当前位置:首页 > 物联网

门店选址是艺术与科学的结合,看看地理大数据专家怎么说

作者:it技术知识网 阅读次数: 时间:2019-06-27 08:41:10

摘要:在朋友零售陈果垂直圆领域IBM的合作伙伴转发题为“ArtificialIntelligenceinRetail”的文章,它是关于人工智能的零售领域应用。第一条一是优化店面选址。自古以来,行商店规划的第一要考虑的因素是店铺的位置。文章指出,利用人工智能的方法,用历史销售数据,人口经济数据,竞争对手如数据模型位置的距离相结合,可推到了一个新的水平。作为打拼多年,在这个领域我觉得有必要对这个话题讨论。AI是不是在应用场所的机会,它是技术和产业人才发展的变化,突然在去年

在零售垂直陈果的朋友圈IBM的合作伙伴转发称为“人工智能零售”的文章,它是关于人工智能的零售领域应用。

第一条一是优化店面选址。自古以来,行商店规划的第一要考虑的因素是店铺的位置。文章指出,利用人工智能的方法,用历史销售数据,人口经济数据,竞争对手如数据模型位置的距离相结合,可推到了一个新的水平。作为打拼多年,在这个领域我觉得有必要对这个话题讨论。

AI是不是在应用场所的机会,它是技术和产业人才的发展变化,在过去的一年,它突然成为热门话题。

在美国,地图和数据做传统零售企业做网站的选择和市场的人,大多是地理系的毕业生,他们有丰富的地理信息系统软件,操作能力和地理模型的理解。选址模型采用了最该地理模型空间交互模型的最容易理解的。最经典的部分比距离衰减模型。

此外回归模型和房地产从业人员近似模型常用传统的统计范畴,它是由市场所接受。随着近年来对地理信息领域的教育学科更多的交叉,尤其是在商学院市场营销/财务运营和管理学科的渗透,越来越多的人到非地理区域。

他们有一个基本的概念,但不是很多地理信息系统软件的操作体验。对于他们来说,最好的事情是指在地图上的点,然后告诉系统,他们希望一下就行了。其他那些复杂的操作,对于他们来说没有任何意义。

在这种情况下,软件和模型的位置,我们需要足够的智慧。这时,人工智能,机器学习的概念,突然出口,因此不难想象,在很短的时间段,大家都开始谈论如何使用这些时髦的名词和位置这其实不是那么时尚东西结合在一起。

地理位置提到的数据分析,估计大部分公司并没有认为这是那些人什么新鲜事,深化职业分层数据,在美国带来的手并不难。

\

然而,在中国,它已在地理数据分析瓶颈。一方面是获得的地理信息的难度高。至于分析建模的基础,数据不靠谱,它是无米之炊家庭主妇的砖。在另一方面,它是难以建模。有一个初始海量数据的准确性问题,没有相关经验,也很难抬高大型数据。一次偶然的机会,我们受国际顶级零售商家庭委托困扰多年,机器学习的实践创新一旦网站被中国工作,所以这个话题有自己的看法。

对于零售企业来说,地理数据的所有分析,应该返还给企业,以服务“人”是谁。又该如何人肖像描绘?传统的方法是依靠零售业务的调查,街道分布,有偿回答。不过这样一来,通常是因为结果:大多数问卷样本人群是“休闲与金钱,”人群。随着互联网越来越丰富的数据,还需要完全依靠它作为一个传统的问卷调查?我们怎样才能打破局面?

古人说,是有联系的物理对象。一间咖啡馆开在区附近,必然是因为这里的居民不能没有他,他依靠住在附近的居民和扩大规模,我们称之为人之间的“性感”功能的吸引力。网站上的应用程序,我们认为解决的办法是打开了POI(信息点),每个业务区附近特征商店猜测居住人口特点。

有多少咖啡馆?它对应于如何人群的消费能力?如何对这些人很多是零售商的目标群体?如何对象特征链接到人口特征?

这是我们设计的重点努力工作。而这种分析,是缺少了传统的地理信息系统。移动互联网时代,存储在数千种网络信息,空间数据分析的发展有很大的提高。密闭的分析原理,传统的模式只能添加索引少量。同时,我们也使用机器学习两百多个指标,完成指标之间的复杂关系的分析和多他们做的事情,传统方法无法达到,不仅增加量分析时,是一个质的飞跃。

在这个大型的零售商,帮助选址过程中,我们使用机器学习的预测模型,巧妙的算法机制,以应对11个城市,上千万的POI位置数据。人口,交通,房价,消费等。,掠过所述计算系统屏幕上。

除了从大量的数据中得出法律的现实,我们使用随机森林模型可以预测未知数据。通过对大量数据的早期训练,我们找到了最好的“方程式”(广义的概念)。这样就能够基于现有数据(参数)来计算的零售商,如客户群的规模,潜在的销售等感兴趣的预测值。

我们开始评估该地区,给在现场的区域方案,其中一些零售商,我们再提供具体的评估店辅助位置决定的优势潜力,城市来判断趋势的发展方向。长期的研究和培训模式,机器学习过程和自动化解决方案,我们的地理数据后有着深刻的经验,在分析速度和精度已经达到了业界顶尖水平。

在项目实施过程中,零售商也发现了一些惊人的结果:很多依靠经验之前,知道为什么判断,也由一个在验证模型一个。当然,我们的分析还提供了丰富的信息以前没有见识。

学习模式 - 客户群的消费偏好

目前,我们正在努力实现的地理区域的标记,当业务相关的需求,只是告诉我们和需求因素确定权重,可以快速导出报告和结果分析。下一步我们要考虑做人工智能系统提供SaaS服务,用户输入的数据,选择模型,就能快速地帮助决策处处报告结论。

\

但是,如果你可以放心地说,AI已经完全打通在网站优化工作的关节,但无所不能?我的回答是:等一下。

首先,一个商店的成功,除了周边消费者的特点,同时也对房地产本身,如是否容易获得的质量,门头是够抢眼,房东可以提供面积和租金,如及其工作人员的管理水平。根据我的经验,这些因素占中国的60%。

机器学习训练的,是那些谁可以得到统一,变量不是主观因素。该集合包含了大量的主观因素的过程变量的,是人为的过滤器,然后智能机无法预知的区域可以租一个新的地方无法预测是否门头可以从四面八方可以看出,没有人工智能。

其次,里面一个非常重要的故事地点是如何避免吃进对方的姐妹店,尤其是连锁加盟企业,加盟商的面之间,如果每家商店,以确保避免法律诉讼的利益。也许有人会说,我加入了姐妹店的模式,不就行了?在下面的地图,例如,这家店消费从西北方公路明显,很少有人来自东南。如果只考虑距离,不知道消费者,零售商的分布,这是很难说,如果在这个区域,在那里开,新增加的门店将不会蚕食现有门店销售。

这种情况下,人工智能还不能判断,因为一点可以用来学习,甚至历史销售数据,以确定可能削弱一些商店配对研究得出的结论为新店,还是无意义。下面是手机的GPS位置数据的重要性的体现,但它没有任何关系和AI,我们切莫。

\

通过手机卖场GPS数据和地理围栏技术,地理围栏收购分发源

总结:机器学习,在主观变量,样本不足选址,因此不能用来预测陷阱不能做所有的智能。即使是机器学习本身,数据的选择也很有讲究。例如,我们学会店,已经是成熟的社区,我们要预测新的网站,但它是在新区,模型很可能会给一个错误。

在这一点上,有必要拿出POI数据时不成熟社区学习,看当时的法律。这其实是普遍的:为仁和淮揣着学习机/ AI的梦想,进入一个新的领域,但并没有完成自己的积累数据的公司,是不可预知的未来。

总体而言,学习机/ AI带来了创新的零售网站,为正。特别是在中国,在线零售蓬勃从线走去,从线路返回到客户服务的全渠道发展的商业性质。因此,在线路的需求肯定会重新启动,尤其是社区零售/连锁餐厅/便利店,店里的需求持续增长。

尤其是在中国,不是开的地理数据,数据质量不高,没有太多的数据水平,我们已经看到了新的方法可以有效地梳理线索,彻底改变从0到1,相比于这个质变AI模式美国唯一的改进是一个飞跃。对于选址专家,这一代的技术进步,为他们提供一个智能的眼睛,协助他们处理数据,找到规律。

无论是如IBM的咨询服务可以集成到自己的零售解决方案,与沃森和屈臣氏等世邦魏理仕,仲量联行这样的房产商相结合,可以集成到他们的租户管理服务,或直接向零售商使用的地产界,AI技术提供了各种可能的。毕竟,该网站是艺术和科学的结合,具有丰富的市场经验和多方面的结合,这是“新零售”选址工作将更有效率。

作者:陈少飞

本文链接:门店选址是艺术与科学的结合,看看地理大数据专家怎么说

友情链接:

大悲咒经文 佛经 观音心经