极海助力麦当劳，驾驭智能选址新科技
2018年6月15日，极海于WGDC“空间大数据-人工智能峰会”，震撼发布了与IBM、麦当劳、中规院等各领域国内外知名企业的合作成果，再次领航中国智能决策科技。
在零售领域，极海以智能地图辅助决策，将自主创新的“自然街区”、“等时圈”等产品首次用于麦当劳选址等商业实践，并形成一套针对零售连锁企业选址问题的智能地图解决方案。
以下为WGDC“零售行业的智能地图实践”演讲实录
大家上午好，我是来自极海的何宇兵。今天，我跟大家分享的是极海在零售行业的一些实践。
我们知道这两年新零售的概念非常火，并带来了一些新的商业模式。比如，像盒马鲜生、网易严选、京东便利店这些电商巨头纷纷转战线下，去服务实体零售店；与此同时，实体零售企业也在探索新的线下门店业态，比如说永辉的超级物种。
对于麦当劳来说，他们也是很看中线下渠道的，认为线下门店是非常好的入口。
2017年麦当劳（中国）被收购之后，就发布了一个2022年的远景计划：预计到2022年，麦当劳（中国）门店数将从2017年的2500家增加到4500家，也就是说要在五年之内开2000家的新门店，这是一个什么样的概念，我们来看一看。
这个是麦当劳（中国）在过去三十年的门店发展历程。1990年麦当劳的第一家门店在深圳开业，到2017年总共开了2500家。也就是说，在过去的27年里，麦当劳（中国）平均一年只开了100家门店不到的样子。而计划未来五年开2000家店，就几乎相当于把过去27年开的店在五年之内要完成，一年要开400家店，这对于整个麦当劳的开发部门来说，是一个非常严峻的挑战。但是可能大家还没有完全感受到压力到底有多大。
说到潜规则大家都感觉是不太好的事情，但在连锁行业中确实存在这样一个潜规则：如果开一家店至少要推荐十个侯选点。这样一算，如果一年要开四百家店，那么就要推荐四千个侯选点。假设麦当劳（中国）有二十个专职开发人员，那么一个人一年就要推荐两百个点。而对于员工来讲，一年差不多就两百个工作日的样子，也就是说他基本上一天就有一个点的压力。这个时候大家是不是感觉到压力很重，如果你是开发人员的话，你想想这个压力得有多大。在这种情况下，如果继续使用传统的方法，这个事情显然是不可能完成的。那我们用什么办法帮他实现这个目标呢？
2017年中旬，我们开始跟麦当劳合作。通过这一年的合作和我们之前为其他零售企业服务的经验积累，极海总结出了一套针对零售行业选址的智能地图解决方案，并希望通过这个解决方案去帮助麦当劳和具有快速扩张目标的企业达成他们的需求。
这个方案我总结下来就是三步的策略。
第一步是“数据整合”，第二步是“建立完整的系统流程”，第三步是“在系统流程的基础上借助大数据、人工智能技术做智慧决策”，帮助他们去快速复制成功经验。
第一步是数据整合。我们知道数据其实是整个解决方案的核心，能够为后面的系统建立以及智能化模型的构建提供一个非常好的基础。
选址这件事，归根到底其实就是对数据的综合分析。以前传统的选址方式里面花了很多时间在数据收集上，而极海则已经积累、整理、分析了大量数据，并可以直接运用到零售企业的业务工作中。我们把这些数据分成了四个大的类别。一个是人口经济数据，因为开店最关注的就是门店周边商圈里的人，包括性别结构，消费水平等等。第二个是区域环境，也就物业所在的商圈活力。我们可以通过商圈中购物、餐饮、休闲POI的量来表征一个商圈的活力程度。第三个是竞争。竞争是一个挺有意思的事情，一方面，它能够帮你带来更多的客户到这个区域消费；另外一方面，竞争的存在可能也会分走你的市场，所以我们要综合分析，因为竞争对手和自己不一定是一个负向的关系。第四个很重要的，就是这个商圈里面有没有便捷的交通设施，它能够把人流带到物业的周边。有了这些数据后，我们会发现新的问题，即所有数据有着不同的来源，统计力度也并不相同，那我们怎么把这些多源、力度不一的数据统一到统计单元里面，帮助我们后面建立标准化的系统流程，以及分析模型的构建呢？经过实践证明，我们自主创造生产的“自然街区”是一个非常好的基础统计单元。
经典网格单元的缺点与自然街区的优势，青建在“智能化的数据衍生”主题演讲中已经做了很详细说明。那有“自然街区”和上面提到的四类数据之后，我们就可以建立一个完整的系统流程。
接下来我简单地演示一下系统流程。整个流程分为两个大的部分，一个是从宏观角度，一个是从微观角度。
其中，宏观的角度是去看规划，帮助开发人员判断进入策略。比如说哪些城市是可以优先考虑的，城市内部是否还有空白区域可以进入。以城市空白区寻找为例，我们结合已有门店和竞争对手门店的分布位置，以及通过四大类数据和自然街区整理出整个市场的潜力分布，就能找到整个城市的空白区域。
宏观的帮助我们找到进入的区域，到了微观就是帮助我们去判断这个点适不适合去开店，这个时候就要看这个点周边商圈里的客户数据，人的数据，竞争数据，交通数据等等，通过分析这些数据，最终给到我网点评分结果，包括营业额预测结果、覆盖范围等等多个维度。从而辅助企业进行决策。
我们讲完了这两步的方案，大家可能感觉还没有解决我们一开始提出的核心问题：如何帮助开发人员去完成一天一个推荐侯选点的、看似不可能完成的任务。其实这我接下来讲的第三步就将帮他们完成任务。
通过上面的步骤，我们拥有了完善的数据，并有一个完善的系统。接下来，我们就可以结合用户内部的销售数据，去分析和学习门店销售业绩与商圈统计指标间的关系，从而找出成功门店周边的商圈特征。这样，当我们复制成功案例时，就可以在城市甚至是全国去找跟这个商圈类似好地段在哪里。
比如说麦当劳接下来的重点是开社区型的门店，那么在北京和上海这些社区类型比较好的还没有门店覆盖的商圈都在哪里呢？我们把这些商圈筛选出了直接推荐给开发人员，他们就不用再考虑侯选点的问题，而是要考虑推荐侯选点中，优先考虑哪些点，并进行一系列的分析和判断。
最后，我们来总结一下智能地图方案到底是什么样的。通过刚才讲述，大家可以意识到，以地图为载体，把数据布上去，并建立一个完善的选址系统流程，融合机器学习的方式去学习门店成功的商圈特征，就能够把整个城市里面的潜力区域直接推荐给开发人员。这其实就是我们说的智能地图的选址解决方案。
当然，极海其实不只想在选址上帮助零售企业，随着我们对整个行业了解的加深，我们会在更多方面助力零售连锁企业的成功。
2018年年初的时候，极海与IBM达成合作，做了一些更有意思的事情。可能大家都知道IBM在美国有一个产品，它整合了人、地、物的数据等等多种数据到云平台中，帮助企业把握整个城市发展的方向，从而发现一些新的销售机会。
这种创新的思路，他们也希望能够逐渐在中国落地，但在这个过程中就出现了两个大的问题。一是IBM在国内没有足够完善的数据，二是他们的云服务没有办法进入中国。而这正于极海几大优势相契合：第一，我们拥有完善、数量庞大的地理数据；第二，我们有自己的云平台，并在很多行业有创新案例的落地。在两个契合点基础上，我们一起针对零售门店做了一个智能化运营管理的平台，形成一套智能地图解决方案。通过大数据分析、人工智能的技术，做门店选址，客户维护，产品的管理，以及更深入的技术上升级和改造，让零售企业在新零售的时代不输在起跑线上。
我们今天不会过多讲述，算是抛砖引玉。如果想了解更多详情， 7月25日，相约极海用户大会。我们会邀请到IBM大中华区高级咨询经理王卫东先生来跟我们做详细分享。
往期精选
关注极海