金拱门、adidas、乐天玛特，零售巨头的选址秘诀都在数据里

沿街道、河流等天然屏障划分的自然街区对此就具有天然优势，因为各等级街道是人口的隔离和聚拢的自然表现，小巷胡同可以把附近的人聚拢在一块，高速路和主干道却把一块地切割成比较独立的活动区域，这种符合情理的划分方式会为各种各样的分析提供可靠性上的保障。

生成自然街区之后，将所有的数据基于这个统计单元做出分析。对每一个区块做出区分，打上标签，如办公区、大学城、购物中心等。

不同的零售业态关注的类型是不一样的，如高档的化妆品关注购物中心，而像麦当劳、肯德基则更关注居民区、商业街等人流更为集中的地方。

在美国，数据的完整度是非常好的，他可以做到对每一个街区定一个类别，假设这个街区叫做Milk and Cookie，那在这个街区生活的人则是中产阶级有孩子的家庭，这一家庭平均两三个人住在独栋的房子中。有了这样的分析结果后，就能在选址的时候做出很明确的目标。

但是来到国内后发现数据没有这么好的完整度，这就意味着你很难说清每个街道住的人都是怎样的档次，其消费能力如何？因此我们的解决方案是将会员数据投放至自然街区上，每一个自然街区有相对应的会员数，会有各维度统计而来的数据，通过机器学习的方式了解哪些因素对它有正向作用，经过不断的学习和迭代后，预测每块区域中可能会带来多少潜在会员。

这是在2016年我们给北京一个做房地产的房产中介公司推出的自动报告的工作平台。根据每个月更新的数据，机器会自动利用30多大类数据做400多项小指标的运算，生成一份一百多页的PPT报告，而且整个过程就用一分钟。我们把北京分成了两千多个自然街区，在一分钟之内就能同时出两千份一百页的PPT投策报告。我们希望跟房地产公司等各行业的客户合作，通过这些新技术，把他们从以前不熟悉的技术工作中解脱出来。让他们把自己更多的精力，投入到他们更擅长的专业里去，真正做到术业有专攻、共赢，提高他们的工作效率，也同时大大的促进他们的工作成果。

我们希望搭建一个一站式云平台帮助用户解决一些他们不需要关注的问题，如数据安全问题、服务问题、模型问题，在这个平台环境下，帮助用户尽可能提供现成数据，在数据基础上搭建常见应用，所有的数据和应用利用API、SDK的方式封装起来，能够在这个基础上做一些更复杂的应用场景。

在平台上可以支持不同数据源、不同维度、不同格式的数据。另外公共数据也是非常重要的数据，目前极海团队会定期更新和处理大量的数据。针对大数据如何做可视化这一问题，我们采用了云端与前端相结合的方式，在后端对数据进行切片渲染，推送到前端进行可视化。 

但现在企业自己内部的业务数据越来越多，外部的多源的数据获取也越来越容易，价格越来越便宜。我们怎么把这些多源的大数据进行整合，是否能真正有效的挖掘他们的价值？根据这些数据能否做出预测？这个是我们有了人工智能才敢想的。

我们高效整合了内外网丰富的位置数据、商业数据、政府公开数据，采用机器学习技术提高数据质量并生产更多独有的数据。生产基于各种地理数据的深度学习模型，诸如交通分析、客源分析等大数据分析方法，通过这些数据和方法可以对街区中的用户群进行精细分析，高效调查区域内数以万计的用户群。 

这所有的数据和分析方法，都被封装到一个数据容器内方便使用提取，这个容器，我们称之为“城市基因”，犹如生物研究的DNA一般，帮助精细精准地描述城市，为解决店铺选址，提供丰富、高质量的数据基础。

基于城市基因，我们能够轻松搭建面向行业应用的服务平台，如与IBM合作的平台 Metro Pulse。

这一阶段的云平台基本可以满足到2.0需求，在未来会有更多的新技术加入这一平台。

注：以上内容根据何宇兵在数据侠实验室的演讲实录整理。图片来自其现场PPT，已经本人审阅。本文仅为作者观点，不代表DT财经立场。

（编辑：广西网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!