进攻诚然是令人兴奋的事情，乐观是中国商人的天性。但从市场走势来看，我们着实要为大家“捏一把汗”：

大家翘首以盼的春天，似乎并未如期而至。

仅在2019年，上海便有半数商场一年调整上百家品牌；预计2020年的情况只会更差，不会更好。无论是坚持积极扩张，还是关店止损，抑或按兵不动，品牌门店调整决策越精准高效，越有利于品牌为下半年经营蓄势。

据赢商云智库观察，当下品牌商在进行门店调整时，主要存在如下问题：

如今，大数据智能选址时代已经到来。借助大数据智能选址评估系统，品牌商可获取城市经济数据、地理信息数据、零售商业数据、客流画像及热力数据等广泛数据视角，同时基于自有门店历史经营数据，通过训练评价模型、智能算法机器学习，更高效、精准地筛选开关店目标，辅助开关店决策。

接下来，我们将通过案例说明：大数据工具如何辅助品牌商进行门店调整决策？

数据对比分析—现有门店所在项目成长性的横向对比

通过查看和横向对比各门店所在项目各项维度数据，来判断项目的运营健康程度、项目客群画像与品牌的匹配性，并对项目成长性做预估，加深品牌对项目的运营定位认知。

从项目条件来看：

• 项目周边常驻人口：A、B项目周边居住人口不相上下，但B项目周边工作人口数量却是A项目的5倍多。

• 项目客流：A、B项目工作日日均客流不相上下，但A项目节假日客流明显高于B项目，表明A项目聚客能力更强。

• 项目配套：B项目周边住宅小区和写字楼数量均接近A项目的5倍，且公交站数量、停车场数量也较多。

• 项目周边房价：A项目周边房价略高于全市均价；B项目周边房价高出全市均价70%，侧面反映周边居住人口消费力强。

可见，B项目周边客流量大，住宅小区及写字楼密集，消费水平高，理论上应该比A项目经营情况好。然而，实际情况恰恰相反，究竟为何B项目实际聚客能力比A项目弱？

从客群匹配性来看（周边1公里居住人口）：

• 年龄分布：A、B项目的19-24岁人口分别占比12.28%、18.66%，25-34岁人口分别占比30.74%、29.37%。B项目年轻客群较多，主要由于周边分布有3所高校。

• 职业分布：B项目客群中高达35%为教育行业，主要为高校内的学生和教职工。

透过客群画像可以发现，尽管25-34岁人口占比差距不大，但该年龄区间内B项目的学生和教职工占了很大比例，而A项目更多为家庭客群。

由此判断，B项目与品牌的匹配性不及A项目，在周边居住人口不相上下的情况下，A项目获取目标客户的比例比B项目更高。

从热力表现（周边1公里节假日客流）来看：A项目为周边热力聚集地，其吸客能力较强；B项目相比之下较为逊色，热力不明显，周边有一家购物中心分流了大部分热力。这进一步佐证了A店坪效更好绝非偶然。

以店找店模型—现有门店验证与调优

在现有的门店中，选取部分门店，上传门店位置及坪效等级，训练模型；其余门店，则可通过模型推出来的结果，来进行验证。针对模型输出结果，结合该项目的其他商业数据，辅助关店决策。

首先，品牌通过赢在选址的“以店找店”功能，将自有门店位置、坪效等级上传，样本中应当包含好、良好、一般、较差等5类各类门店。

接着，“赢在选址”将基于店铺自身数据与区位商业数据（包括商圈、客群、购物中心四个层面共89个维度数据），通过机器学习方法，寻找影响店铺坪效的主要因素，筛选并推荐开店营收最佳点位：

• 当现有待评估门店在系统推荐门店范围时，表明该店与品牌匹配度高；通过比对样本门店与待评估门店系统的坪效等级评价，还能进行未来营业能力预估。

• 当现有待评估门店不在系统推荐门店范围时，可验证该店与品牌匹配度低，从而将这类门店纳入备选关店名单。

最后，通过“城市商业地图”功能，可基于品牌选址需求进行多维交叉筛选项目和商圈，直观查看系统推荐门店、自有门店，以及目标区域周边项目的分布态势，快速了解待评估门店所在项目与商圈之间的地理关系，结合该项目的其他商业数据，辅助关店决策。

例如：

• 待评估门店中，A店经营不佳，且不在系统推荐范围内，但该区域为品牌战略布局区域，则可考虑关闭A店，并从推荐的项目中另择合适店址。

• 待评估门店中，B店经营不佳，但在系统推荐范围内，预估门店未来仍有发展潜力；结合项目其他商业数据，判断项目客流量可观、客群与品牌匹配度高。由此推测，经营情况不佳主要由于该店内部经营问题，或是在该项目内的具体落位点存在不足，因此可采用优化内部经营、或在同一项目中调整铺位的举措。

上传现有门店的位置及坪效等级，通过模型获取高匹配度项目名单；对比目标项目各项核心商业数据，辅助开店决策。

首先，品牌通过赢在选址的“以店找店”功能，将自有门店位置、坪效等级上传。“赢在选址”将基于店铺自身数据与区位商业数据（包括商圈、客群、购物中心四个层面共89个维度数据），通过机器学习方法，寻找影响店铺坪效的主要因素，筛选并推荐开店营收最佳点位。

从中结合项目计划拓展的城市、项目体量，筛选高坪效等级的项目，进而结合品牌偏好（如一些观望已久的项目），选取若干备选项目。

点击“查看报告”，透过“赢在选址”的全域数据+独家购物中心数据库，即可获取心仪项目的全面数据，如项目周边常驻人口、项目客流、项目业态占比、品牌清单，免去繁杂的人工桌面调研步骤。

主要囊括全国城市零售商业、地理POI和客流画像数据，提供从商业信息到消费者数据、招商资源等全域线上线下价值数据。

目前，赢商独有数据库覆盖全国98%以上的已开业/未开业购物中心，70+数据维度全方位呈现项目发展程度与成长潜力，形成全国独有购物中心动态监测数据库，助力品牌商精准选址。

在“对比模块”，备选项目各项关键数据一目了然，品牌可逐一对比其区位情况、配套设施、周边客群画像等，高效判断项目与品牌的匹配性。

最后，只需一键“导出报告”，便可安排拓展人员现场勘察，有效缩短开店选址决策过程，抢占市场先机。

疫情之前，大部分品牌商都对市场充满信心、积极扩张，有的更是放出“年开千家门店”的豪言。

受到疫情冲击，品牌们对扩张更加谨慎，门店多甚至成为一种负担。尤其是一些新开的店、新进入的城市，本身就处于养店期、靠补贴生存，加上消费者信心尚未完全恢复，经营将难上加难。

此时，无论是留店、移店、关店，还是开店，仅凭人工判断、自家数据做出决策存在局限性。而“赢在选址”则可提供大数据智能选址评估解决方案，辅助品牌商进行快速、科学、精准的选址复盘评估及人工智能开店指引，有效降低试错成本，提高成功率。

疫情加快了各行各业洗牌，也加速了实体零售的升级迭代。待洗牌结束，存留在这条赛道上的品牌将如何带领市场进入新的阶段？值得期待。