连锁门店选址分析怎么做：从踩点到一张能排序的候选清单

几乎所有连锁品牌的选址流程都长这样：区域经理踩点、拍照、数人流，回来做一份 PPT，会上讨论，老板拍板。这套流程本身没错，问题是它没法比较——十个点位十份 PPT，各说各的好，最后比的是谁汇报得更有说服力。

选址分析要解决的不是"这个点好不好"，而是"这十个点该按什么顺序开"。下面是完整流程。

第一步：先解释现在的门店，再预测新的

这是最反直觉、也最容易被跳过的一步。很多人一上来就想给新点位打分，但模型凭什么知道什么样的点位好？它得先从你现有的门店里学。

做法是把每家现有门店的营业额当作被解释变量，把位置特征当作解释变量——周边常住人口、办公人口、竞品数量与距离、临街面、楼层、可见性、租金、外卖订单密度、公交地铁可达性等等。跑出来的模型会告诉你两件事：

• 哪些因素真正有解释力。经常出现的结果是：某个你一直很在意的指标（比如"日均人流量"）解释力其实很弱，而某个没人管的指标（比如"周边写字楼晚餐时段留存"）反而很强。
• 你的模型能解释多少。如果现有门店的营业额差异，你的位置特征只能解释三成，那说明剩下七成来自别的东西（店长能力、装修、开业时间、局部竞争），这时候对新点位的预测区间必然很宽——这个宽度必须告诉决策者，而不是藏起来。

第二步：给候选点位打分，但要给区间

把第一步学到的关系套到候选点位上，得到预测营业额。这一步的技术含量不高，真正要小心的是两件事：

外推风险。如果候选点位的某个特征远超现有门店的范围——比如你所有门店都在社区，现在要开一家在机场——模型是在外推，预测值基本不可信。正确做法是给每个候选点标注"与训练数据的相似度"，落在覆盖范围之外的要单独标红，而不是照样给一个分数。

幸存者偏差。你用来训练的是"现在还开着的门店"，它们本来就是当年选址决策的成功样本。关掉的、没开成的点位不在数据里，模型没见过失败长什么样。能找回已关闭门店的数据就一定要找回来，哪怕不全。

第三步：算自蚕食，这一步经常反转结论

模型算出候选点位年营业额 400 万，管理层往往直接当成净增 400 万。但如果这个点离你现有门店只有 800 米，其中可能有相当一部分是从老店转移过来的。

不做自蚕食测算的选址结论会系统性高估扩张收益——门店数涨了，单店营业额却在跌，这是连锁扩张最常见的坑。做法上需要在模型里显式加入"与既有门店的距离/商圈重叠度"这类变量，并单独输出一张"新店对周边哪几家老店、分别影响多少"的测算表。

我们见过不止一次：某个点位单看很漂亮，算完蚕食就不划算了。这张表经常是决策反转的关键。

第四步：敏感性分析，决定这个排序稳不稳

一个排序如果租金涨 20% 就翻转，那它作为决策依据是脆弱的。至少要跑三种情形：租金上涨、客流下降、竞品进入。看排序前三名会不会变。

稳健的结论长这样："在租金上涨 20% 以内、客流下降 15% 以内的情形下，A、C 两个点位始终排在前二。"——这才是能拿去开会拍板的东西。

需要什么数据

• 必须有：现有门店坐标 + 至少 12 个月的营业数据（能到日更好）；候选点位清单与租金、面积、临街面等基础信息。
• 强烈建议有：已关闭门店的历史数据；外卖平台的订单密度（它比第三方人流数据更贴近你的真实客群）。
• 可选：周边人口与竞品分布（可采购）、POI 数据、交通可达性。

特别提醒一句关于买来的人流数据：它衡量的是"经过的人"，不是"会进来消费的人"。写字楼下的人流工作日中午爆发、周末归零；地铁口的人流大部分只是路过。同样的人流数值对快餐、咖啡、正餐的意义完全不同。务必用你自己现有门店的实到客数去校准它——经常会发现某个花钱买的指标，在你的业态里解释力接近于零，那这笔钱下次就能省了。

什么时候不值得做

• 一年只开一两家店。模型的成本摊销不下来，不如把钱花在把这一两个点位调研透。
• 现有门店少于 20 家。样本太小，学不出稳定的关系，这时候更适合做的是把选址标准写成一张明确的检查表，先积累结构化数据。
• 业态刚变过。菜单大改、客群转移之后，历史门店的规律未必还适用，要先观察几个月。

最后一句：一份靠谱的选址报告，应该给的是带区间的排序 + 自蚕食测算 + 敏感性结论 + 明确写出的失效条件。如果只有一张点位排名表和一个漂亮的综合分，那它更像销售材料，不像分析结论。