公告
周五BI飞起来，每周一个主题，一场跟数据有关的行业、工具、技术的交流盛宴，锁定在每周五晚20:30，不见不散！
本期分享内容
1、选址的本质与实际工作中的思考角度。
2、目前主流选址使用的数据有哪些？是如何做分析的？效果如何
3、选址数据分析要做好必须必须充分理解业务真实需求
本期嘉宾介绍
张志成，统计学专业，任职于连锁商业开发部门。10余年的商业网点选址分析与开店工作经验。从事城市市场容量计算与排序，商圈研究，各类数据分析，竞争对手监测，新店、关店、移店财务回报与风险评估等。服务过百胜餐饮、沃尔玛中国等公司，曾作为外部顾问参与IBM农行网点优化。项目经验涵盖零售、餐饮、金融与服务、体验等商业业态。基于行业经验，能够从业务角度正确解读数据。 掌握主流的数据工具与简单的编程能力,能够通过数据分析洞察业务机会。对数据驱动商业选址有一手的实战经验。
主持人
大家好，我是微信直播活动的主持人悟，每周一个主题，一场跟数据有关的行业、工具、技术的交流盛宴。我们的口号是“Friday BI Fly 周五BI飞起来”。
下面我们就正式开始今天的活动了，关于我们的微信直播活动，新来的朋友可能还有各种疑问，下面我就针对常见问题给大家做个解答。
地理大数据如何驱动智慧选址
首先非常感谢天善提供了这样的一个交流平台，让我和大家聊聊快要“垮掉”的实体商业，通过今天的内容，我想大家会认识到实体商业在电商时代更加有生命力，同时能够收获一些开店选址的方法，以及体会到行业理解对分析的重要性。
我个人认为数据行业分为三块：工具、数据、应用，工具就是大家日常使用的各种利器，天善社区上已经分享很多了，数据这里也不啰嗦了，我们主要使用外部数据和内部数据来做分析，其中能够提供外部数据的一般都是巨头，内部数据主要就是公司运营过程中产生的，应用是这里绝大多数人做的工作，即通过工具和数据来解决问题，通过提升业务来体现价值。这次分享我们就通过示例来聊聊数据如何提升业务价值。
首先，实体店越来越重要，选址分析才会越来越有价值。实体店不是都不行了吗？我们老看到各种新闻说超市倒闭多少，百货停业多少，对于做数据的人来说，应该有整体分析能力，那些软文只说关店的事，从来没提及过开店的事，实际上新开的门店远远是多于关闭的店的。另外零售商业也会伴随着消费者的进步而进步，一些老业态自然会被新业态取代，那些关闭的门店后来都空置了吗？显然没有。因此那些观点基本都不客观，就谈不上可信了。
大家每天在北上接触到的都是高房价，我工作中每天看到都是高租金，类似住宅房价，这几年商业租金也是上涨的，优质的铺面越来越稀缺！
首先，实体是一个很好的宣传渠道，很多电商会通过实体来拉新，其次门店所在的商圈是天然的消费者细分，这也是电商精准寻找目标客群的一个最好的渠道。于是电商会给实体渠道补贴，餐饮、零售、娱乐行业都受到大范围的电商补贴，但不是所有的实体店都能受到补贴的，只有那些位置好、客流大的门店对电商来说才有价值，而门店选址是实体店生意的基础！
其次，数据时代实体店是一个获取消费者数据的基础，有了部分消费者数据就可以做画像，有了画像就可以做精准营销，这样大家都在获取数据资源，例如某app就通过补贴餐饮得到顾客的画像，然后推算这些顾客的观影偏好等，在后期做各种精准营销，同样只有位置好的门店才有这种价值。
选址可以有很多高档上的理论，但实际的选址工作是需要有可行性，说白了就是选址分析是可以落地的，是可以开出来门店的，这区别于面前所有的大数据公司，他们做的都是现状，例如给某个咖啡店分析北京的新光要开店、上海的新天地要开店，对于大数据公司他们没有行业经验，看这些结果好像很精彩，实际对于真正从业者来说，这些分析没有卵用，他们都知道在这些地方开店，但是可行性几乎为零。我举个例子大家可能就明白了，现在要找女朋友，大数据软件给你推荐了维密的超模，对于用户来说，这毫无意义。
下面举个栗子，大家就会看到实战是怎么做的：
下图五星是门店，周边红点是2010年的顾客分布示例
之后是2011年、2012年的：
我们看到顾客是向北移的，我们把更多的信息放到一起，也许能够找到答案：
上图是客单价、交易频次与顾客来源的关系，我们来看有什么规律
我们发现高客单价同时低消费频次的顾客距离门店较远。
下图显示低客单价高消费频次的顾客距离门店较近。
再多看一些数据：
依旧是上述的规律，这样我们推断，距离远的顾客认可门店产品，但是由于过来不方便，于是少消费几次，但是每次多消费一些。这说明近年来其实周边越来越多顾客在认可我们的店，而关于顾客北移，可能是门店南部有竞争店分流造成的。由于连锁店长几乎每年都轮换，他们也不清楚商圈情况，于是我们做现场调研与顾客电话访谈确实是上面的规律。
这样我们在北面新开了一家店，由于有顾客认知，销售增长很快！
从上述示例来看，这不是我们通常看到的方法，在实体开店方面，其实更多的分析是地理分析，这样平时的工作中就会经常用到各种地图。从技术角度来说，就是前端需要比较好的展示效果:
例如下面的热力图：
北京商圈图：
人口分布：
品牌分布：
卫星地图：
从上面各张图片来看，目前主要的外部数据是商圈、商业热力、人口、租金、品类／品牌表现与分布等等，而内部数据更多是交易数据即pos数据，相信未来需要越来越靠谱与成体系的外部数据，结合内部数据能够分析出更多有价值的信息。
在后端方面，实体商业的数据量是不大的，因此数据存储和数据分析使用的工具还是比较传统的，excel基本就能解决问题了。关键是基于业务逻辑的实体化，加上数据质量的保障，然后给业务人员使用。
我们从以上例子看到业务理解是多么的重要，现在凡提及大数据分析都要涉及复杂的模型，在学习技术的时候这是需要的，但在应用的时候需要业务理解深刻，方法使用简单，例如growingio提出的模型AARRR，我们看到growingio的人都讲这个，这个看起来比那些后台的实现貌似简单很多，实际上这是他们整个产品的一个基础，也是创始人多年实战的深刻体会。很多先进的技术正是基于AARRR才是growth hack的一部分。近几年工具和数据（包括质和量）均有很大的进步，而应用却主要还是集中在互联网公司，传统公司已经觉醒，看起来高大上的应用基本都是可视化方向的，鲜有真正有价值的应用。相信今后越来越多业务人员拥抱技术同时技术人员拥抱业务，数据在传统行业的应用也更加精彩。
本分享是天善智能组织筹划书籍《数据实践之美》的一个案例，更多精彩应用欢迎查阅书籍。
主持人
悟：
非常感谢张志成老师为我们带来的精彩演讲，同时也感谢我们在场积极提问的朋友们，相信大家对今天的会议内容已经有了更深一步的了解，衷心的希望您通过今天的演讲能有所收获。