本文经LOCATION授权发布，如需转载请告知
选址是所有品牌线下开店最核心的痛点。
从技术角度来看，线下选址问题可以分解为选址规划问题和基于ROI预估的选址决策问题，和线上的推荐系统或者搜索系统的技术框架里的match和rank所要解决的问题有很大的相似性，当然也面临着线上和线下因为数据化程度不同带来的不少差别。
一、品牌线下开店的两种策略
1、第一类，我们暂且称之为渠道店，他的商业逻辑在于通过优质的内容吸引消费者专门到店消费，典型的经营特征是需要养店。
一些已经形成较强品牌号召力的品类，比如苹果旗舰店、早期的星巴克等等，会利用其吸引客流能力来换得极低的租金，并以低成本签下5年以上的店租合约，甚至10年合约。
随着区域发展及人口的涌入，门店可能养个一段时间，客流逐渐上升，就能获得超额收益。大家熟知的麦当劳更是一鱼两吃，一边开店一边购买店铺享受地产升值收益。
LOCATION渠道类门店客流量变化2、另外一类，我们暂且称之为体验店，追求的是点位上的每日自然客流的利用效率。
品牌一开始就优先选择场地客流量更好的区域开店，希望找到客群更匹配的点位，获得比其他业态更高的进店率，来实现超额收益。
随着时间推移，周边消费者对体验店新鲜感下降，进店率会逐渐下降并趋于平稳。常见于媒体报道的网红店轰轰烈烈开业，再到归于沉寂，往往就是这个效应在作祟。
LOCATION体验类门店进店率变化3、任何一个门店，必然都存在这两种效应。
苹果的旗舰店，大家都称之为是苹果体验店，但是整体上在上述逻辑框架下，更多是还是渠道店的商业逻辑。上面两个简化的模型图，只是为了更清晰的描述今天市面上两种不同的开店策略。
对于很多新消费品牌而言，开店前需要形成一个判断：自己是否具备很强的品牌号召力，去把周边的消费者吸引到店。这决定了所谓的“养店”是不是一个值得做的投入。
二、选址系统要解决的问题
1、实现开店ROI最大化
从目的上来看，品牌们面对线下海量的场景，希望能预测各场景消费者偏好、判断场景与商品内容的匹配度、结合租金等成本预估最终收益，品牌方综合考虑“人、货、场”各因素，选出能创造最高价值的场景，实现在一定周期内特定营销目的的ROI最大化。
2、开店规划问题&开店决策问题
从实践角度来看，选址系统要解决两个层面的问题：
一是整体的开店规划问题，去哪些城市开店，在具体城市开多少店；
二是具体的开店决策问题，针对具体某个点位预估其ROI，判断是否值得开，以及基于ROI预估哪些先开哪些后开问题。
3、不同门店的选址系统所面临的挑战并不相同
渠道店所面临的挑战，往往更多是开店规划问题；体验店所面临的挑战，则更多是基于ROI预测的开店决策问题。
三、从推荐系统到选址系统，以及所面临的现实问题
在线上，推荐系统已经成为了后互联网时代的标配。人们获取信息的效率随着信息泛滥反而逐渐下降，而推荐系统可以帮助消费者更便利地获取有价值的个性化信息。
举个例子，假设系统里有1亿条信息，用户一次可能只看10条，那么推荐哪10条最有价值的信息给用户呢？推荐问题，实际是针对用户某种价值主张在做Top N ranking问题，最简单的逻辑是，1亿条信息统一排序，不管用户想看多少条，按排序列表从前往后看就可以了。
但实际场景是：用户每次实时访问，推荐系统都需要在100毫秒内返回实时结果。100毫秒内要匹配该用户的个性化数据，完成对全部1亿条信息的统一排序，再挑10条展现出来。这种方法计算量很大，会带来极高的系统开销、延时，且所有用户在任一时间都可能会启动这个过程。那该怎么办呢？
业界的基本做法是，先用某种相对简单的方法从这1亿条信息中初步筛选1000条，再对这1000条做统一排序，最后再选10条展现。
因此，推荐系统两个关键的基本步骤：matching和ranking。
matching负责从海量的信息库里挑出数以千计用户感兴趣的信息，需要预先根据当前访问用户的兴趣偏好、特征策略等来寻找用户可能感兴趣的潜在信息，常见的可以采用协同过滤、DMP等技术手段。
ranking负责对matching过程选出来的数以千计条信息进一步排序，通常的逻辑，是对用户行为数据进行算法分析建立模型，预测当前用户对每条信息的CTR或CVR，基于这些预测结果，对数以千计的信息进行精细化排序，最终选择Top N作为推荐列表返回给用户。
对推荐系统而言，它解决的问题，是针对海量的信息库，预测消费者的偏好，通过匹配和排序，帮助消费者快速获取精准信息。
这个问题和线下选址系统所要解决的问题非常相似，只是选址系统，面临一些现实问题，需要被解决：
1、缺乏优质的点位库
相比线上推荐系统动辄需要在千万条的信息里做TOP N ranking，线下选址系统的点位库的数字化还处于初级建立阶段，点位库对应的客流数据、档期情况、租金成本等数据更是缺失严重。
目前主要的地图厂商提供了POI数据，然而这种数据对渠道店做整体选址规划还行，离实际选址决策还差很远。
即使有点位库，点位是否空档，更是实践当中的头等大事儿，点位档期是稀缺资源。而点位级客流数据分析，国内才刚刚开始。
这些客观现状，基本决定了目前大部分品牌线下开店，都需要培养一只庞大的线下拓店团队，再或者就是直接通过经销商来进行区域扩张。
在这种情况下，在点位及相关数据的可得问题解决以前，选址系统更大的机会在于构建能够与拓店团队配合的决策系统。
2、开店目的定义不明确
选址，需要被赋予明确的价值目标。
举个例子，在挑选场地的时候，品牌方经常会有这种思考，目标客群是中高收入的人群，所以要去一二线城市中高端的商场。常见说法是：“我就是亏钱，也一定要在xxx购物中心开店，只要开店就有品牌效果！”这听起来很玄学，本质是以基于品牌建设为目标的选址逻辑。
当开店被赋予明确的价值目标后，不论是追求CPE的最小化、销售ROI的最大化，还是上述基于品牌考虑的匹配度，才有了优化的基础路径。
3、采购管理的标准和营销ROI之间的背离
相比线上流量采买交由市场部门内部决策，线下流量采买往往有采购部门介入，一些采购部门比较强势的公司，采购部门直接限定了一个租金上限，比如一线城市3万一个月，二线成本2万一个月，三线成本1.5万一个月。直接框定了成本费用，就很可能会错过高产出的优质场地。
问题的核心在于缺乏价值预估的能力：用成本中心逻辑去做一个利润中心的业务。这是营销采购和传统采购最大的差异。
这种做法往往会发展成这样的剧本：老板让做，那就控制成本做。所以很多选址只能在一些劣质场地里打转，最后老板一看，成本控制这么好了，ROI还是这么差，线下太难了，那就算了。
四、新消费品牌科学选址系统框架
正如上文所述，结合线下选址系统所面临的缺乏点位库、缺乏档期/客流/价格数据、开店目的定义不清、采购管理一刀切等问题，选址系统的框架设计也就有了思路：
LOCATION选址系统框架1、ranking而不是matching
相比目前市场上常见的数据洞察、选址规划，选址系统的设计逻辑都应该更加侧重于这些场景：
赋能拓店人员，规范人工采集具体场地的数据的SOP，然后进行数据验证和提报；
由选址系统进行判断，可能通过和历史门店，和同场景其他同类门店的对比分析，最终预测这个点位是不是值得开店，开店的话ROI预估是什么样。
2、构建选址系统的目标函数
不论是最小化单位体验成本，最大化销售ROI，或是同等投入的未来LTV最大化。一般来讲，可表达为在给定成本约束条件下，最大化目标函数产出。
形式化描述如下：
max [r/q]
s.t. d <=D
这里的x=是选址的决策变量集合，a=ad；u=user；c=context；目标函数r表示收益函数，q表示成本函数，d表示预算函数，D为具体预算，通常是常数。
r常见的有如下几种：
进店客流量；
体验客流量；
会员留资数；
当场销售额；
未来销售额…
q常见的有场地租金成本等
有了目标函数的好处是，品牌可对各个场地的活动价值进行直观的排序，从而科学地做出选址决策。
3、选用流量漏斗各级转化率作为消费者群体偏好的表征
推荐系统里常见的是基于CTR来表征消费者偏好，通过对CTR预估来实现对收益的预估。
回归到线下营销的流量漏斗：过店->进店->体验->购买->会员，不论目标函数是销售ROI，还是获客ROI，消费者进店是第一步，ETR和进店购买转化率，是优质的场景所在地消费者群体偏好的最好的表征。
于是，围绕着进店率采集铺设客流分析设备、围绕着购买转化率联通收银支付数据，就成为构建选址决策系统的核心关键。
LOCATION线下营销流量漏斗4、持续测试，数据沉淀，设计反馈机制，建立预估模型
与线上CTR预估类似，线下ETR预估主要考虑的是在各种细分场景流量上，对一个给的三元组做进店率估计
线下ETR预估模型，是在组合与进店率ETR之间建立函数关系，即建立“人、货、场”各因素与进店率ETR之间的关系。结合预估的进店率，即可根据ROI排序推荐出和用户相关的品牌体验店地址。
常用的算法有：
线下开店选址系统常用算法实际上我们未必需要建立多么复杂的算法模型来进行选址系统的建设，关键需要品牌持续灵活开店，留存每次开店活动的[, etr]样本数据，形成数据闭环，保证每一场开店活动都有ETR数据反馈的机制。
在反馈机制下，即使是用基础的算法模型也能帮助品牌作出不错的选址决策。
举个例子，品牌去两个不同的商场测试，看看平均进店率是多少，再自己测算下平均每个进店客流的价值多少。那么下一次选址，品牌可以根据场地客流*进店率*单个进店客流价值/租金成本来评估ROI。。
如果想要获得更精细的进店率预估模型，就要在大量测试和沉淀数据反馈的基础上，当数据获取成本可控的时候，我们自然可以引入更多变量，比如不同等级的商圈、不同类型的城市、以及商圈背后人群标签的差异，构建更精细化的模型，去优化我们的ETR预估的精确度。
这个时候，由于样本数据的极大丰富，可以尝试用较复杂算法模型如集成学习/深度学习类算法，在复杂的特征组合中自动挖掘其中的非线性关系，来构建ETR预估模型。
如果要进一步做销售额预估，那么将获客量、以及交易系统数据打通，关联成交数据，同样也能实现基于销售额预估等其他目标的科学选址决策。
写在最后：
选址系统的核心问题，是进店率预估问题；
选址的决策，不只关乎开店，还应该管理关店。
前些年涌现了一大批做门店数字化的项目，推动了整个线下门店数据化管理的进程，让数据获取变得更加敏捷。不过这些项目大多都在利用数据进行货品调配、货架摆放优化之类的来回收价值。这难免有些隔靴搔痒。
商业空间供需结构正在发生转变，逐步回归需求方市场，不论是新开店还是关店，在门店数字化基础上的选址优化，会成为门店数字化项目价值回收的核心抓手。
