用于选址的位置智能

用于选址的位置智能结合了当前位置网络、第一方需求、商圈、出行时间和已批准的市场数据，以比较企业可能的扩张地点。空间分析可以揭示值得进行物业搜索的覆盖缺口和重叠分支机构。候选名单仅供参考，而非收入预测。财务、房地产和运营部门最终决定是否开设某个地点，而 Kaleidr Analytics 可以添加地图和地点行为分析，但并不拥有最终决策权。

以下各节分别阐述市场、商圈、候选地点和投资组合决策，然后涵盖第一方需求、空白市场与蚕食市场、外部数据、Kaleidr 的定位以及一个小型试点项目。相关阅读包括面向多地点企业的空间人工智能、位置智能与空间人工智能、空间分析与网络分析和地图产品的空间分析仪表板关键绩效指标。面向客户的网点选择和内部扩张规划应分开进行：前者帮助客户选择现有网点，后者帮助企业决定网络扩张的方向。

选址要点

从现有网络入手： 稳定的位置 ID、状态、容量和可靠的结果优先于任何新的地图标记。

需求并非设备位置： 搜索地理位置、选定位置地理位置和结果地理位置应保持独立。

覆盖范围取决于出行方式： 驾车时间、步行时间、公共交通或实际服务区域比跨格式复制的半径更可靠。

**空白区域和重叠区域是同一个决策：**覆盖范围的缺口和现有分支机构之间的相互蚕食都应该被清晰地呈现出来。

**候选名单并非预测：**房地产、财务和运营部门仍需最终批准新店开业。

在人工审核候选名单之前，我们会将现有业务地点和商圈与第一方需求、覆盖范围缺口、网络重叠以及候选扩张区域进行比较。

选址分析应该缩小考察范围，而不是假装地图可以保证未来选址的业绩。

为什么用于选址的位置智能是一种空间决策？

拥有多家门店的企业可能会询问下一个新店应该开在哪里，但地图上某一图层的高分并不能作为答案。即使某个候选地点的需求强劲，也可能因为现有分支机构已服务于这些客户、交通不便、商圈面积小于预期半径、运营模式不匹配或物业经济效益不佳等原因而失败。表面上的需求高峰也可能是营销活动或季节性因素造成的。真正有价值的问题是：基于一套透明的空间和商业信号，哪些市场和候选地点值得投入更多资源？

团队通常会将四个决策简化为一个短语。市场选择是指哪些城市或地区值得关注。商圈筛选是指利用驾车时间区域、服务区域或自定义多边形，筛选出相对于现有覆盖范围而言需求更具吸引力的子市场。候选地点比较是指在考虑了交通便利性、可见性、停车位、租赁经济效益、分区、竞争情况和出行模式等因素后，从候选名单中选择合适的物业或路口。投资组合优化是指确定企业是否应该开设新店、搬迁、合并、调整规模、关闭门店或重新划分区域边界。空间分析可以为所有这四个决策提供支持，但不同的决策所需的投入和成本却不尽相同。

面向多地点企业的空间人工智能帮助客户在现有分支机构中进行选择。选址分析帮助运营商决定网络应该在哪些地方扩张、缩减或改变布局。位置智能与空间人工智能将地理决策层与查询该决策层的语言模型分离。语言模型可以解释分析师的问题。受控数据和空间计算仍然需要提供证据。

现有网络和第一方需求应该呈现什么？

扩展分析应从企业已运营的网络开始。每个地点都需要一个由运营、商务、地图、分析和规划部门共享的规范标识符，因为分支机构可能会搬迁、重命名、改变格式或暂时关闭。仅凭显示名称加入系统会破坏历史数据比较。有用的记录还包含状态、格式、容量以及公司已认可的业务成果，例如订单、预约、预订或合格转化。地图上的另一个标记点并不等同于网络模型。

第一方数字行为可以显示客户在新地点出现之前就已经表达的意向。例如，门店搜索、配送搜索、自提请求、服务请求、地图浏览、路线查询以及无结果查询。Kaleidr Analytics 目前衡量用户查看、打开和与每个地点互动的频率，比较访问地点及其后续操作，找出聚类和差距，并将这些活动转化为产品、库存和增长团队所需的信号 (Kaleidr, 2026)。这些信号可以成为选址工作流程中的一个证据层。地图和地点互动并不能取代市场数据、物业尽职调查或财务模型。

搜索地理位置并非设备地理位置。一个城市的客户可能在另一个城市搜索服务，如果将这种需求归因于浏览器位置，就会将业务拓展方向导向错误的市场。用户地理位置、搜索地理位置、选定地点地理位置和业务成果地理位置应区分开来。对于选址而言，客户需求的地理位置通常更有用。基于地面空间的商业数据人工智能对其他位置决策也采用了同样的区分：答案必须来自授权记录，而不是语言模型对城市的记忆。

成功的搜索表明需求存在于何处。如果产品存储了原因而非简单的零，则无结果的搜索可以表明网络无法提供服务的原因。附近没有位置、超出服务范围、库存不足、容量不足、行程时间过长以及未提供服务，这些都是不同的拓展问题。汇总这些失败案例可能表明存在覆盖缺口、服务区域问题、库存不匹配，或者某个市场值得深入研究。同样的模式也可能支持开设新分店、推出移动服务、调整配送区域、寻找合作伙伴或重新分配库存。需求减去足够的覆盖范围只是一个筛选信号，而非收入预测。

如何比较覆盖范围、空白区域和蚕食效应？

绘制一个固定半径的圆很容易，但往往无法准确反映实际的可达性。道路、河流、桥梁、公共交通、高速公路和服务边界都会影响实际能够到达某个地点的人群。与业务相匹配的商圈可能是短途驾车、步行、乘坐公共交通工具、服务多边形或历史辐射范围。咖啡店、专科诊所、目的地零售店和酒店并不共享同一个辐射范围，而且酒店的辐射范围受机场、场馆和客流的影响，而非居民区半径。不要将同一条贸易区规则复制到所有格式中。

历史覆盖范围来自观察到的结果，例如汇总的始发区域、配送区域、预订市场或方向行为。模型覆盖范围来自出行时间或服务区域规则，更易于进行一致的比较。观察到的覆盖范围可能更贴近实际情况，但也可能继承当前网络的偏差，因为客户只会出现在企业已运营的区域。许多团队会同时保留这两种覆盖范围，并在地图上标注显示的是哪一个。忽略出行情况的覆盖范围会将一个距离较近但速度较慢的网点视为比一个位于直达路线上的较远网点更容易到达。

空白区域是指当前网络未能充分覆盖的地理机会：合格的需求和市场吸引力减去现有覆盖范围和竞争压力。计算公式属于企业。蚕食效应是同一决策的另一面。新网点可以通过出行时间重叠、覆盖范围重叠或搜索区域重叠来扩展覆盖范围，同时仍然会从现有分支机构抢占需求。高重叠度并非必然是拒绝某个网点的理由，因为某些网络模式有意采用密集型网络。规划要求是，在任何人将空白区域视为某个位置能够有效运行的证据之前，必须先明确重叠区域的存在。

以下对比仅供参考。实际部署应根据网络和现有需求数据填充相同的列。两列数据均无优劣之分。方案 A 可能满足更直接的需求，但仍会蚕食附近分支机构的流量。方案 B 可能填补空白，但重叠较少，且存在更多未被满足的无结果需求。正确的选择取决于策略是追求密度还是覆盖范围。

信号	候选方案 A	候选方案 B
本地合格需求	高	中
现有网络重叠	高	低
客户出行时间	更短	更长
竞争对手存在	中	低
第一方无结果需求	中	高

两个候选区域展示了在满足现有地点附近强劲需求和填补服务不足的地理空白（网络重叠度较低）之间的权衡。

空白区域和蚕食效应描述了同一网络决策的不同方面；正确的选择取决于业务战略，而不是一个通用的评分。

外部市场数据和 Kaleidr 的定位是什么？

第一方行为不应取代市场数据。人口、日间人口、就业、流动性、竞争、合租人、交通便利性、租金、分区、风险以及开发项目规划都会影响候选名单是否值得进行房产搜索。 Esri 的零售选址适宜性指南指出，分析师可以利用客流量、人流量、人口统计数据和家庭收入等地理处理数据来评估潜在选址并进行评分，其中还列出了竞争分析作为决策输入之一 (Esri, 2026)。该页面描述了 Esri 自身的零售工作流程。其工具的供应商对工具的介绍并非 Kaleidr 评分模型，人口统计数据本身也无法用于选址。

CBRE 零售分析描述了用于市场规划和选址的数据科学建模，其商圈指南指出，任何单一数据源或方法都不足以满足需求：有效的商圈划分应结合多种数据源，并考虑每个企业的独特战略因素 (CBRE, 2026)。同一页面还提到了空白空间分析以及对现有商铺之间相互影响的评估。 CARTO 的选址资料描述了旨在避免蚕食市场份额的空白市场分析、针对现有门店网络和竞争对手划分的商圈，以及将内部数据与客流量等外部数据相结合的方法（CARTO, 2026）。这些段落描述了各供应商自身的产品。外部市场数据仍应纳入决策考量，具体依据数据提供商实际授予的许可和方法。

每个空间要素都应保留其来源、更新时间、地理单元、方法和已知限制。原始搜索计数具有误导性，因为更大的市场可能产生更多查询，但并不一定意味着更高的有效搜索意图率。应比较各项指标，例如每次会话的有效搜索次数、每次有效搜索的无结果搜索次数以及每个合格结果的选择次数，并在比较需要时按人口、家庭、面积或就业情况对外部图层进行标准化。按邮政编码、普查区、社区、六边形或驾车时间多边形对相同需求进行分组可能会改变表面模式，这就是可变面积单元问题（Openshaw, 1984）。在将行政边界视为市场之前，应测试该模式是否经得起第二次合理的聚合。

Kaleidr 的公共分析页面并未提供现成的统计目录、客流量数据集、租赁数据库、分区引擎、收入预测或自动网点审批功能。当工作流程需要这些输入时，它们来自主机或经批准的外部提供商。 Kaleidr Enterprise 目前描述了包含推理 API、排名系统、分析和空间产品部署支持的位置智能基础设施 (Kaleidr, 2026)。因此，一个实用的架构是：第一方系统、授权市场数据、空间计算以及 Kaleidr 分析或企业级层，这些都集成在一个内部扩展应用程序中。主机仍然拥有网点模型、数据许可、财务假设、房地产尽职调查和投资审批。

第一方需求和业务数据与已批准的外部市场数据相结合，用于创建商圈、覆盖范围、空白区域和重叠区域等特征，然后由人工审核网点候选名单。

扩展决策需要多个受监管的数据源；空间人工智能可以帮助查询和解释分析结果，而无需捏造市场事实。

团队应如何试点、评估并确保候选名单的真实性？

排名候选名单会指出哪些候选地点比其他候选地点更符合既定的筛选标准。预测是指某个地点预计会产生特定的未来业绩，而这一预测需要历史开业数据、可比业绩、租赁经济性、季节性因素、竞争情况以及运营模式等数据支持。不要将地图互动率作为门店收入的预测指标。示例评分可以分别对需求匹配度、覆盖缺口、可达性和重叠度进行加权，但这些权重属于业务政策，变更时应进行版本更新。委员会应查看所有组成部分。单一且未经解释的总分更难管理。

如果公司有历史开业记录，回测会检验同样的规则是否能仅使用开业前的信息对这些地点进行合理的排名。仅对存活下来的分店进行培训无法揭示被拒绝或关闭的地点失败的原因，因此，如果公司仍然保留已关闭、已搬迁或已拒绝的候选地点信息，则应将其记录在案。现有位置的绩效并非完全取决于网点质量，因为营销支出、租赁条款、品牌知名度和运营都会影响结果，因此，在数据允许的范围内，位置效应应与运营效应分开考虑。网点上线后，将最初的假设与实际的网点互动和业务成果进行比较，然后在下一个周期更新。空间分析与网络分析解释了为什么会话数无法回答地理位置问题，而地图产品的仪表盘KPI则介绍了这些信号所处的衡量架构。

新店选址应与开业时间相近的店铺进行比较，而非与已营业多年的店铺进行比较。当重叠度高、独特需求低且附近分店有可用服务能力时，同样的方法也能筛选出潜在的合并对象，但关闭店铺仍需进行人工和财务评估。特许经营区域的划分不应追求面积相等，因为面积相等并不意味着机会均等。诊所、酒店、取货中心和市场等，即使扩张单元是服务区或城市而非实体店面，也可以采用相同的需求、覆盖范围、可达性和容量模式。精确的客户来源地并非理想的规划依据：应将客户信息汇总到区域、商圈或出行时间范围内，忽略过小的单元格，并且不要绘制家庭住址的热力图。

一项实际试点研究旨在探究某个都市区内哪些子市场值得为接下来的几个新店选址进行选址。使用稳定的标识符和可信的结果加载活跃网络，汇总合格的搜索和无结果原因，计算出行时间覆盖范围和重叠部分，并仅添加假设所需的外部变量。生成一份市场候选名单，而非租赁合同。随后，扩张和房地产团队会检查物业的经济效益、运营情况、品牌战略和当地条件。衡量生成候选名单所需时间、人工调整率、稳定性以及候选名单是否可解释和可回测，而不是图层数量或分析师提出的问题数量。企业空间人工智能试点项目也遵循同样的原则：在扩展工作流程之前，先验证一项任务的可行性。

选址反馈循环将现有的网络分析和候选筛选与经过人工审核的新店开设联系起来，然后利用地点参与度和业务成果来改进未来的扩张模式。

最强大的选址系统会在开业后不断学习：在下一个扩张周期之前，将最初的假设与实际的客户行为和业务成果进行比较。

下表整理了本文归纳的常见错误。实际团队应根据已管理的网点网络、需求数据和市场数据填写相同栏目。隐藏组成要素的空间筛选无法经受财务审查。

错误	结果	更佳方案
使用原始搜索次数	大型市场看起来异常强劲	比较的是比率，而不是原始总数
将需求归因于设备	搜索地理位置指向了错误的城市	将用户、搜索和结果的地理位置分开
使用半径作为商圈	访问情况存在偏差	使用出行时间或实际服务区域
将空白区域视为保证访问量机会	虚假自信	将其作为筛选信号
隐藏网络重叠	蚕食行为不可见	显示现有位置的覆盖范围
发布一个不包含任何组成部分的单一评分	治理能力减弱	公开输入和权重
将排名称为预测	模型过度预测	将候选名单与预测结果分开
仅使用开放门店进行训练	失败案例永远不会进入记录	保留已关闭和已拒绝的候选地点
存储确切的客户来源	隐私风险增加	汇总需求
假设 Kaleidr 提供人口统计数据或客流量数据	产品声明有误	提供已批准的外部数据

探索 Kaleidr Analytics，比较企业现有地图上的地点互动情况和空间模式。探索 Kaleidr Enterprise，将这些数据与推理 API、排名和部署支持连接起来。扩展决策仍然由拥有网络、租赁和财务模型的团队负责。

常见问题解答

什么是选址位置智能？

选址位置智能结合了现有网络、客户需求、商圈、可达性、竞争情况和已批准的市场数据，筛选出企业可能扩展的地点。最终的候选名单仍需进行财务、运营和房地产方面的审查。

什么是选址分析？

选址分析会将潜在市场或实体选址与一套一致且有据可查的空间和商业标准进行比较。这种比较是一种筛选方法，并非自动批准开业的依据。

什么是空白市场分析？

空白市场分析旨在寻找现有位置网络服务不足的合格需求区域。分析结果仅供参考，并非证明新选址一定盈利。

选址中的“蚕食效应”是什么？

当新选址抢占了原本会流向现有选址的需求时，就会发生蚕食效应。出行时间重叠、覆盖范围重叠和搜索区域重叠等因素会在开业前使这种风险显现出来。

选址应该使用半径还是行驶时间？

使用与顾客实际到达商家位置相符的地理位置。驾车时间、步行时间、公共交通便利程度、服务区域范围或历史辐射范围通常比在所有格式中复制一个半径更贴近实际。

顾客地图搜索能否帮助选择新店址？

当搜索地理位置与设备分离，且空结果原因被记录时，汇总的、合格的搜索行为和无结果行为可以作为有用的第一方需求信号。这些信号应与外部市场和房产数据并存，而不是取代它们。

选址评分与收入预测相同吗？

不同。选址评分根据企业定义的标准对候选地点进行排名。收入预测则预测未来的业务成果，需要历史数据、财务假设和验证计划。

空间人工智能能否自动选择下一个选址？

更安全的架构使用语言模型来解释问题并说明受控空间分析。最终的扩张决策仍由企业及其房地产、财务和运营团队做出。

Kaleidr Analytics 如何支持选址？

Kaleidr 目前提供的分析功能主要围绕地图和地点互动展开，包括比较不同地点、识别空间模式，并将用户活动转化为产品、库存和增长决策。这些第一方信号有助于更广泛的选址流程。

Kaleidr 是否提供用于选址的人口统计数据或客流量数据？

Kaleidr 目前的公开分析和企业页面并未提供现成的人口统计数据或客流量目录。除非特定的企业集成另有规定，否则这些数据集应来自企业或经批准的外部供应商。

选址分析是否适用于零售业以外的领域？

是的。需求、覆盖范围、可达性和容量分析可以支持诊所、酒店、市场、分支机构、联合办公空间、物流中心和其他位置相关的网络。这些功能应与业务模式相匹配。

扩展试点项目应该衡量哪些指标？

衡量工作流程是否能够更快地生成一份可解释且历史数据可靠的候选名单。层数和分析师提问数量并非衡量成功的有效指标。

参考文献

Kaleidr. Map Engagement and Location Analytics. Accessed 22 September 2026. https://kaleidr.com/analytics
Kaleidr. Location Intelligence APIs and Map SDK. Accessed 22 September 2026. https://kaleidr.com/enterprise
Esri. Retail Store Location Analysis | Retail Site Suitability & Selection. Accessed 22 September 2026. https://www.esri.com/en-us/industries/retail/strategies/site-suitability
CBRE. CBRE Retail Analytics. Accessed 22 September 2026. https://www.cbre.com/services/transform-business-outcomes/retail-analytics
CARTO. Site Selection with Location Intelligence. Accessed 22 September 2026. https://carto.com/solutions/site-selection/
Kaleidr. Spatial AI for Multi-Location Businesses. Accessed 22 September 2026. https://kaleidr.com/blog/spatial-ai-for-multi-location-businesses
Kaleidr. Location Intelligence vs. Spatial AI. Accessed 22 September 2026. https://kaleidr.com/blog/location-intelligence-vs-spatial-ai
Kaleidr. Spatial Analytics vs. Web Analytics. Accessed 22 September 2026. https://kaleidr.com/blog/spatial-analytics-vs-web-analytics
Kaleidr. Spatial Analytics Dashboard KPIs for Map Products. Accessed 22 September 2026. https://kaleidr.com/blog/spatial-analytics-dashboard-kpis-for-map-products
Kaleidr. Grounded Spatial AI for Business Data. Accessed 22 September 2026. https://kaleidr.com/blog/grounded-spatial-ai-business-data
Kaleidr. Enterprise Spatial AI Pilot Before Scaling. Accessed 22 September 2026. https://kaleidr.com/blog/enterprise-spatial-ai-pilot-before-scaling
Openshaw, S. The Modifiable Areal Unit Problem. Concepts and Techniques in Modern Geography 38. Geo Books, 1984. https://github.com/qmrg/CATMOG/blob/Main/38-maup-openshaw.pdf

@misc{kaleidr_analytics_site_selection_2026,
  title  = {Map Engagement and Location Analytics},
  author = {{Kaleidr}},
  year   = {2026},
  note   = {Accessed 22 September 2026},
  url    = {https://kaleidr.com/analytics}
}

@misc{kaleidr_enterprise_site_selection_2026,
  title  = {Location Intelligence APIs and Map SDK},
  author = {{Kaleidr}},
  year   = {2026},
  note   = {Accessed 22 September 2026},
  url    = {https://kaleidr.com/enterprise}
}

@misc{esri_site_suitability_2026,
  title  = {Retail Store Location Analysis | Retail Site Suitability \& Selection},
  author = {{Esri}},
  year   = {2026},
  note   = {Accessed 22 September 2026},
  url    = {https://www.esri.com/en-us/industries/retail/strategies/site-suitability}
}

@misc{cbre_retail_analytics_2026,
  title  = {CBRE Retail Analytics},
  author = {{CBRE}},
  year   = {2026},
  note   = {Accessed 22 September 2026},
  url    = {https://www.cbre.com/services/transform-business-outcomes/retail-analytics}
}

@misc{carto_site_selection_2026,
  title  = {Site Selection with Location Intelligence},
  author = {{CARTO}},
  year   = {2026},
  note   = {Accessed 22 September 2026},
  url    = {https://carto.com/solutions/site-selection/}
}

@misc{kaleidr_multi_location_2026,
  title  = {Spatial AI for Multi-Location Businesses},
  author = {{Kaleidr}},
  year   = {2026},
  note   = {Accessed 22 September 2026},
  url    = {https://kaleidr.com/blog/spatial-ai-for-multi-location-businesses}
}

@misc{kaleidr_li_vs_spatial_ai_2026,
  title  = {Location Intelligence vs. Spatial AI},
  author = {{Kaleidr}},
  year   = {2026},
  note   = {Accessed 22 September 2026},
  url    = {https://kaleidr.com/blog/location-intelligence-vs-spatial-ai}
}

@misc{kaleidr_spatial_vs_web_2026,
  title  = {Spatial Analytics vs. Web Analytics},
  author = {{Kaleidr}},
  year   = {2026},
  note   = {Accessed 22 September 2026},
  url    = {https://kaleidr.com/blog/spatial-analytics-vs-web-analytics}
}

@misc{kaleidr_dashboard_kpis_2026,
  title  = {Spatial Analytics Dashboard KPIs for Map Products},
  author = {{Kaleidr}},
  year   = {2026},
  note   = {Accessed 22 September 2026},
  url    = {https://kaleidr.com/blog/spatial-analytics-dashboard-kpis-for-map-products}
}

@misc{kaleidr_grounded_spatial_ai_2026,
  title  = {Grounded Spatial AI for Business Data},
  author = {{Kaleidr}},
  year   = {2026},
  note   = {Accessed 22 September 2026},
  url    = {https://kaleidr.com/blog/grounded-spatial-ai-business-data}
}

@misc{kaleidr_enterprise_pilot_2026,
  title  = {Enterprise Spatial AI Pilot Before Scaling},
  author = {{Kaleidr}},
  year   = {2026},
  note   = {Accessed 22 September 2026},
  url    = {https://kaleidr.com/blog/enterprise-spatial-ai-pilot-before-scaling}
}

@book{openshaw_maup_1984,
  title     = {The Modifiable Areal Unit Problem},
  author    = {Openshaw, S.},
  year      = {1984},
  series    = {Concepts and Techniques in Modern Geography},
  number    = {38},
  publisher = {Geo Books},
  url       = {https://github.com/qmrg/CATMOG/blob/Main/38-maup-openshaw.pdf}
}