CN109447374A - 一种基于大数据分析的新店快速选址方法和装置 - Google Patents
一种基于大数据分析的新店快速选址方法和装置 Download PDFInfo
- Publication number
- CN109447374A CN109447374A CN201811369740.7A CN201811369740A CN109447374A CN 109447374 A CN109447374 A CN 109447374A CN 201811369740 A CN201811369740 A CN 201811369740A CN 109447374 A CN109447374 A CN 109447374A
- Authority
- CN
- China
- Prior art keywords
- data
- people
- shop
- acquisition
- information
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000007405 data analysis Methods 0.000 title claims abstract description 33
- 238000010187 selection method Methods 0.000 title claims abstract description 16
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000013499 data model Methods 0.000 claims description 15
- 230000007306 turnover Effects 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000007639 printing Methods 0.000 claims description 6
- 230000000750 progressive effect Effects 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001934 delay Effects 0.000 claims description 2
- 230000000505 pernicious effect Effects 0.000 claims description 2
- 230000006978 adaptation Effects 0.000 claims 1
- 239000011159 matrix material Substances 0.000 abstract description 10
- 230000015572 biosynthetic process Effects 0.000 abstract description 3
- 238000013178 mathematical model Methods 0.000 abstract description 3
- 238000010845 search algorithm Methods 0.000 abstract description 3
- 238000003786 synthesis reaction Methods 0.000 abstract description 3
- 230000002708 enhancing effect Effects 0.000 abstract description 2
- 238000010276 construction Methods 0.000 description 10
- 230000001932 seasonal effect Effects 0.000 description 8
- 230000008901 benefit Effects 0.000 description 5
- 238000004891 communication Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 231100000749 chronicity Toxicity 0.000 description 2
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000001310 location test Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004781 supercooling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000011535 turnover analysis Methods 0.000 description 1
- 230000003442 weekly effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
- G06Q10/043—Optimisation of two dimensional placement, e.g. cutting of clothes or wood
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Marketing (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于大数据分析的新店快速选址方法和装置，属于数据处理和信息系统领域；该方法包括：步骤S1、数据采集步骤；步骤S2、数据过滤计算步骤；步骤S3、数据分析步骤；步骤S4、数据标注步骤；步骤S5、数据查询步骤；步骤S6、数据更新和修正步骤。通过多元化的数据采集方式建立结构化的数据信息，构建方向点矩阵，充分考虑人流量和人流质量(包括人流来源、方向等)等多因素，并通过数学模型结合启发式搜索算法从一个或多个待选预定点地址中综合多因素，增强商业选址的客观性，能够帮助用户快速地选取最佳的地址。
Description
技术领域
本发明涉及大数据和地理信息系统技术领域，尤其涉及一种物联网节点物理地址选定的方法和装置。
背景技术
商铺选址是在租建商铺之前对店铺的地址进行论证和决策的过程。商铺选址的意义非常重大，商铺选址是一项长期性投入，相对于其他因素来说，它具有长期性和固定性，当外部环境发生变化时，其他经营因素都可以随之进行相应调整，以适应外部环境的变化；店址一经确定就难以在短期内变动，店址选择得好，企业可以长期受益；商铺选址是影响企业经济效益的重要因素，对于商铺来说，占有客观的地利优势，就可以吸引顾客。实践证明，由于店铺所处的地理位置不同，尽管在商品质量、服务水平方面基本相同，也可能会导致经济效益当面的差距。商铺选址是制定经营目标和经营战略的重要依据，商业企业在制定经营目标和经营战略时，需要考虑很多因素，其中包括对店铺所进行研究，从而为企业制定经营目标提供依据，并在此基础上按照顾客构成及需求特点，确定促销战略。
现有的商铺选址的方法当中，主要通过人工采集的方式，通过在预先选定的几个人流量多的地址中进行人为的数据统计和观察，考虑的因素主要包括人流量、店面租金、流动的人员结构等因素，由于采用人工采集以及人工评估的方式，因此评估结果的不确定性非常严重，不仅仅缺乏客观性，而且投入的时间成本和物力成本非常高，效率低下。
发明内容
现有技术方案主要采用人工的方式进行信息采集和预定地点评估，对最终地址的确定往往是基于专家的经验，缺乏客观性，没有充分考虑人流量和人流质量等而形成的复杂网络的链接关系对商铺选址的影响。
本发明的目的在于提供基于大数据分析的新店快速选址方法和装置，通过多元化的数据采集方式建立结构化的数据信息，构建方向点矩阵，充分考虑用户的来源和去向，并通过数学模型结合启发式搜索算法从一个或多个待选预定点地址中综合多因素，增强商业选址的客观性、科学性和合理性，能够帮助用户快速选地取最佳的地址。
为实现上述目的，本发明实施例提供了一种基于大数据分析的新店快速选址方法，包括以下步骤：
步骤S1：数据采集步骤：确定数据预采集的地域范围，对预采集的地域范围进行划分形成区域地域信息数据，基于区域地域信息数据设置至少一个采集预定点；在所述采集预定点设置数据采集设备，所述数据采集设备包括第一数据采集设备和第二数据采集设备；
通过所述数据采集设备获取原始数据信息，所述原始数据信息包括主体对象数据信息和客体对象数据信息；对所述原始数据信息进行预处理获得结构化的数据信息和方向点阵数据信息；
优选地，所述第一采集设备包括计数装置，摄像装置，图像识别模块，去重模块，数据传输模块；所述第二数据采集设备包括寄存器、存储器、无线通信设备；可用于连接于收银机；打票机；
优选的，所述人流量采集包括如下三种：
A、当店址正前方的道路宽度大于12米，同时允许机动车和自行车通行，采集店址一侧人流，即经过店址正前方的人流；
B、当店址正前方的道路宽度小于6米，则也采集店址对面人流，即采集的总人流量=店址一侧人流量 + 店址对面人流；
C、在下列两种情况下，将店址对面人流的50%计入总采集人流量：
（1）店址正前方的道路宽度6-12米，且同时允许机动车和自行车通行；
（2）店址正前方的道路是步行街，该步行街由政府确认，并且至少在今后两年内不会改变；
采集的总人流量为：店址一侧人流量 + 店址对面人流× 50%；
上述情况下，若有马路中间有大型障碍存在，则不统计店址对面人流；
除了经过公司总部特批的特殊城市外（如:汕头），人流量的统计对象不得包括机动车（轿车或公交车）；只有当店址附近100米范围内有总计不小于100平方米的自行车停放区时，才可以统计自行车流量（包括助动车，摩托车）；但若为D类商圈，则自行车流量可以100%计算，不需要再以50%计算；将自行车流量的50%计入总人流量，则总人流量的计算如下：步行人流量 + 自行车流量×50% = 总人流量；
在一些实施例中，若采集区域附近有施工建设，则店址一侧人流则采用变通方法，例如，如果店址附近有较大规模的市政建设导致封路、变道或特定时间内的人车管制通行而影响正常人流量，则针对距离店址不超过100米，平时人流量与店址相当的位点进行采集。
在一些实施例中，进一步包括人流质量的采集，所述人流质量的采集是以人流量采集为基础，人流质量的采集方法如下：
1）采集经过该店的人的衣着情况，预判经过该店门前的人流中属于城市人口的百分比；
2）采集经过该店的人流的面容和体态，预判12至40岁之间年龄层次的人口的百分比；
3）采集经过该店门前的人流方向，判断该店是否处于人流主动线上；
4）采集经过该店门前的人流扩散至的周边目的地，该目的地包括但不限于周边的商场、停车场、学校、体育馆、车站和酒店等不同类型场所，根据场所类型预判人流目的。
步骤S2：数据过滤计算步骤：将所述数据采集设备采集的所述结构化的数据信息和方向点阵数据信息上传至服务器系统，并将所述结构化的数据信息和方向点阵数据信息经过数据阈值过滤函数处理进行数据过滤，对异常数据进行修正，获得修正后的结构化数据信息和修正后方向点阵数据信息，并将所述修正后的结构化数据信息和修正后方向点阵数据信息通过数据处理模块中的数据写入模块写入数据库中；
步骤S3：数据分析步骤：通过服务器系统的数据处理装置中的数据读取模块，从数据库中读取存储的修正后的结构化数据信息和修正后方向点阵数据信息，将数据传送给数据模型分析模块，所述数据模型分析模块基于数据模型所述修正后的结构化数据信息和修正后方向点阵数据信息进行性分类、计算和排序，获取一个或多个区域地域信息中对应的预定点集合；
步骤S4 ：数据标注步骤：针对所述一个或多个区域地域信息中对应的预定点集合，选取选定数量最优的预定点集合对象在电子地图上进行标注；
优选地，所述选定数量通常为最优的一个或排序为前三的三个；
步骤S5：数据查询步骤，为用户提供查询接口，接收用户的查询请求，将符合用户查询条件的查询结果呈现给用户；所述查询结果为已标注最优目标对象的电子地图；
步骤S6：数据更新和修正步骤：设定周期对数据进行更新；设定时间点对数据库中的数据进行修正；优选地，所述周期为一个星期或者一个月。
为实现上述目的，本发明实施例还提供了一种基于大数据分析的新店快速选址装置，包括数据采集装置、数据过滤计算装置，数据分析装置、数据标注装置、数据查询装置、数据更新和修正装置：
所述数据采集装置为用于确定数据预采集的地域范围，对预采集的地域范围进行划分形成区域地域信息数据，基于区域地域信息数据设置至少一个采集预定点；在所述采集预定点设置数据采集设备，所述数据采集设备包括第一数据采集设备和第二数据采集设备；
通过所述数据采集设备获取原始数据信息，所述原始数据信息包括主体对象数据信息和客体对象数据信息；对所述原始数据信息进行预处理获得结构化的数据信息和方向点阵数据信息的装置；
优选地，所述第一采集设备包括计数装置，摄像装置，图像识别模块，去重模块，数据传输模块；所述第二数据采集设备包括寄存器、存储器、无线通信设备；可用于连接于收银机；打票机；
所述数据过滤计算装置为用于将所述数据采集设备采集的所述结构化的数据信息和方向点阵数据信息上传至服务器系统，并将所述结构化的数据信息和方向点阵数据信息经过数据阈值过滤函数处理进行数据过滤，对异常数据进行修正，获得修正后的结构化数据信息和修正后方向点阵数据信息，并将所述修正后的结构化数据信息和修正后方向点阵数据信息通过数据处理模块中的数据写入模块写入数据库中的装置；
所述数据分析装置为用于通过服务器系统的数据处理装置中的数据读取模块，从数据库中读取存储的修正后的结构化数据信息和修正后方向点阵数据信息，将数据传送给数据模型分析模块，所述数据模型分析模块基于数据模型所述修正后的结构化数据信息和修正后方向点阵数据信息进行性分类、计算和排序，获取一个或多个区域地域信息中对应的预定点集合的装置；
所述数据标注装置为用于针对所述一个或多个区域地域信息中对应的预定点集合，选取选定数量最优的预定点集合对象在电子地图上进行标注的装置；
优选地，所述选定数量通常为最优的一个或排序为前三的三个；
所述数据标注装置为用于为用户提供查询接口，接收用户的查询请求，将符合用户查询条件的查询结果呈现给用户；所述查询结果为已标注最优目标对象的电子地图；将所述查询结果通过用户查询终端呈现给用户的装置；
所述数据标注装置用于设定周期对数据进行更新；设定时间点对数据库中的数据进行修正的装置；优选地，所述周期为一个星期或者一个月，更有选的所述采集针对人流量的采集。
本发明具有如下有益效果，本发明所述方法不仅能够快速完成新店地址的选择，通过整体数据的全方位的计算和测算，为精确选取特定类别的店面地址提供依据。本发明的方法和装置通过多元化的数据采集方式建立结构化的数据信息，构建方向点矩阵，充分考虑了人流量和人流质量采集策略，以及采集点选择等，并通过数学模型结合启发式搜索算法从一个或多个待选预定点地址中综合多因素，增强商业选址的客观性，能够帮助用户快速选地取最佳的地址。
附图说明
图1是本发明提供的基于大数据分析的新店快速选址方法的一个实施例的流程图；
图2是本发明提供的采集区域有施工建设时，数据采集人流的示意图；
图3是本发明提供的采集区域位于位于转角处时，数据采集人流量的示意图；
图4是本发明提供的采集区域位于正在施工的一栋楼房（或一片施工区域）中，数据采集人流量的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1一种基于大数据分析的新店快速选址方法
参见图1，是本发明提供的基于大数据分析的新店快速选址方法的一个实施例的流程图；如图1所示，所述种基于大数据分析的新店快速选址方法包括步骤S1～S6：
步骤S1：数据采集步骤：确定数据预采集的地域范围，对预采集的地域范围进行划分形成区域地域信息数据，基于区域地域信息数据设置至少一个采集预定点；在所述采集预定点设置数据采集设备，所述数据采集设备包括第一数据采集设备和第二数据采集设备；
通过所述数据采集设备获取原始数据信息，所述原始数据信息包括主体对象数据信息和客体对象数据信息；对所述原始数据信息进行预处理获得结构化的数据信息和方向点阵数据信息；
优选地，所述第一采集设备包括计数装置，摄像装置，图像识别模块，去重模块，数据传输模块；所述第二数据采集设备包括寄存器、存储器、无线通信设备；可用于连接于收银机；打票机；
所述人流量采集周期为7天，每天的测算时段为早上8：00--晚上11:00；在进行测算的7天内，避免国定节日；不因为天气因素而调整实测人流量，但遇恶性特殊天气（如：台风），则延后再测。
所述人流量采集包括如下三种：
A、当店址正前方的道路宽度大于12米，同时允许机动车和自行车通行，采集店址一侧人流，即经过店址正前方的人流；
B、当店址正前方的道路宽度小于6米，则也采集店址对面人流，即采集的总人流量=店址一侧人流量 + 店址对面人流；
C、在下列两种情况下，将店址对面人流的50%计入总采集人流量：
（1）店址正前方的道路宽度6-12米，且同时允许机动车和自行车通行；
（2）店址正前方的道路是步行街，该步行街由政府确认，并且至少在今后两年内不会改变；
采集的总人流量为：店址一侧人流量 + 店址对面人流× 50%；
上述情况下，若有马路中间有大型障碍存在，则不统计店址对面人流；
除了经过公司总部特批的特殊城市外（如:汕头），人流量的统计对象不得包括机动车（轿车或公交车）；只有当店址附近100米范围内有总计不小于100平方米的自行车停放区时，才可以统计自行车流量（包括助动车，摩托车）；但若为D类商圈，则自行车流量可以100%计算，不需要再以50%计算；将自行车流量的50%计入总人流量，则总人流量的计算如下：
步行人流量 + 自行车流量×50% = 总人流量；
若采集区域附近有施工建设等障碍，则变通采集点,具体分三种情况：
A如果店址A附近有较大规模的市政建设，因此导致封路，变道或特定时间内的人车管制通行，而影响了正常人流量，则参考以下方法统计人流量： 1）在距离店址不超过100米的范围内，选择平时人流量与店址相当的点测试人流量（如图2的B点）；若B点也有问题，可选择C点。2)如果上述地点均受市政建设影响，导致人流量骤减，则可以考虑找类似的商圈的对等店的方式来预估人流量。3）如果以上几点均因故不适用，方可考虑以A点的实测人流量为基础，乘以X倍，来预估人流量。系数 X是经过市场的反复判断后认定的店址在市政建设前的大约人流量为现在实测人流量的倍数（参见图2）。
B如果店址位于转角处，比如：当店址位于十字路口的转角处时，可以按照图3所示进行测算。 1）分别在两条街的a,b两点统计人流量，所测人流为靠近店址一侧的双向人流，即a和b。2)在c处统计在店址转角处拐弯的人流，即沿箭头1和2拐弯的人流。3）扣除重复统计的人流，则总人流量的公式为总人流量 = a + b - c其中，c统计双向拐弯人流，即c = 1+ 2 因此，对于店址位于转角处的情况，在测算人流量时，至少有3个人在3个点（a,b,c）上同时测算（参见附图3）。
C如果店址位于正在施工的一栋楼房（或一片施工区域）中，因此而影响了正常人流量，则我们可以参考以下变通方法来测人流量：1）可以考虑避开店址，而在其旁边正常营业的街（路）来测人流（参见附图4之 A点);2）可以考虑在附近不远处的马路上测人流量（如图4之B,C处），但应优先选择距离新址最近的马路（尽量不超过100米）。3)如果A,B,C处均因故无法测试，可以在店址的对街处（如图4之D处）来测人流量。4）同时，也应当寻找类似商圈的对等店以做平衡比较的取舍。5）如果在B/C/D处测人流，则其捕获率一般会低于正常测人流量时的水平，因此，在预估营业额时，捕获率要向下调整（由市场自行决定调降幅度）。
进一步采集人流质量，采集方法如下：
采集经过该店的人的衣着情况，预判经过该店门前的人流中属于城市人口的百分比；采集经过该店的人流的面容和体态，预判12至40岁之间年龄层次的人口的百分比；采集经过该店门前的人流方向，判断该店是否处于人流主动线上；采集经过该店门前的人流扩散至的周边目的地，该目的地包括但不限于周边的商场、停车场、学校、体育馆、车站和酒店等不同类型场所，根据场所类型预判人流目的。
步骤S2：数据过滤计算步骤：将所述数据采集设备采集的所述结构化的数据信息和方向点阵数据信息上传至服务器系统，并将所述结构化的数据信息和方向点阵数据信息经过数据阈值过滤函数处理进行数据过滤，对异常数据进行修正，获得修正后的结构化数据信息和修正后方向点阵数据信息，并将所述修正后的结构化数据信息和修正后方向点阵数据信息通过数据处理模块中的数据写入模块写入数据库中。
步骤S3：数据分析步骤：通过服务器系统的数据处理装置中的数据读取模块，从数据库中读取存储的修正后的结构化数据信息和修正后方向点阵数据信息，将数据传送给数据模型分析模块，所述数据模型分析模块基于数据模型所述修正后的结构化数据信息和修正后方向点阵数据信息进行性分类、计算和排序，获取一个或多个区域地域信息中对应的预定点集合。
示例性的，所述数据分析可以包括对新店营业额的预估的过程，通过营业额预估计算识别最好的商圈和店址。
具体的，通过营业额分析能够进一步对店址的规模、现金投资预计（内部装修及设备）、最合适的规模谈判进行评估，利于店址的客观选取。
如表1，预估营业额可采用多种模式。
表1
方法1 —捕获率
一周的营业额的公式可以表示为：周营业额WPSA =周人流量×捕获率×客单价；
方法2—主要竞争者的经验
该方法是根据市场（或商圈内）的主要竞争对手的实际营业状况做为对比资料，亦是一个可行的营业额预估方法。这是对方法1的补充方案，如在商圈内没有竞争对手，无需使用此方法。请参阅不同商圈的定义。
新店的预计营业额为：
竞争对手营业额×指数=新店预计营业额
方法3—每人每周消费额
这种方法只适用于D类商圈。而且，该商圈总人口数和人均收入（元/月）都是非常重要的因数。目前，居民商圈的定义是15分钟自行车路程范围。
举例如下：表2
另一种实施例，季节性因素的调整-详细计算方法
新址的营业额与天气好坏有时会有明显的互动关系，这其中包括了下雨，下雪，台风，天气过热或过冷等，关键在于这些因素容易影响一般人的外出或活动的方便性而导致街上的人流量发生一些变化，我们店址的生意在这些极端的气候影响下，也会不尽遭受波动。
因此，讨论由于受到季节性因素影响的新店预估营业额调整的计算方法。
表3
注：
1）季节性因素是指12月—2月和7月—8月；
2）一般城市可不需要季节性因素的调整，除非像东北地区（冬季）或遇特殊季节情况的地方。
1.在同一周内（第n周），测算新址和对等店的人流量，分别为E和A。
2.用对等店第n周内实际发生的交易次数C和实测的人流量A，计算出对等店的捕获率B。
3.用对等店的捕获率B，计算出新店的第n周的交易次数F=E*B。
4.比较对等店的全年年平均的周交易次数D和第n周交易次数C，得出季节因素的影响系数（D/C）。
5.用新店的第n周交易次数F，乘以季节因素系数D/C，得出新店的全年平均周交易次数G=F*（D/C)。
注：一般来说，在中国12-2月（圣诞、农历新年、寒暑假等）这些月份都是全年的销售旺月。因此，如何准确地看待所谓的“季节性因素的调整”至关重要；我们认为，若市场并无较特殊的因素的话应尽量避免使用；毕竟在我们季节里还有雨季、考季等各种因素，很难一一列入的。
步骤S4 ：数据标注步骤：针对所述一个或多个区域地域信息中对应的预定点集合，选取选定数量最优的预定点集合对象在电子地图上进行标注；优选地，所述选定数量通常为最优的一个或排序为前三的三个；所述标注将电子地图的区域划分会5*5的方格，每个方格的标注方法：水平方向应当从最左至最有标注字母；垂直方向应当从最顶部至最底部标注数字.
步骤S5：数据查询步骤，为用户提供查询接口，接收用户的查询请求，将符合用户查询条件的查询结果呈现给用户；所述查询结果为已标注最优目标对象的电子地图.
步骤S6：数据更新和修正步骤：设定周期对数据进行更新；设定时间点对数据库中的数据进行修正；优选地，所述周期为一个星期或者一个月。
实施例2：一种基于大数据分析的新店快速选址装置。
该装置包括了数据采集装置、数据过滤计算装置，数据分析装置、数据标注装置、数据查询装置、数据更新和修正装置：
所述数据采集装置为用于确定数据预采集的地域范围，对预采集的地域范围进行划分形成区域地域信息数据，基于区域地域信息数据设置至少一个采集预定点；在所述采集预定点设置数据采集设备，所述数据采集设备包括第一数据采集设备和第二数据采集设备的装置；通过所述数据采集设备获取原始数据信息，所述原始数据信息包括主体对象数据信息和客体对象数据信息；对所述原始数据信息进行预处理获得结构化的数据信息和方向点阵数据信息；优选地，所述第一采集设备包括计数装置，摄像装置，图像识别模块，去重模块，数据传输模块；所述第二数据采集设备包括寄存器、存储器、无线通信设备；可用于连接于收银机；打票机；
所述数据过滤计算装置为用于将所述数据采集设备采集的所述结构化的数据信息和方向点阵数据信息上传至服务器系统，并将所述结构化的数据信息和方向点阵数据信息经过数据阈值过滤函数处理进行数据过滤，对异常数据进行修正，获得修正后的结构化数据信息和修正后方向点阵数据信息，并将所述修正后的结构化数据信息和修正后方向点阵数据信息通过数据处理模块中的数据写入模块写入数据库中；
所述数据分析装置为用于通过服务器系统的数据处理装置中的数据读取模块，从数据库中读取存储的修正后的结构化数据信息和修正后方向点阵数据信息，将数据传送给数据模型分析模块，所述数据模型分析模块基于数据模型所述修正后的结构化数据信息和修正后方向点阵数据信息进行性分类、计算和排序，获取一个或多个区域地域信息中对应的预定点集合；
所述数据标注装置为用于针对所述一个或多个区域地域信息中对应的预定点集合，选取选定数量最优的预定点集合对象在电子地图上进行标注；
优选地，所述选定数量通常为最优的一个或排序为前三的三个；
所述数据标注装置为用于为用户提供查询接口，接收用户的查询请求，将符合用户查询条件的查询结果呈现给用户；所述查询结果为已标注最优目标对象的电子地图；将所述查询结果通过用户查询终端呈现给用户；所述数据标注装置用于设定周期对数据进行更新；设定时间点对数据库中的数据进行修正；优选地，所述周期为一个星期或者一个月。在进行标注之前，需要在设备上准备一个电子地图。必须是专业的城市交通地图。选用最近期出版的地图，以避免道路的变化，包括街道名称，普通的路标，所有主要路标等。
所述无线通信模块可基于物联网技术实现，所述物联网技术是基于通过射频识别(RFID)、红外感应器、全球定位系统、激光扫描器等信息传感设备，按约定的协议，将任何物品与互联网相连接，进行信息交换和通讯，以实现智能化识别、定位、追踪、监控和管理的一种网络技术。包括具备"内在智能"的传感器、移动终端、工业系统、数控系统、家庭智能设施、视频监控系统等、和"外在使能"(Enabled)的，如贴上RFID的各种资产(Assets)、携带无线终端的个人与车辆等等"智能化物件或动物"或"智能尘埃"(Mote)，通过各种无线和/或有线的长距离和/或短距离通讯网络实现互联互通(M2M)、应用大集成(GrandIntegration)、以及基于云计算的SaaS营运等模式，在内网(Intranet)、专网(Extranet)、和/或互联网(Internet)环境下，采用适当的信息安全保障机制，提供安全可控乃至个性化的实时在线监测、定位追溯、报警联动、调度指挥、预案管理、远程控制、安全防范、远程维保、在线升级、统计报表、决策支持、领导桌面(集中展示的Cockpit Dashboard)等管理和服务功能，实现对万物的"高效、节能、安全、环保的管控营一体化。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，所属领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件的方式来实现，当然也可以通过专用硬件包括专用集成电路、专用CPU、专用存储器、专用元器件等来实现。一般情况下，凡由计算机程序完成的功能都可以很容易地用相应的硬件来实现，而且，用来实现同一功能的具体硬件结构也可以是多种多样的，例如模拟电路、数字电路或专用电路等。
但是，对本发明而言更多情况下软件程序实现是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在可读取的存储介质中，如计算机的软盘，U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于大数据分析的新店快速选址方法，包括以下步骤：
步骤S1：数据采集步骤：确定数据预采集的地域范围，对预采集的地域范围进行划分形成区域地域信息数据，基于区域地域信息数据设置至少一个采集预定点；在所述采集预定点设置数据采集设备，所述数据采集设备包括第一数据采集设备和第二数据采集设备；通过所述数据采集设备获取原始数据信息，所述原始数据信息包括主体对象数据信息和客体对象数据信息；对所述原始数据信息进行预处理获得结构化的数据信息和方向点阵数据信息
步骤S2：数据过滤计算步骤：将所述数据采集设备采集的所述结构化的数据信息和方向点阵数据信息上传至服务器系统，并将所述结构化的数据信息和方向点阵数据信息经过数据阈值过滤函数处理进行数据过滤，对异常数据进行修正，获得修正后的结构化数据信息和修正后方向点阵数据信息，并将所述修正后的结构化数据信息和修正后方向点阵数据信息通过数据处理模块中的数据写入模块写入数据库中；
步骤S3：数据分析步骤：通过服务器系统的数据处理装置中的数据读取模块，从数据库中读取存储的修正后的结构化数据信息和修正后方向点阵数据信息，将数据传送给数据模型分析模块，所述数据模型分析模块基于数据模型所述修正后的结构化数据信息和修正后方向点阵数据信息进行性分类、计算和排序，获取一个或多个区域地域信息中对应的预定点集合；
步骤S4 ：数据标注步骤：针对所述一个或多个区域地域信息中对应的预定点集合，选取选定数量最优的预定点集合对象在电子地图上进行标注；
步骤S5：数据查询步骤，为用户提供查询接口，接收用户的查询请求，将符合用户查询条件的查询结果呈现给用户；所述查询结果为已标注最优目标对象的电子地图；
步骤S6：数据更新和修正步骤：设定周期对数据进行更新；设定时间点对数据库中的数据进行修正。
2.如权利要求1所述的基于大数据分析的新店快速选址方法，其特征在于：所述第一采集设备包括计数装置，摄像装置，图像识别模块，去重模块，数据传输模块；所述第二数据采集设备包括寄存器、存储器、无线通信设备；可用于连接于收银机或打票机。
3.如权利要求2所述的基于大数据分析的新店快速选址方法，其特征在于：所述采集包括针对人流量的采集。
4.如权利要求3所述的基于大数据分析的新店快速选址方法，其特征在于：所述人流量采集周期为一个星期或者一个月；优选的，所述采集周期为7天，每天的测算时段为早上8：00--晚上11:00；在进行测算的7天内，避免国定节日；不因天气因素而调整实测人流量，但遇恶性特殊天气，延后再测。
5.如权利要求4所述的基于大数据分析的新店快速选址方法，其特征在于：所述人流量采集包括如下三种：
A、当店址正前方的道路宽度大于12米，同时允许机动车和自行车通行，采集店址一侧人流，即经过店址正前方的人流；
B、当店址正前方的道路宽度小于6米，则也采集店址对面人流，即采集的总人流量=店址一侧人流量 + 店址对面人流；
C、在下列两种情况下，将店址对面人流的50%计入总采集人流量：
（1）店址正前方的道路宽度6-12米，且同时允许机动车和自行车通行；
（2）店址正前方的道路是步行街，该步行街由政府确认，并且至少在今后两年内不会改变；
采集的总人流量为：店址一侧人流量 + 店址对面人流 × 50%；
上述情况下，若有马路中间有大型障碍存在，则不统计店址对面人流。
6.如权利要求5所述的基于大数据分析的新店快速选址方法，其特征在于，所述采集点可根据采集障碍适当变通。
7.如权利要求5或6所述的基于大数据分析的新店快速选址方法，其特征在于：进一步包括人流质量的采集，所述人流质量的采集是以人流量采集为基础，人流质量的采集方法如下：
采集经过该店的人的衣着情况，预判经过该店门前的人流中属于城市人口的百分比；
采集经过该店的人流的面容和体态，预判12至40岁之间年龄层次的人口的百分比；
采集经过该店的人流方向，判断该店是否处于人流主动线上；
采集经过该店的人流扩散至的周边目的地，该目的地包括但不限于周边的商场、停车场、学校、体育馆、车站和酒店等不同类型场所，根据场所类型预判人流目的。
8.如权利要求1-6之一所述的基于大数据分析的新店快速选址方法，其特征在于：所述步骤S3数据分析，包括新店营业额的预估，其中一周的营业额的计算公式表示为：周营业额=周人流量×捕获率×客单价。
9.一种基于大数据分析的新店快速选址装置，其特征在于包括：
数据采集装置，所述数据采集装置为用于确定数据预采集的地域范围，对预采集的地域范围进行划分形成区域地域信息数据，基于区域地域信息数据设置至少一个采集预定点；在所述采集预定点设置数据采集设备，所述数据采集设备包括第一数据采集设备和第二数据采集设备；通过所述数据采集设备获取原始数据信息，所述原始数据信息包括主体对象数据信息和客体对象数据信息；对所述原始数据信息进行预处理获得结构化的数据信息和方向点阵数据信息的装置；
数据过滤计算装置，所述数据过滤计算装置为用于将所述数据采集设备采集的所述结构化的数据信息和方向点阵数据信息上传至服务器系统，并将所述结构化的数据信息和方向点阵数据信息经过数据阈值过滤函数处理进行数据过滤，对异常数据进行修正，获得修正后的结构化数据信息和修正后方向点阵数据信息，并将所述修正后的结构化数据信息和修正后方向点阵数据信息通过数据处理模块中的数据写入模块写入数据库中的装置；
数据分析装置，所述数据分析装置为用于通过服务器系统的数据处理装置中的数据读取模块，从数据库中读取存储的修正后的结构化数据信息和修正后方向点阵数据信息，将数据传送给数据模型分析模块，所述数据模型分析模块基于数据模型所述修正后的结构化数据信息和修正后方向点阵数据信息进行性分类、计算和排序，获取一个或多个区域地域信息中对应的预定点集合的装置；
数据标注装置：所述数据标注装置为用于针对所述一个或多个区域地域信息中对应的预定点集合，选取选定数量最优的预定点集合对象在电子地图上进行标注的装置；
数据查询装置，所述数据标注装置为用于为用户提供查询接口，接收用户的查询请求，将符合用户查询条件的查询结果呈现给用户；所述查询结果为已标注最优目标对象的电子地图；将所述查询结果通过用户查询终端呈现给用户的装置；
数据更新和修正装置：所述数据标注装置用于设定周期对数据进行更新；设定时间点对数据库中的数据进行修正的装置。
10.如权利要求9所述的一种基于大数据分析的新店快速选址装置，其特征在于：所述第一采集设备包括计数装置，摄像装置，图像识别模块，去重模块，数据传输模块；所述第二数据采集设备包括寄存器、存储器、无线通信设备；可用于连接于收银机或打票机；所述采集针对人流量的采集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811369740.7A CN109447374A (zh) | 2018-11-17 | 2018-11-17 | 一种基于大数据分析的新店快速选址方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811369740.7A CN109447374A (zh) | 2018-11-17 | 2018-11-17 | 一种基于大数据分析的新店快速选址方法和装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109447374A true CN109447374A (zh) | 2019-03-08 |
Family
ID=65553670
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811369740.7A Pending CN109447374A (zh) | 2018-11-17 | 2018-11-17 | 一种基于大数据分析的新店快速选址方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109447374A (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993315A (zh) * | 2019-03-29 | 2019-07-09 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
| CN111784414A (zh) * | 2020-07-21 | 2020-10-16 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、设备及介质 |
| CN112801701A (zh) * | 2021-01-29 | 2021-05-14 | 广州富港万嘉智能科技有限公司 | 为食品自动制作设备选址的选址方法、存储介质和装置 |
| CN113763045A (zh) * | 2021-09-06 | 2021-12-07 | 武汉博创非凡智能科技有限公司 | 一种基于多源数据融合的门店选址可视化分析方法及系统 |
| CN114282943A (zh) * | 2021-12-23 | 2022-04-05 | 智道网联科技(北京)有限公司 | 流量数据的处理方法、处理系统、处理装置和电子设备 |
| CN116151839A (zh) * | 2023-04-18 | 2023-05-23 | 中汽传媒(天津)有限公司 | 一种汽车售后点动态规划方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10240799A (ja) * | 1997-02-27 | 1998-09-11 | Nri & Ncc Co Ltd | 新規出店評価支援装置 |
| TW201434002A (zh) * | 2013-02-21 | 2014-09-01 | Taiwan Familymart Co Ltd | 商店選址方法及其裝置 |
| CN104516922A (zh) * | 2013-10-08 | 2015-04-15 | 新人类资讯科技股份有限公司 | 根据地图信息筛选目标的方法 |
| CN106384250A (zh) * | 2016-09-13 | 2017-02-08 | 百度在线网络技术（北京）有限公司 | 一种选址方法及装置 |
| CN106651392A (zh) * | 2016-12-07 | 2017-05-10 | 中国联合网络通信集团有限公司 | 一种智能商业选址方法、装置及系统 |
| CN108053096A (zh) * | 2017-11-22 | 2018-05-18 | 链家网（北京）科技有限公司 | 商业项目房地产地址方法及装置 |
-
2018
- 2018-11-17 CN CN201811369740.7A patent/CN109447374A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH10240799A (ja) * | 1997-02-27 | 1998-09-11 | Nri & Ncc Co Ltd | 新規出店評価支援装置 |
| TW201434002A (zh) * | 2013-02-21 | 2014-09-01 | Taiwan Familymart Co Ltd | 商店選址方法及其裝置 |
| CN104516922A (zh) * | 2013-10-08 | 2015-04-15 | 新人类资讯科技股份有限公司 | 根据地图信息筛选目标的方法 |
| CN106384250A (zh) * | 2016-09-13 | 2017-02-08 | 百度在线网络技术（北京）有限公司 | 一种选址方法及装置 |
| CN106651392A (zh) * | 2016-12-07 | 2017-05-10 | 中国联合网络通信集团有限公司 | 一种智能商业选址方法、装置及系统 |
| CN108053096A (zh) * | 2017-11-22 | 2018-05-18 | 链家网（北京）科技有限公司 | 商业项目房地产地址方法及装置 |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109993315A (zh) * | 2019-03-29 | 2019-07-09 | 联想(北京)有限公司 | 一种数据处理方法、装置及电子设备 |
| CN111784414A (zh) * | 2020-07-21 | 2020-10-16 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、设备及介质 |
| CN111784414B (zh) * | 2020-07-21 | 2022-04-29 | 腾讯科技（深圳）有限公司 | 一种数据处理方法、装置、设备及介质 |
| CN112801701A (zh) * | 2021-01-29 | 2021-05-14 | 广州富港万嘉智能科技有限公司 | 为食品自动制作设备选址的选址方法、存储介质和装置 |
| CN113763045A (zh) * | 2021-09-06 | 2021-12-07 | 武汉博创非凡智能科技有限公司 | 一种基于多源数据融合的门店选址可视化分析方法及系统 |
| CN113763045B (zh) * | 2021-09-06 | 2024-02-23 | 武汉博创非凡智能科技有限公司 | 一种基于多源数据融合的门店选址可视化分析方法及系统 |
| CN114282943A (zh) * | 2021-12-23 | 2022-04-05 | 智道网联科技(北京)有限公司 | 流量数据的处理方法、处理系统、处理装置和电子设备 |
| CN116151839A (zh) * | 2023-04-18 | 2023-05-23 | 中汽传媒(天津)有限公司 | 一种汽车售后点动态规划方法及系统 |
| CN116151839B (zh) * | 2023-04-18 | 2023-06-27 | 中汽传媒(天津)有限公司 | 一种汽车售后点动态规划方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109447374A (zh) | 一种基于大数据分析的新店快速选址方法和装置 | |
| CA2561939C (en) | Method and system for forecasting events and results based on geospatial modeling | |
| JP5248915B2 (ja) | Ｇｐｓ追跡及び周知な近傍目的地からのユーザの行動趣向の学習 | |
| Ryus et al. | Guidebook on pedestrian and bicycle volume data collection | |
| CN106681996B (zh) | 确定地理范围内兴趣区域、兴趣点的方法和装置 | |
| US20170357984A1 (en) | Information processing device, information processing method, and program | |
| US7571146B2 (en) | Event, threat and result change detection system and method | |
| US20080133291A1 (en) | Methods and apparatus for improving the accuracy and reach of electronic media exposure measurement systems | |
| CN102968900B (zh) | 一种对rfid交通数据进行处理的方法 | |
| CN105574712A (zh) | 交互式报告系统 | |
| US11966424B2 (en) | Method and apparatus for dividing region, storage medium, and electronic device | |
| KR20110054221A (ko) | 웹지리정보시스템을 활용한 부동산 개발사업의 사업대상지 선정 시스템 및 그의 제어방법 | |
| Dumbliauskas et al. | Application of Google-based data for travel time analysis: Kaunas city case study | |
| CN104281709A (zh) | 交通信息瓦片地图的生成方法和系统 | |
| Jayasekare et al. | The price of a view: Estimating the impact of view on house prices | |
| CN112488419B (zh) | 基于od分析的客流分布预测方法、装置、设备及存储介质 | |
| Yoo et al. | A review of the hedonic literatures in environmental amenities from open space: a traditional econometric vs. spatial econometric model | |
| Vernez Moudon et al. | Pedestrian location identification tools: identifying suburban areas with potentially high latent demand for pedestrian travel | |
| Klunder et al. | Improvement of Network Performance by In‐Vehicle Routing Using Floating Car Data | |
| CN116884222B (zh) | 一种卡口节点的短时交通流预测方法 | |
| Jiao et al. | Pedestrian walking speed monitoring at street scale by an in-flight drone | |
| CN110177339B (zh) | 一种od矩阵构建方法及装置 | |
| Ozan et al. | State-of-the-art approaches to bicycle and pedestrian counters | |
| Kardani-Yazd et al. | A rapid method for evaluating the variables affecting traffic flow in a touristic road, Iran | |
| Holguin-Veras et al. | Feasibility study for freight data collection |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190308 |