首页
学习
活动
专区
工具
TVP
发布
社区首页 >专栏 >【案例】某国际知名零售连锁企业:基于人工智能的选址解决方案

【案例】某国际知名零售连锁企业:基于人工智能的选址解决方案

作者头像
数据猿
发布2018-07-23 17:39:35
1.4K0
发布2018-07-23 17:39:35
举报
文章被收录于专栏:数据猿数据猿

【数据猿导读】本篇案例涉及企业是一家国外顶级零售商,合作方在美国具有良好的数据支持,并已研发出成熟的选址模型,在美国表现效果非常良好,但当合作方将其模型拿到中国市场时,却出现了水土不服的情况

作者 | 极海纵横

官网 | www.datayuan.cn

微信公众号ID | datayuancn

对于万达广场、7-Eleven、中国工商银行等大型连锁企业来说,选址的意义十分重大,直接影响着企业实际经营效益,关乎企业成败。通常情况下,选址是一项长期性投资,需要基于企业经营目标、客户结构等多种因素进行综合考量,一经确定就难以变动,因此,好的选址可以让企业长期受益,提高业务绩效。但在传统选址方法中,企业通常派遣大量相关人员到实地勘察,通过观察结果和经验判断确定新店建设位置,缺乏多源数据支撑和高效、流程化的选址方案。因此,企业选址往往存在人力物力大量耗费、经验判断与实际存在误差等问题。

客户名称

某国际知名零售连锁企业

所属分类

零售连锁类

实施时间

2017年4月12日-2017年9月29日

应用场景

极海提供的人工智能零售选址解决方案可针对银行、零售等大型连锁企业,提供新店选址与撤点选择服务,即机器学习基于位置的会员特征,并基于网点影响范围内人流属性、竞品店铺、商业企业共生资源、交通便利程度等对区域或网点进行加权评分,建立销售测算模型预测店铺营业效果,使选址新点和撤销网点一目了然。

面临挑战

1、国外选址模型移植到国内,存在水土不服的现象

在本案例中,极海服务的是一家国外的顶级零售商,合作方在美国具有良好的数据支持,并已研发出成熟的选址模型,在美国表现效果非常良好。但是,当合作方将其模型拿到中国市场时,就出现了各种水土不服的情况,例如:中国数据不全、城市发展状况不同、居民消费理念不同等等。

2、国内基于人工智能的全套选址方案匮乏,缺少可借鉴的经验

在中国,大多数公司还是基于调查问卷、统计假设的传统选址方法进行新店选址和撤点选择。这样的方法不仅耗费大量的人力物力,在模型精度上也得不到保证。因此,在国内匮乏大数据选址经验的情况下,极海需要基于中国国情条件,开创性地使用极海庞大的数据储备和人工智能能力产出一整套的选址方案。

数据支持

人工智能零售选址解决方案所涉及数据极为丰富,主要包含人口、各类地物的POI基础数据,覆盖数十个数据源,总数据量达百万级以上。

方案所涉及的非实时数据包括全国POI数据800万条,极海全国自然街区网格数据,驾车时间数据30万条,人口普查数据30万条,人口信令数据20万条,中国统计年鉴、中国区域经济统计年鉴以及各省级统计年鉴20万条,全国企业注册数据3000万条等。

应用技术/实施过程

在极海创造性设计的人工智能选址解决方案中,极海使用了机器学习进行零售选址,选址效果较好,具体实施过程如下:

1、地理编码过程

极海首先将会员的文本数据,传输到云端,进行快速存储。与此同时,极海利用自身的地理编码技术对文本数据空间化,并赋予每一条会员数据经纬度坐标信息,快速定位会员位置,了解合作方会员的分布情况。

2、基于自然街区的会员样本划分

自然街区,是极海自主研发的,基于路、山、河等边界切割而成的单元网格,与以方格为统计单元的传统数据相比,更符合人类认知与实际情况。极海利用自身拥有的,全国各大城市的自然街区数据为基本单元,统计各个交通小区内的会员数量,并以每一个交通小区内的会员数据最为一个样本。

3、特征因子筛选与统计

若要学习每个自然街区中会员样本的分布存在怎样特征,首先要进行特征因子的筛选。由于国内在大数据模型构建中缺乏经验,极海就需要在各类POI地物中,通过不断探索和尝试,筛选出与高端零售相关的特征因子。基于选取的样本特征因子,统计各个自然街区内特征因子分布情况。

4、到店距离的计算

基于极海的数据储备,我们可以计算各个自然街区驾车到达到附近零售商店所用的时间。这个时间的统计是分时段的,也就是说在早晚高峰、工作日和节假日等不同时段,驾驶同样距离所用时间的计算结果是不同的。这样符合人类生活实际情况的计算结果,能够更精准地判断一家零售门店的实际覆盖范围,而不再是简单地画一个缓冲圈,粗略地估算门店的影响范围。因此,基于极海人工智能的选址解决方案,能够将新店选址和撤点选择做的更加精准有效。

5、商圈竞争分析

新店选址除考虑周边地物、客户结构外,还需考虑商圈内的竞争关系。极海计算每家门店与周边竞争对手门店的距离、覆盖重叠区等等多种指标,综合评价商圈竞争环境。

6、机器学习与模型建立

综合以上的各类情况作为特征因子,极海利用地理编码之后的会员点作为待预测目标。以自然街区为基本单元,统计会员数量和各类特征因子的情况,生成训练样本。之后极海对训练样本进行机器学习,挖掘每一样本中门店会员分布究竟存在怎样特征,并形成计算模型。在模型构建中,极海对已有11个城市的数据进行训练,并在之后利用训练好的模型在另外两个城市进行验证,得到了非常好的泛化效果。之后,我们将模型应用到全国其它未开设该品牌的城市,就可以很好地计算出各个城市的会员数量潜力,以此来对不同城市进行潜力的预测。

商业变化

极海针对某国际顶尖零售商对门店选址的多维度需求,结合三十大类、数百小类百万级别的位置数据,研发了适合中国各级城市应用的零售选址深度学习模型。通过对该企业客群分布的分析和预测,为其在中国数十个城市的零售店铺选址提供了全面的、基于人工智能的决策支持。根据合作方的数据显示,在极海选址解决方案的支持下,合作方选址决策节约成本超过50%,新店建设和旧点撤离完成后,预计能够提升运营效率20%。

案例投递企业介绍

北京极海纵横信息技术有限公司,是一家专注于地理大数据服务的创新企业,致力于提供“准确、有效”的“地理大数据智能化决策”。为用户提供海量地理数据、基于机器学习的位置挖掘和地图可视化,帮助用户构建商业分析、网点优化、广告投放、城市监测、规划布局等独特竞争力。极海已为规划、零售、银行、地产等领域,如:中规院、麦当劳、IBM、万科、龙湖等领先企业提供地理大数据服务。

本文参与 腾讯云自媒体分享计划,分享自微信公众号。
原始发表:2018-06-13,如有侵权请联系 cloudcommunity@tencent.com 删除

本文分享自 数据猿 微信公众号,前往查看

如有侵权,请联系 cloudcommunity@tencent.com 删除。

本文参与 腾讯云自媒体分享计划  ,欢迎热爱写作的你一起参与!

评论
登录后参与评论
0 条评论
热度
最新
推荐阅读
相关产品与服务
大数据
全栈大数据产品,面向海量数据场景,帮助您 “智理无数,心中有数”!
领券
问题归档专栏文章快讯文章归档关键词归档开发者手册归档开发者手册 Section 归档