去年一个连锁茶饮品牌老板做了个决定：在一个「看起来人很多」的商场B1层开了一家新店。租金每月8万，装修25万，设备20万，首批备货5万——总计投入58万。6个月后关店，全赔。
复盘的时候他才发现：商场B1层人确实多，但都是上班族路过，不是逛街消费人群。隔壁奶茶店客单价12元，他做的是25元价位——他的客人根本不会在这个商圈出现。这不是选址，是赌博。
今天聊聊连锁品牌最痛的事——怎么用AI把选址从「直觉赌博」变成「数据决策」。
一、为什么传统选址正在失效？
传统选址三件套：蹲点数人、问周边商户、看竞品生意。这三个方法20年前有效，现在越来越不准了。因为：
| 传统方法 | 为什么不灵了 | 数据偏差 |
|---|---|---|
| 蹲点数人 | 你只看到了路过的人，看不出谁会买、花多少钱 | 人流≠有效客流，误差可达50%+ |
| 问周边商户 | 商户说的生意数据通常夸大一倍 | 自报数据偏差30-100% |
| 看竞品排队 | 排队不代表赚钱，可能因为客单价太低 | 排队长≠利润好 |
核心问题是：你在用「肉眼可见的局部信息」判断一个需要「系统数据」的问题。
二、AI选址四步法
第一步：商圈热力图——找到「你的客人」在哪里
美团、高德、百度都有商圈热力图功能，能显示一个商圈的人流密度、消费水平、品类分布。但大部分人只用它看「哪里人多」，忽略了最关键的信息——人群画像。
AI的做法：把你现有的成功门店周边3公里的人群画像（年龄、消费力、餐饮偏好、外卖习惯）作为「种子画像」，在全国/城市地图上找到画像最相似的区域。这不是找「人多的地方」，是找「和你已有客人最像的地方」。
举个例子：你的茶饮品牌20-30元客单价，核心客群是25-35岁女性白领。AI会标出——这个商圈虽然总人流5万/天，但25-35岁女性白领只占12%（6000人）；另一个商圈总人流2万/天，但目标客群占40%（8000人）。明面上人流差2.5倍，实际上目标客群第二个商圈反而更多。
第二步：竞品密度分析——算「品类饱和度」
只看人流不考虑竞品密度，等于只看了半个画面。
AI抓取目标商圈3公里内所有同品类店铺的数据：
- 店铺数量：同品类超过12家？竞争激烈，谨慎进入
- 集中度：Top3店铺占总订单的70%以上？说明赢家通吃，新品牌很难切入
- 空置率：该商圈同品类近半年关了几家店？关店多说明品类过剩
- 价格带分布：你的价格在什么位置？如果该商圈80%订单在15元以下，你25元的定位就是天花板
| 指标 | 危险信号 | 安全信号 |
|---|---|---|
| 同品类店铺数 | ≥15家 | ≤8家，且品类总订单量在增长 |
| Top3集中度 | >60% | <40%，市场分散有机会 |
| 近半年关店数 | ≥3家关店 | 0家关店，或新店持续开 |
| 你的价格带占比 | 你的价格带订单<10% | 你的价格带订单>20% |
第三步：外卖数据交叉验证——线下选址，线上验证
这是AI选址最被低估的一步。一个商圈线下人流大，但线上外卖数据差——说明这个商圈的消费场景是「路过顺便买」，不是「主动搜索购买」。
外卖数据怎么看：
- 品类月销量：目标商圈你的品类外卖月总订单量。如果奶茶品类月销不到5000单（日均167单，15家店分），线上天花板很低
- 外卖/堂食比：如果该商圈同品类外卖占比超过70%，你的店必须设计外卖动线——出餐速度是核心竞争力
- 客单价匹配：外卖平台上同品类Top店铺的客单价是多少？如果你的客单价高于这个数30%以上，外卖渠道可能跑不动
💡 实操Tips
打开美团外卖App，定位到目标商圈，搜你的品类，看「销量排序」前20名。记下3个数字：第1名的月销量、第10名的月销量、平均客单价。如果第1名月销不到2000单，这个品类的线上市场太小——只靠线下可能撑不起来。
第四步：AI选址打分模型——把感觉变成分数
前三步做完，你应该有5-10个候选点位了。第四步给每个点位打分，排出优先级。
| 评分维度 | 权重 | 数据来源 |
|---|---|---|
| 目标客群密度 | 25% | 高德/百度人群画像 |
| 人流质量（停留时长） | 15% | 商圈热力图+地铁刷卡数据 |
| 竞品密度与集中度 | 20% | 美团/点评店铺数据 |
| 外卖品类销量 | 15% | 外卖平台公开数据 |
| 租金占预估营收比 | 15% | 你的财务模型 |
| 商圈增长趋势 | 10% | 近半年新开店数量+品类增长率 |
每条维度1-10分，加权总分=最终选址分。10个候选点位中取前三，加上你自己的商业判断，最后选一个。
案例：某快餐品牌选址实战
该品牌准备在杭州新开5家店。传统方式：区域经理推荐+老板实地考察，花了2个月选了5个点位。AI辅助：拉取全杭州目标客群热力图+外卖品类数据，3天筛出12个候选点位，打分后取Top5。
结果对比：传统选址的5家店，开业6个月成活率60%（3家活2家关）；AI辅助的5家店，成活率100%，且首月日均营业额比传统选址高35%。
差异在哪？AI筛掉了两个「看着人流大但目标客群少」的点位，加了两个「不起眼但外卖数据爆好」的点位。
三、AI选址的3个边界
3.1 AI算不准「未来变化」
AI基于现有数据做分析，但预测不了「半年后对面要开一个竞品」「这个商场3个月后要重新招商」。AI给的是当下的数据基准线，未来变化要你自己判断。
3.2 AI替代不了「现场感觉」
有些信息数据里没有：店铺的门头能见度怎么样？门口有没有台阶影响客流？隔壁是什么业态？这些要人去现场看。AI是初筛，最终决策结合实地考察。
3.3 AI有一个「品类盲区」
AI分析基于已有的品类数据，如果你做的品类太新（比如某种新概念餐饮），历史数据很少，AI的准确度会下降。这时候需要更多依赖试点经验和人工判断。
四、从选址到开店的AI全流程
选址只是第一步。定好位置之后，AI还可以帮你做更多：新店筹备期的市场预热方案（配合AI营销全链路）、首批员工招聘（用AI人才筛选）、新店运营前3个月的数据监控和异常预警（配合AI数据驱动）。
选址、招人、运营、营销——AI不是只帮你做一件事，是帮你串起一整条开店链路。这也是为什么之前的文章一直在讲AI落地实战：一步一个脚印，每个脚印都有数据可查。