现代零售选址的发源地在哪儿？答案是哈佛！
哈佛大学，这所公认的世界名校，开创了很多领域。比如哈佛大学的计算机图形和空间分析实验室，在早期地图学和计算机领域的交叉应用，被认为是地理信息系统的鼻祖。
鲜为人知的是零售餐饮行业的市场分析和选址，也是从哈佛大学开始体系化，并且开枝散叶。
William Applebaum，1906年出生于波兰，在14岁那年移民到美国，1931年毕业于明尼苏达大学地理系本科，随后又获得了明尼苏达大学和辛辛那提大学的地理系研究生学位。随后他进入Kroger（直到今天都是美国最大的生鲜杂货连锁店，总部就在辛辛那提）做市场分析师。1938年，他搬到位于波士顿郊外的Stop & Shop （目前在全美有超过400家门店，主要集中在新英格兰地区），担任市场分析的总监。
二战期间，他作为海军预备役，在策略分析组工作，并且一直担任顾问。二战结束后，他回到原来的位置，在1949年被选为公司董事会成员。随后他卸掉身上的一些管理角色，把自己的主要精力投入到市场咨询工作中，服务的对象包括美国农业部和国家安全局。1954年，他加入哈佛大学商学院，担任访问讲师，并在6年后成为食品零售和市场分析的正式讲师。
在哈佛大学的14年时间里，他的研究重点就是分销和选址，主要论文发表于《Journals of Marketing Research》，《Annals of the Association of American Geographers》，《Professional Geography》和《Economic Geography》。同时他著有《食品分销案例分析》，《门店选址案例分析》，《零售和批发商的策略》和《购物中心的策略》等白皮书。Applebaum在1972年搬到佛罗里达享受退休生活，在6年后去世。令人称奇的是，他生后在并无瓜葛的哈佛大学医学院捐赠了William Applebaum讲席教授头衔。
▲William Applebaum在波士顿地区大学商学院俱乐部报告的报纸宣传
William Applebaum在中文媒体的出现次数为零，这是第一次我们介绍他的成果。
和大家传统意义熟知的学者不同，作为一个有丰富实际操作经验的人，他把自己多年的业务实践在哈佛大学做了系统的总结。他在哈佛的生涯，正好和David Huff在1964年发表的著名零售市场分析模型Huff Model交相辉映。与数理逻辑精巧的Huff模型，以及更早的重力模型，Reilly’s Law相比，William Applebaum的模型更加有实用价值，并且在之后的50多年时间里，被不断的使用和扩展。
William Applebaum的主要贡献包括两点：
客群分布研究
类推模型
我们先来说说客群分布的研究。
在计算机制图广泛应用前，大量的地图制作还是手工制作。下面是William Applebaum的一个研究案例。他的研究对象是一个位于Southtown市郊的杂货店。这家店于1955年开业，研究的时间是1963年。在下面这个人口和土地利用分布的地图上，我们可以看到今天GIS制图里的点密度（dot density）图的样式，每一个点代表25个人。
▲Southtown的土地利用和人口分布
他对超过320名前来购物的人做了调研，请他们标出自己的性别，访问门店的频率，前来购物的的交通方式，以及最为重要的，自己的家庭住址。杂货店的客群分布如下图所示。我们可以清晰的看到这家杂货店的客群，主要来自于门店的西北方向，并且客群的分布，随着距离而变的稀释，大约在3公里以外变的不再密集。
▲杂货店客群的分布
接下来的工作，就是给现有的地图划分格网，用每个格网里分配的销售额除以格网里的人口数量，得到人均的销售额。在门店最周边的一圈，每星期的人均销售额可以达到3-4美元，而比较远的地方，人均销售额只有不到0.5美元。这个变化的曲线，非常接近我们熟悉的距离衰减曲线。
▲人均销售的格网分布
基于以上的数据，利用等值线，William Applebaum画出了两个集客区，一个是含有60%销售额的主要集客区，一个是含有80%销售额的次级集客区。这与今天的集客区的概念，是一直的。对于每个商家而言，60%-80%销售额所来自的区域，是他们最关心的。超出这个百分比的范围内的销售，有可能是路人，游客，集体事件或者企业用户等，他们对于门店的销售额影响比较随机，通常情况下比较难以模拟。
客群的分布和集客区的界定，是门店选址的基础。这能帮助决策者，知道自己门店的覆盖范围，模拟出新门店的集客区规则，从而测算出姐妹门店直接的销售蚕食，门店在本地的开店潜力等。
这套理论和方法，也在不断进化。POS数据和客户会员数据，在很多零售类型的企业里，被用来研究客群分布。传统的调研方式一直在21世纪都被广泛的采纳，特别是没有客户会员的餐饮企业。近来随着SDK手机位置数据变得更加广泛，人们可以用手机数据来替代调研数据，实现了从“小数据”向“大数据”的一个转变。除了能够研究自己已有门店的表现，还能研究自己竞争对手的表现，把决策变的更加智能。
▲杂货店的集客区
类推模型是William Applebaum另外一个杰出的贡献。他的理论基础是，新门店的地址，可以用来和已有的门店的某些属性做对比，比如面积大小，周边人口熟悉，周边POI数据等。如果和某个/些门店的属性接近，那么他们的销售额和利润率也会接近。
这样的模型不需要复杂的数学公式，非常容易构建和使用，在实践中通常表现很好（虽然从机理上我们没法解释为什么），直到今天，很多企业管理层也非常喜欢这种模型，并且一直在不断的使用。
但是他对于集客区的界定要求较高，而且如果自身门店数量偏少，也比较难以找到一个 “相似” 的门店。这套理论，实际上和地理学第一定律非常接近：所有事物都与其他事物相关，但是近处的事物比远处的事物更相关。只是在这里，近和远这个距离的测量，由空间距离，变成了概念上的距离。William Applebaum同样有很多案例，因为这个方法特别容易好懂，我们就不一一展开了。
▲三家超市A,B,C和将要开的X的集客区比较
▲超市的属性对比和类推表格的建立
William Applebaum很好的把选址这个艺术和科学交叉的话题在60年代做了梳理。他的时代正好处在计算机制图的萌芽和计量革命发展阶段。在这之后，GIS登上了历史的舞台，并且在零售选址这一领域不断展现出价值。哈佛大学的计算机图形和空间分析实验室孕育出了ESRI，而William Applebaum的论文/模型和带领的徒弟，也影响了一代又一代的人（然而很多人并没有听说过他的名字），说哈佛大学是现代零售选址的发源地，毫不过分。
当然，从六十年代到现在，随着科学技术的进步，另类数据的扩展，我们也在William Applebaum的基础之上勾勒出现代零售选址布局模型的两大步骤。
一是集客区模型，主要包括：
半径/相互不覆盖圆
用户指定/手绘
客群分布/规律总结
泰森多边形
开车距离/开车时间/公共交通工具时间
Reilly“中间点”模型
Huff概率模型。
二是销售预测模型，主要包括：
多元回归模型
类推模型
重力模型
空间交互模型
机器学习模型
只有站在巨人的肩膀上，我们才能看得更远。
✍
图、文 / 少飞
极海自控研发AI智能影像系列，不受制于美国出口限令
辅助零售品牌精准决策，极海品牌监控平台正式上线！
极海盒子——数据分析师的必备工具
极海深度学习百宝箱——DeepSat上线
你好！我叫数据大屏
……
极海行业观点目录