IBM零售垂直規(guī)模合資人陳果在伴侶圈轉(zhuǎn)發(fā)了一篇文章，題目叫《Artificial Intelligence in Retail》，報(bào)告的是人工智能在零售規(guī)模里的應(yīng)用。

個(gè)中的第一條就是門店選址的最優(yōu)化。因?yàn)閺墓胖两瘢€下店籌謀最先思量的因素就是店肆的位置。文章指出，回收人工智能的要領(lǐng)，團(tuán)結(jié)汗青銷售數(shù)據(jù)，人口經(jīng)濟(jì)數(shù)據(jù)，到競(jìng)爭(zhēng)者的間隔等數(shù)據(jù)可以把選址模子推到一個(gè)新的高度。作為在這一規(guī)模打拼多年的我，以為有須要對(duì)這一話題展開接頭。

AI在選址的應(yīng)用并不是一個(gè)偶爾，它是跟著技能的成長和行業(yè)人才的變革，在最近這一年溘然釀成了一個(gè)火熱的話題。

在美國，傳統(tǒng)用輿圖和數(shù)據(jù)做零售企業(yè)做選址和市場(chǎng)的人，大多是地理系結(jié)業(yè)的，他們有著富厚的地理信息系統(tǒng)軟件操縱本領(lǐng)和對(duì)地理模子的領(lǐng)略。選址的模子多數(shù)回收空間交互模子這一地理人最容易領(lǐng)略的模子。最經(jīng)典的構(gòu)成部門莫過于間隔衰減模子。

另外傳統(tǒng)的統(tǒng)計(jì)學(xué)領(lǐng)域的回歸模子和房地產(chǎn)從業(yè)者常用的近似模子，也是被市場(chǎng)合接管的。跟著連年來地理信息學(xué)科的教誨走向越發(fā)交錯(cuò)的規(guī)模，出格在商學(xué)院的市場(chǎng)營銷/財(cái)政運(yùn)營打點(diǎn)等學(xué)科里滲入，越來越多的非地理人進(jìn)入到這一規(guī)模。

他們有著根基的觀念，可是沒有許多地理信息系統(tǒng)軟件操縱的履歷。對(duì)他們而言，最抱負(fù)的工作就是在輿圖上點(diǎn)個(gè)點(diǎn)，然后系統(tǒng)匯報(bào)他們預(yù)測(cè)的功效就行了。其他那些巨大的操縱，對(duì)他們而言是沒有意義的。

在這種環(huán)境下，選址的軟件和模子，就需要足夠的智能。就在這個(gè)時(shí)候，人工智能，呆板進(jìn)修的觀念，溘然到了風(fēng)口，那么不難想象，在短短的時(shí)間里，各人都開始談?wù)撊绾文苡眠@些時(shí)髦的名詞和選址這個(gè)其實(shí)不那么時(shí)髦的工作團(tuán)結(jié)在一起。

在美國提到選址的地理數(shù)據(jù)闡明，預(yù)計(jì)大大都企業(yè)已不以為是什么新鮮事，那些深化到職業(yè)分層的人群數(shù)據(jù)，要拿得手也并不難。

然而，在中國，地理數(shù)據(jù)闡明卻一直處于瓶頸狀態(tài)。一方面是地理信息的獲取難度高。作為闡明建模的基本，沒有靠譜的數(shù)據(jù)，實(shí)屬巧婦之無米之炊。另一方面是建模的難度大。海量的初始數(shù)據(jù)存在準(zhǔn)確度問題，沒有相關(guān)的履歷，很難把大數(shù)據(jù)驅(qū)動(dòng)起來。機(jī)遇巧合，我們?cè)谥袊芤患沂艽死_多年的國際頂級(jí)零售商委托，吉隆坡服務(wù)器 大馬伺服器，創(chuàng)新的實(shí)踐了一次操作呆板進(jìn)修來選址的事情，所以對(duì)這個(gè)話題有著本身的看法。

對(duì)付零售企業(yè)，一切對(duì)地理數(shù)據(jù)的闡明，都要回歸到企業(yè)所要處事的“人”身上。而人的畫像應(yīng)該如何描畫？傳統(tǒng)零售企業(yè)的要領(lǐng)是靠問卷觀測(cè)，陌頭派發(fā)，有償答復(fù)。但這樣的方法導(dǎo)致的功效往往是：?jiǎn)柧淼臉颖救巳捍蠖嗍?ldquo;有閑而無錢”的人群。跟著互聯(lián)網(wǎng)數(shù)據(jù)越來越富厚，還需要完全依靠那樣傳統(tǒng)的問卷方法嗎？我們能奈何沖破排場(chǎng)？

昔人曰，物物以理相連。一個(gè)咖啡廳開在小區(qū)的周圍，一定因?yàn)檫@里的住民離不開他，他也依靠小區(qū)的住民保留和擴(kuò)大局限，這我們稱之為地物人之間“性感”的吸引力。應(yīng)用在選址上，我們想到的辦理方案是買通POI（信息點(diǎn)），用每個(gè)交通小區(qū)四周的店肆特征來猜測(cè)居住人群特征。

四周有幾多家咖啡廳？對(duì)應(yīng)著奈何消艱辛的人群？這些人群中有幾多是零售商的方針群體？如何把地物特征與人群特征接洽起來？

這些是我們方案設(shè)計(jì)重點(diǎn)耕種的事情。而這種闡明要領(lǐng)，是傳統(tǒng)地理信息系統(tǒng)所缺的。移動(dòng)互聯(lián)時(shí)代，網(wǎng)絡(luò)上生存的信息上千萬種，數(shù)據(jù)闡明的成長空間大大提高。囿于其闡明道理，傳統(tǒng)的模子只能插手少量的指標(biāo)。而我們利用呆板進(jìn)修曾經(jīng)同時(shí)闡明兩百多個(gè)指標(biāo)，完成多指標(biāo)和它們之間巨大干系的闡明，做到了傳統(tǒng)要領(lǐng)無法到達(dá)的工作，不只有量的提高，尚有質(zhì)的奔騰。

在輔佐這家大型零售商舉辦選址的進(jìn)程中，我們利用了呆板進(jìn)修預(yù)測(cè)模子，智慧的算法機(jī)制處理懲罰了十一個(gè)都市，數(shù)千萬POI地理位置數(shù)據(jù)。人口、交通、房?jī)r(jià)、消費(fèi)等等，在系統(tǒng)屏幕上一一閃現(xiàn)計(jì)較。

除了從大量數(shù)據(jù)中得呈現(xiàn)實(shí)環(huán)境的紀(jì)律，我們運(yùn)用隨機(jī)叢林模子還能舉辦未知數(shù)據(jù)的預(yù)測(cè)。通過早期大量數(shù)據(jù)的練習(xí)，我們找到了最優(yōu)“方程”（廣義觀念）。這樣便能基于已有數(shù)據(jù)（自變量），計(jì)較出零售商感樂趣的預(yù)測(cè)值，如客群局限、潛在銷量等。

我們首先從區(qū)域潛力評(píng)估入手，得出都市成長偏向的趨勢(shì)判定，在零售商給出優(yōu)勢(shì)區(qū)域里幾個(gè)選址方案后，我們?cè)偬峁┰敿?xì)店址評(píng)估陳訴幫助選址決定。顛末恒久的研究和模子練習(xí)，我們對(duì)地理數(shù)據(jù)的呆板進(jìn)修流程和自動(dòng)化方案有了深刻的體會(huì)，在闡明速度和精度上已到達(dá)行業(yè)內(nèi)頂尖程度。