学习本行业知名头部企业成功开店位置，结合用户个性化指标，实现大规模开店布局，适合进入新城市的探路型品牌；

（3）“专家模式”：指址提供了十余个专业维度，供用户筛选心仪铺位，适合有成熟选址标准的老司机品牌。

 

选址案例：布局（对标模式）

“指址”会提取一个城市的中，该用户所在业态6至10家头部企业，模拟竞品分析流程，并结合用户开店偏好，通过精确的内部模型为用户测算出最适合开店的地块。

3 多端设备，精彩展示

“指址”并不完全脱离线下选址场景，而是将现实场景合理线上化。

当用户在web端进行选址研究后，可及时将信息传输给店铺拓展人员。店铺拓展人员以此为依据，寻找店铺，并考察周边信息。当寻找到合适铺位后，又可及时回传铺位信息，与web端同步更新。我们不仅帮助用户节省了人力、时间成本，还规避了人工搜铺时信息不对等导致盲目开店的风险。

4 抢铺

无论是新零售，还是传统零售，一个好位置是竞争环境中的核心要素。

好位置能够为门店带来可观客流，并大幅增高营业额。“指址”的抢铺功能，直接带领用户聚焦到黄金旺铺。用户无需亲临现场，便可透视待选铺位周边信息，一目了然的瞭望到你的竞争对手在哪里，你的店铺周边有哪些有利业态，哪些不利业态，等等。

当面临多个铺位作为备选时，”指址“帮助用户一键生成铺位对比报告，作为最终决策的依据。

5 机器人跑路

机器人跑路为“指址”独有的创新功能。不仅为用户提供数据支持和决策分析，更代替人工测算，根据真实地理信息，即刻生成店铺三分钟、五分钟辐射范围。不取代人工，但是做到了比人工更精确。

店驰：基于店铺发展适配位置

店驰成立于2016年8月，致力于利用大数据为小门店大连锁客户提供智能选址的解决方案。店驰的一大亮点在于将拓店流程做了类标准化的处理，对于一线拓店人员，不再是泛泛搜寻，而将之量化和任务化，通过对基盘做信息采集，变传统选址为主动挖店。

店驰背后的逻辑不再是基于现有情况去发现可能的店铺，而是从企业本身出发，去规划适合该业态的地理商圈，再将城市进行网格划分、在每一个网格布点、再基于每一个布点基盘去搜集信息，哪些位置最适合开店？现在这些位置是否有适合的空间？哪些空间需要保持关注，一旦空出马上跟进？这些都是基于店铺发展适配位置，而不再是基于地理位置去将就店铺。

 

具体到产品来说，流程大致是先进行商圈规划、建立基盘库，再根据内外部数据确定目标店铺，然后基于基础信息进行店址初评，再基于固定客源、客流统计进行日商预估和盈亏预测，最后产出一份评估报告，有效状态的店铺进入到最终阶段的考察和租赁签订。

 

一般来说，目前业内开店不成功率在 20% 到 30%，也就是接近三分之一概率会使得投资回报周期、开业销售额等远低于目标，造成极大成本亏损。

 

店驰的优势除了产品本身的逻辑设计外，对于云端任务的处理和发放以及智能选址报告评估上也有数据优势。目前其数据源除了几家第三方数据提供商外（提供周边房价、周边住户、周边同行客单价、周边用户画像等等），还有若干家独家数据合作伙伴。这种数据来源将会是其壁垒之一。

友盟：全域大数据

大数据之上，友盟提出了全域数据、数据智能的概念，并将其应用到了新零售领域。以连接线上线下数据为基础，以新零售为切入点，帮助零售企业实现创新的“基于位置+品类圈选用户”的商业选址。

利用覆盖线上线下的全域数据资源，让开店选址变得简单、高效和科学。每天覆盖全网7亿真实活跃消费者，为超过145万款应用以及700万家网站提供全域数据服务；且拥有强大的数据计算和ID Mapping打通能力，以及深入垂直领域和业务场景的大数据产品体系。其次，这些数据包括了选址所必需的四个信息层面：顾客消费生活偏好需求等详细画像信息，顾客年龄性别等基础人口信息，商圈交通设施及竞争对手数量等信息，地理位置基本信息。通过这四个层面数据的贯穿打通，提供选址所需的多维度信息判断和分析。

 

从大数据的视角分析，每一个经纬度点位，都是由四层数据构成，从显而易见的直观信息，到需要借助数据技术和能力，去挖掘的隐含行为分析，层层深入。

 

由下到上的这四层数据中，通过传统手段能部分获得前三层的数据，只是成本高，效率低，数据源少。但是第四层面数据是最复杂的行为信息，也是最依赖大数据分析能力的。目前是无法通过其他渠道获得的，是大数据结合数据量、数据精度、机器计算和学习能力的核心产物。在人口信息中，我们一般更多的获得的是人口的"数量"，而他们有没有购买意向，会购买多少，未来趋势如何，这些则都是需要通过行为信息去挖掘的。这样运用大数据在选址工作上，帮助零售门店高效精准地去判断门店店址的。

 

商圈选址作为实体零售的第一步，连接线上线下的全域数据避免了高额成本的无效浪费，保障了后续经营的有效顺畅。

辰智大数据选址战略

辰智大数据从2010年成立到现在已经有7年时间，目前公司的主要服务是以商圈秀作为数据聚合平台，提供选址应用。企业服务的内容包括企业选址、餐饮相关数据提供、商场数据分析、市场洞察。基于选址应用，商圈秀平台上有一千多个品牌。除了选址之外，辰智大数据重点落地的是餐饮行业的从选址到门店开业之后的经营分析等相关数据应用。将餐饮大数据应用作为企业的独立服务模块，也是现在非常重要的服务模块。

辰智大数据搜集商场客流、客户数据来源分析，做了一款基于商场的辰数之客这款产品，它主要针对商场以及商场内的商家产生应用，今年的计划目标是完成一千家商场的布局。不管是选址、餐厅数据分析还是商场的数据分析，其底层都是辰智大数据有一个市场洞察的团队，去解读分析各种各样的数据，结合企业内部的业务，去做更好的落地服务。基于这种服务，辰智大数据目前以上海总部为中心，在北京、广州、深圳、武汉、沈阳等地都构建了服务团队。经过7年的沉淀，在餐饮服务有成功案例：

案例一：老盛昌

在餐饮选址方面的案例如老盛昌在上海原来是80多家店，首先老盛昌将一些经营数据给辰智大数据，辰智大数据用其经营数据对商圈里门店的数据进行匹配，帮他们构建起一个模型，分析出来哪些店经营得好是由于周边商圈有哪些特征能满足企业的经营需求，哪些店经营得不好是由于商圈有哪些缺陷，所以导致其经营得不好，这样在上海找出了一千个可以支持其业绩比较稳定额度的机会点。老盛昌在开新店时，只需要针对辰智大数据提供的地理位置机会点去寻找物业，其他地方就不用瞎跑了，所以其效率提高了。

在这样的基础上，中介公司每次提供一个位置时，公司三秒钟就能找出基于这个位置的物业分析报告，可以很快判断这个地方有没有达到企业的基础开店标准，如何没有达到就不用去现场看，这样节省了非常多外勤时间和成本。其各个部门之间的协同。原来是财务、选址等各个部门所得到的数据都不相同，现在则是每一个工作人员都可以从系统调出一模一样的数据。一个店从选址、考核、评估阶段具有一份一模一样的数据出身证。过去一年的店面没有关张的，而且业绩都排在了门店前列。

案例二：联合利华

除了餐饮企业在用辰智大数据餐饮秀的数据之外，很多企业的前厅、后厨和一些服务商也对辰智大数据的数据非常感兴趣。

联合利华在推出其调味品和基于调味品的饮食策划方案时也使了智辰大数据，根据食客的口味趋势、需求、就餐品类的发展趋势，帮其规划其市场应该在哪些领域、区域做更多投入，降低一些不必要的广告营销成本。

联合利华做调味品输出时经常以输出菜品为单位寻找解决方案，辰智大数据在其菜品数据库帮其找到了很多调味品的研发灵感，将餐饮行业的大数据理解成食客、餐厅、菜品三方面，联合利华以菜品作为重要突破口。这些前厅和后厨的供应商在考虑选择什么类型的餐厅作为其重点服务对象时，辰智大数据基于餐厅可以输出非常精准的基于何种类型、菜系、品牌经营业绩在城市中的排名等渠道的精耕，去帮助餐厅的前厅后厨服务商找到可以去做市场拓展的优质门店。

 

结语

有了大数据，我们就犹如将军俯视沙盘，将城市的战略高地和价值洼地一览无遗，运筹帷幄，决胜千里；亦如福尔摩斯，洞悉细节，精准推算表象背后的事实“真相”。新时代下，大数据将以其全面性、高效性、精准性等优势，帮助企业实现智慧选址，打造商业和品牌优势。

新零售的崛起，使大数据助力开店选址成为了一项简单、精准、高效的工作，基本上摆脱了认为经验和其他因素带来的偏差误导。现在已有越来越多的零售企业都开始选用大数据来精确选址，相信未来会有更多的零售餐饮公司去选择这种高效，精准的大数据选址方式。同时也相信这样的方式一定会为行业带来一些高效率的提升和革命性的帮助。