对于医药企业来说，区位是市场发展战略中的关键，直接决定着经营的成败。毋庸置疑，正确的选址可以有效控制风险，降低成本，给企业带来意想不到的收益。
传统选址需要凭经验拟定模糊位置，然后花费大量人力获取选址变量，如地理条件、人口特征等，形成调查报告。总的来说，传统的选址方法存在试错成本高、费时费力、滞后于现状等缺点。
在之前的文章《AI加持下的门店选址》中我们提到，选址其实面临着各种指标的考量，比如市场策略、客户偏好、客户特征、商业体、路段、门店类型、开发成本、周边品牌、竞争品牌等等。
对于药店来说，除了基本的选址框架外，还有很多经营变量要符合药品经营的性质。比如要考虑周边商圈的便利性，与超市、商场等业态的融合。比如门店的朝向也要考虑，取决于当地的气候、日照时数、药店货架的摆放等等诸多因素。而且不同类型药店的核心客户群、产品构成、选址逻辑都会有差异。
药店位置的类型
商业中心店购物中心/大卖场/社区商业
社区街边店街边商店/社区商店
周边医院/地铁店/公共配套设施
上周易经智联公布了“一种基于时间空大数据和机器学习算法的药店选址方法”专利，可以有效解决上述传统选址带来的弊端。
一种基于time 空大数据和机器学习算法的药店选址方法，包括以下步骤:加载基础地理底图，形成画布层，提供坐标系转换工具，应用数据的归一化显示和分析。
接下来，根据地理范围，生成待选城市的地理网格，每个网格元素包含一个网格值，用于表示该网格元素对应区域的“选址得分”。
然后依次计算所有网格元素表示的“区位得分”，得到各区域药店区位得分的网格数据集，对每个网格中的居住密度指数、商业密度指数、交通便利度、同格式饱和度、非区位面积指数、首选面积指数等多个维度的数据进行评估，得到不同维度的网格数据集。
最后展示分析结果。用户还可以放大缩小查看选址结果的统计报告，包括但不限于周边常住人口、交通便利程度等具体数值。，并完成人工监督和验证。
专利涉及更新快、内容丰富的大数据资源。验证后的选址模型通过量化评估以SaaS形式快速交付，即即用即取，快速响应使用需求，解决了人工调研耗时、成本高等问题，帮助企业降本增效，决策更加精准。
一种基于time 空大数据和机器学习算法的药店选址方法，以选址的关键要素地理位置为载体。围绕地理位置，叠加地理要素、药店经营变量、人口特征等与位置相关的各类商业经济数据，最大限度发挥时间空数据科学在选址过程中的优势。
将这些不同渠道、不同类型的数据去噪降维，形成可量化的评价体系指标，科学计算，准确决策，优化资源配置，打破信息孤岛，全面提升选址的准确度和精确度。
同时，模型迭代和经验复用，通过人机交互模式，允许用户根据喜好在机器计算结果的基础上进行人工监督和微调，并将结果保存到用户自定义模型中，从而快速完成不同区域成功经验的复制和数据共享，有利于连锁用户的信息化建设。而且最终结果直观，以地图和报表的形式展示选址区域，可视化效果显著。
