一、项目背景

客户是一家做社区型烘焙连锁的品牌，全国六百多家店，直营加联营各一半。找我们的时候他们刚开完年度复盘会，会上一个数据把大家都惊到了：上一年新开的一百一十七家店，有三十九家在半年内单店月均毛利没能覆盖房租和人工，其中十一家已经关了。

关店的成本不低。一家一百二十平的社区店，装修加设备投入三十多万，转让费另算，关一家基本就是打了水漂。

复盘时最难受的不是亏，是说不清为什么。选址流程写在制度里是有的：区域经理踩点、填一张评估表、报开发部、开发部会签。但那张表填出来的东西很虚，"人流量：较好""竞争情况：一般""交通便利性：便利"。等到店开了半年不行，翻回去看那张表，什么结论都推不出来。

开发部总监说了句大实话：我们不是没有流程，我们是没有证据。

二、落地场景

我们做的事分四块，模型在其中扮演的是"把散落证据组织成判断"的角色，不是拍板的角色。

商圈数据汇聚与清洗。能拿到的数据比想象中多：品牌自己六百多家门店的历史经营数据（这是最值钱的）、外卖平台的商圈订单密度、地图服务商的 POI 和路网、房产平台的租金参考、人口普查和统计年鉴的区域数据、还有区域经理踩点时按结构化模板采集的实地信息。这些数据口径完全不一样，清洗和对齐花的时间占了整个项目的一半以上。

竞争与客流特征建模。围绕一个候选点位，画三个圈（步行五分钟、十分钟、骑行十五分钟），在每个圈里算特征：常住人口结构、写字楼和小区数量、同品类门店密度和评分分布、早晚高峰的人流方向、周边有没有学校和地铁口、租金水平相对区域中位数的位置。这些特征加上历史门店的经营结果，训了一个基础的预测模型，给出销售额预测区间。

大模型生成评估报告。这是新加的一层。基础模型只出一个数，看的人不知道该不该信。大模型这层的任务是把所有特征、历史相似门店的表现、区域经理踩点的文字记录组织成一份可读的评估报告，说清楚这个点位好在哪、风险在哪、跟哪几家已开门店最像、那几家现在活得怎么样。报告结尾给一个建议等级，同时必须列出至少两条反对理由。

开店后回溯校准。新店开业满三个月和满六个月，系统自动把实际经营数据跟当初的预测比对，偏差大的案例进入复盘池，人工标注原因，反哺特征工程。

三、关键技术挑战与解决思路

多源数据口径不齐。 这是最琐碎也最耗时的。举个具体的：外卖平台的"商圈"是平台自己划的运营区域，地图服务商的行政区划是另一套，品牌内部的"片区"又是按管理需要划的，三套边界互相不重合。我们最后放弃了统一到某一套行政边界，改成以候选点位为圆心的等时圈作为唯一空间单元，所有数据都归集到这个圈里。这个决定让前期多写了不少空间计算的代码，但后面所有分析都干净了。

小样本城市的泛化。 品牌在华东有四百多家店，样本充足，模型跑得不错。但他们要开的新城市在西南，那边只有七家店，模型预测出来的结果明显不靠谱，把一个明显偏僻的点位打了高分。原因是模型学到的是华东的消费习惯和租金水平。处理办法是引入城市级的调节：把城市按人均可支配收入、餐饮消费指数、烘焙品类渗透率分层，同层城市之间做特征归一化，跨层预测时给出更宽的置信区间并强制转人工。这个做法不算优雅，但至少让模型知道自己什么时候不该说得太肯定。

结论的可解释。 开发部一开始不信模型，理由很朴素："凭什么"。所以报告里不能只有结论。我们让大模型在生成报告时必须引用具体证据，每条判断后面挂上数据来源和数值，同时找出三家历史最相似门店（用特征向量的距离找），把它们的实际经营曲线附上。这个"相似门店对照"是整份报告里业务方最爱看的部分，比任何评分都直观。有个区域经理说，看到跟自己点位最像的那家店现在月均做多少，心里就有数了。

人的经验和模型分歧了怎么办。 这个问题我们纠结了很久。最初的产品设计是模型给分，低于阈值不许上会。跑了两个月，区域经理意见很大，因为确实有几个点位模型打分低但他们坚持看好。我们改了规则：模型不做否决，只做"必须回应"。模型报告里列出的每一条风险，上会时提报人必须逐条书面回应，回应内容存档，将来开店结果出来后跟回应对照。这一改，抵触情绪消了大半，因为决策权还在人手里，模型只是逼着人把话说清楚。后来有两家店开了之后不行，翻出当初的回应记录，发现风险点当初就提示了、回应是"这个不用担心"，这种复盘对组织的价值挺大的。

案例片段（已脱敏）：某候选点位的特征快照（节选）

点位 P-2025-0431  城市层级 T2-B  等时圈：步行10min  常住人口       28,400      同层均值 21,300   分位 0.78  小区数/户数    9 / 6,120   其中 5 年内新盘 3 个  写字楼工位数   1,850       同层均值 3,900    分位 0.31  同品类门店     6 家        密度 2.1 家/万人  分位 0.66（偏密）  竞品平均评分   4.3         本品牌区域均分 4.5  地铁口距离     420m        早高峰出站方向：背向本点位  租金           ￥5.8/㎡/天  区域中位数 ￥4.9    分位 0.81（偏高）  相似门店       S-0188(华东,月均12.4万) S-0421(同城,月均8.7万) S-0355(9.1万) 预测月均营业额区间：8.2 万 ~ 11.6 万（置信 0.7）

案例片段（已脱敏）：评估报告里的反对理由段落

【必须回应的风险】 R1 租金分位 0.81，高于同层城市可比点位。按预测中位数 9.9 万测算，   租金占比约 21%，超过本品牌盈亏平衡线 17% 的经验值。   -> 提报人回应：____________ R2 地铁早高峰出站方向背离本点位，步行 10min 圈内实际可达人流   低于半径圈估算约 23%（按路网可达性修正）。   -> 提报人回应：____________ R3 圈内同品类 6 家，其中 2 家为本品牌自有门店，存在自我分流。   最近的 S-0602 直线距离 610m。   -> 提报人回应：____________ 【建议等级】谨慎推进（需回应 R1、R2 后上会）

四、效果数据

系统用了差不多十个月，覆盖了这期间的全部新店评估。

选址评估周期从平均十一个工作日降到三个工作日。省下来的时间主要在数据收集，以前区域经理要自己跑外卖平台、地图、房产网站抄数据，现在填完实地踩点部分，其余自动生成。

新店半年达标率从上一年的百分之六十六点七提到百分之八十一点四。这是我们最想看的一个数，但要说清楚：不能全归功于系统，同期品牌也收紧了开店节奏，新开店数量少了两成多，本身就更挑。我个人的判断是系统贡献了其中一部分，具体多少说不准。

评估报告的采纳率百分之八十九，指的是上会时报告结论被作为主要依据的比例。剩下百分之十一里，有一部分是战略性开店（比如为了进某个商业体），本来就不看财务预测。

预测偏差方面，开业满六个月的门店实际营业额落在预测区间内的占百分之七十三点五，偏差超过百分之三十的有九家，全部进了复盘池，其中六家的原因归结为周边在建工程延期或提前，这类信息我们目前拿不到。数据为项目复盘口径，已做脱敏。

五、可复用经验总结

选址这类事情，最有价值的数据是企业自己的历史门店经营数据，外部数据是配菜。我们前期花太多力气去谈外部数据源，后来发现真正让模型准起来的是那六百家店三年的日销明细。做类似项目建议先把自家数据盘干净，再考虑买外部数据。

空间单元的选择要早定。行政边界、平台商圈、企业片区三套体系互不兼容，硬要对齐就是无底洞。我们用等时圈作为唯一单元，前期多写代码，后期省了无数麻烦。

大模型在这个场景里的位置要摆对。它不擅长做数值预测，那是传统模型的活；它擅长的是把一堆异构证据组织成人能读、能反驳的叙述。让它写报告、找相似案例、列风险点，比让它直接给分靠谱得多。这个分工是我们中途调整过来的，最初想让大模型端到端出结论，效果并不好。

不要试图用模型去否决人的决策，尤其是在这种经验权重很高的领域。让模型"逼着人回应"，比让模型"替人决定"，落地阻力小一个数量级，而且回应记录本身就是组织资产。这一条我认为是整个项目里最重要的设计。

现在还差的一块是施工和规划信息。有六家店的偏差都是因为周边工程进度变化，这类信息公开渠道很零散，人工去查成本高。我们试过让模型去检索公开的规划公告，准确率不理想，暂时还是靠区域经理踩点时问物业。这块还没想到好办法。