大数据助力公共设施资源科学布局

发布时间 :2020年04月14日 阅读 :

  传统(准)公共资源布局问题的困境

  传统的(准)公共资源的布局往往依赖于运营者的经验,如针对社区生鲜店的综合布局,运营者需要通过实地考察目标区域的小区情况、周边资源与竞争情况等信息,综合对是否开店、开店位置等进行评判。这种方式对现场考察人员实地的走访依赖度高,而受限于对目标区域不够熟悉、多方信息不对称,考察人员对目标区域需求估算的可靠性偏弱;同时,对目标区域的竞争环境即便能够通过走访的方式一一统计,在实际选点中也难以量化这种竞争关系的影响。更重要的是,在连锁化、规范化经营的趋势下,生鲜店需要更加充分的考虑周边竞争关系,进行整体规划的布局决策,最大化的降低运营风险。而传统的生鲜店布局与选点往往依赖于一线考察人员局部区域考察的经验与判断,结果不稳定性强,这也为后续的运营带来了更大的风险。 

  对目标区域的人口与需求缺乏准确的预判

  大多数商业店铺选址会考虑人流作为重要的需求量的预估标准,但生鲜店布局则不同,一方面肉禽蛋奶菜是居民生活的必须品与人口关系密切而与人流关系不大,另外一方面,生鲜店店与店间距较近,原有商圈选址的人流-需求预估模型是不合适的。因而在大多数生鲜菜站、商超的布局设计上,往往是考察区域的社区分布情况,将社区的户数作为小区的需求重要参考指标。国际上常用的便利店标准是1家标准店服务覆盖周边500-1000米的社区,那么目标选址点周边500-800米的小区户数情况则是选点布局的重要考虑。

  但从一线业务考察人员的反馈来看,获取小区的户数往往通过网上数据查找(如链家等中介网站)、小区物业询问等方式来获得,不仅获取的时间成本比较高,更重要的是小区户数并不能完全反映其实际居住人口的情况,特别是在一些郊区新建小区,入住率不高导致这种估算方式的偏差。

   对目标区域的竞争环境考虑有限

  在生鲜店布局规划的过程中,社区菜站、超市、流动个人摊位等等业态都是未来可能的竞争业态(供应竞争点)。在传统的生鲜店布局规划过程中,虽然也可以通过普查的方式来了解周边的竞争环境、供应能力,而且这些供应竞争点的存在本身是周边需求的综合反映,但这些现有的竞争点如何对未来竞争格局产生影响却难以量化。

  在这样的背景下,是否适合新建社区生鲜供应点,即便可以考虑新建,那么需要规划的供应能力应该如何设计,都难以通过量化的方式进行回答,这无疑为布局后未来的运营带来了更多的风险。

   连锁化运营背景下,传统布局设计方式效率低,且缺乏整体性考虑

  在连锁化经营的大背景下,生鲜店布局不再是单点开设的方式,而是往往先有整体规划然后快速分批推进开设。在这样的背景下,传统的依靠考察人员逐一实地考察的方式不仅效率偏低,而且从执行的角度上看,大批量的实地考察势必要对目标区域进行划片分配的方式来进行,这也就意味着每一个实地考察人员只能对自己所负责的区块有相对比较熟悉的了解,而对其他相邻区域的居民情况、竞争情况了解比较有限。

  而实际的情况是,原有的划片分配方式是基于实地考察时任务分配便利而进行的,居民购菜消费并不完全是严格按照“划片分配”的方式来进行,而是在居住区域周边一定区域范围内几乎所有的生鲜供应点都可能是其购菜的选择。

    

附图1  为了大规模实地考察便利,将目标区域划分成若干执行片区区块

 

  这就意味着,在“片区”边界处附近的居民,不仅会在本地块进行消费,同样也有很大概率到邻近地块进行消费(如图所示,D12与D32地块边界的居民,不仅可能在D12买菜,如果D32地块中有菜站并且距离较近的话,垮片区消费的可能性非常高)。同样,片区地块边界处的生鲜店、菜站或者超市,其人群覆盖也可能是跨越多个片区地块的。因此,实地考察人员在本地块选址决策中如果不能够考虑这样的实际情况,那么基于本片区地块的生鲜店选址就是局部的、割裂的,与实际的偏差必然导致整体网点布局的失败。

   附图2  实地执行区块的片区划分与边界处供需点的跨片区供应/消费
 

  大数据技术的引入

  在大数据时代,随着互联网、移动互联网的普及,越来越多的信息被以“数据”的形式记录下来,人们最终可利用的数据体量、数据源的丰富程度都有极大的提升;而分析技术、建模水平、可视化技术的提高,为最大化数据的价值提供了可能。

  在这样的背景下,大数据的引入及与其他多源数据的融合,最大化数据的可靠性,为生鲜店科学布局决策奠定了基础;而随着数据可视化、空间地理位置的数据运算的发展,生鲜店布局打破了直观经验操作的操作模式,真正通过数据、模型算法获得,从而整体布局设计更加科学化、规范化。 

  多源数据的整合与相互校核

  在数据无法打通的情况下,每个数据源获取的信息是孤立的、片段的,需要进行多源校核才能最大限度的提高数据精度。在本案例中的多源数据整合、校核涉及如下:

  (1)实地普查信息指导其他数据源的操作整理

   在实地普查中,获取目标区域中每个小区的名称等数据,指导运营商大数据建模估算小区的居民数量;

   获取目标小区的相关户数数据;

  (2)人口数据的多源校核与估算

   运营商大数据估算的小区活跃人口数、公开数据获取的小区户数、实地各个渠道了解的具体小区人口情况相互校核,估算整个片区的人口分布;

   通过各种新闻论坛、统计年鉴查找相关人口数据,与上述数据相互校核检验;

  (3)小区需求量的估算与量纲的统一

   基于抽样调查,获取生鲜消费量信息(按重量计算),从而实现需求端数据与供应端供应能力数据(普查获取)量纲统一,便于基于空间位置的供需匹配运算。

  基于空间位置进行数据运算,对生鲜店布局进行整体化设计

  将目标区域(约300平方公里)的现有供给点及供给能力(日供应量)、需求点及需求量都标记在地图上相应位置,这不仅是基础信息可视化的过程,同时进一步可以根据供给能力与需求量的分布,供需之间、供给点之间距离,设计相应的算法模型,不仅可以对目标区域进行整体规划,同时也可以找到供需差距较大的区域,作为优先进入到区域。

  大数据参与下的社区生鲜店网点布局创新

  利用大数据、调研数据、普查数据整合进行的社区生鲜点网点布局创新主要体现在如下几个方面:

  多源数据校准与整合

  bob官网始终认为,不同数据的价值是不同的,无论是大数据还是小数据,各有自身的优劣势,多源数据融合与整合才能更好的回答客户实际的业务问题。在本案例中,各个小区的需求量估算是对决策有重要影响的变量,任何一个单一数据源的回答都不具有足够的完整性,故通过多源数据的相互校准、相互补充来使之尽可能的接近实际真实。

  (1)运营商大数据估算小区活跃人口

  通过实地获取的小区清单及经纬度信息,通过运营商大数据获取其的常住居民(移动终端)数量。

  (2)公开数据估算小区活跃人口

  通过获取地产中介网站的小区户数总信息,估算当入住率100%时小区人口数。

  (3)查阅二手资料的区域人口数量

  查阅相关二手资料、统计年鉴、网络公开资料等信息,获取大区域板块、行政区的人口数据及分布情况,与前述方法的总体情况进行相互校验。

  (4)多源数据校准

  通过运营商大数据、政府设施数据、实地走访、二手资料多源获取的数据进行相互校核,进而得到更为接近真实的小区活跃人口数量。

  基础数据台账的可视化

  通过将普查信息、调查信息标记在电子地图上,可以实现基础台帐数据的可视化,并实现了基本的数据库内分类展示、模糊检索等功能:

 附图3 基础信息的分类展示功能-示意(地块色块代表满意度) 

  附图4 基础信息的具体信息功能-示意

  

  基于功能设施数据计算的布局设计

  将所有的信息点标记在地图上后,既目标区域的所有供给信息、需求信息都已经地图数据化,基于两点距离测算数据,可以得到在一定辐射范围内每个居民社区和周边供给点的距离。

  基于此,设计相应的算法,计算规划选址的理想位置:

  (1) 理想规划布局(不考虑现有任何的供应能力)

  如果不考虑现有的各种供给点的布局,从全局管理的角度上,满足目标区域的所有居民购买需求,需要布设的店位置及相应的面积规划。

  (2)考虑现有周边店面的供应能力的布局设计

  而实际中,现有区域内有一定超市、社区菜站实现了标准化供应,而在实际选点中需要考虑彼此之间的竞争关系,避免新设生鲜店与现有生鲜店、菜站的位置过近从而影响未来运营效率。因而在算法设计中,在考虑需求分布的基础上,进一步考虑现有的供应能力,通过供需双维度建模分析进而进行整体布局。 

  附图5  实际网点布局中考虑的若干维度

  

  无论是经过哪种方法获得的生鲜店网点布局结果,都是通过数据运算获得的,需要进一步在实际工作中进行微调(如考虑有可利用店面时需要在周边区域进行调整)。

  基于空间地理位置的配送路线设计

  经过以上的布局过程,获得了理论上的新建生鲜店位置信息。基于店面位置、供应能力、物流中心的位置,进一步可以在一定配送载重条件下设计理论的配送路线,为后期实际物流配送路线设计提供参考。

  动态的数据库更新

  本次生鲜店网点布局只关注了北京城区的部分区域,未来随着目标区域的进一步扩展、区域内供应点(超市、生鲜菜站等)信息不断更新,后台数据库可以持续更新,并通过可视化的方式展示各类供需信息与网点布局的结果。同时,作为综合可视化数据库,现有的数据成果也为后期运营数据、配送数据等全链条数据的补充、通过数据驱动全链条业务的开展奠定了初步基础。

  助力生鲜供给事业的数字化,提高(准)公共资源配置效率

  当前阶段,大数据是生鲜店布局选点的有力补充,大数据、小数据、普查数据的整合,相互配合、相互补充、相互校核,既提高了数据的准确程度,同时又有利于布局后的实际选址落地。尤其是数据越来越得到业务管理部门的重视,通过数据的不断积累(如未来产品从生产到销售的数据、配送的数据)、数据维度的不断增多,数据可以发挥更大的价值。

  增加了网点布局核心变量的数据源,多源数据相互校核

  之前的网点布局选址更多的是依靠分区块实地走访、考察的结果来了解目标区域居民需求情况,不仅数据获取成本高,也容易因为考察人员实际能力、资源的限制对各个维度信息评估不够标准化,也难以形成多区域、多目标的综合考量比对。通过本案例的工作流程,实现了多源数据的相互校核、相互验证、相互补充,充分发挥不同数据源的价值。

  基础信息数字化、地图化,实现数据初步积累、运营数据可视化

  在本案例中各项数据都以地图化的方式得以保存,实现了初步的数据积累。未来随着目标区域的不断扩展、数据边界的不断扩充、数据的不断更新,将形成生鲜生产、采购、运输、配送、销售的整套数据链条,不同区域的需求、供应情况也可以通过数据地图的方式进行展现,从而为未来的数据应用、运营信息可视化奠定了良好的架构基础。

  布局算法模型化,综合考虑供需关系,提高了效率和效果

  在本案例中,正是因为所有的供应、需求的数据都以地图化的方式加以标记,使通过基于空间位置的数据建模得以实现,从而将原来无法量化的竞争关系以数字化的方式加以展现,将网点布局问题转变为数学问题(有限约束条件下的价值最大化),从而为科学布局、有效决策奠定了基础。

  展望未来

  我国大数据在各个行业的应用仍处于起步阶段,对于关系到百姓日常生活的便民生鲜店布局设计更是如此,从基本的数据采集、数据建模、数据应用、数据积累等诸多方面需要不断的探索、积累经验和完善。展望未来,推动在不涉及隐私的前提下相关数据的开放、整合仍是主要期望,无论在本案例所相关的领域,还是其他领域,利用多源数据更好的了解问题现状、基于数据更加优化决策过程是共同的愿景。

  公共数据开放与隐私保护制度的设置

  当前信息孤岛的问题仍是各个领域大数据应用的巨大障碍,分割、垄断造成各个片段化数据整合困难巨大;同时国内相关法律法规、企业规范制度仍不完善,什么数据可以公开、什么数据可以交易仍缺乏明确的规定。大量有价值的数据掌握在政府部门、大型企业当中,出于对数据安全的担忧,在没有明确法律法规规定的前提下,既不能实现数据的共享也不能实现数据的交易,大量的数据没有被实际应用。而为了解决实际的问题,只能通过其他迂回的方式解决,这无异于增加了各种成本,并没有实现资源利用的最大化,在本案例中使用多源数据融合近似回答人口数量问题既是多源数据融合的思想体现,同时也是现有数据孤岛、无法获取公开交易数据的无奈之举。因此,什么数据可以公开、什么数据可以交易,隐私安全保护与数据发挥效益的界限需要尽快明确,甚至可以考虑以政府或者企业联盟的方式实现数据的脱敏与对接、交易,打破数据的孤岛,进而发挥数据最大效益。

  数据的积累与精益化管理

  对于本案例的结果应用而言,大数据的引入最根本的目的是实现对目标区域的供给、需求有精确的把握,对现有的供给端业态有清晰的了解,进而实现自身的供应网点有效布局,提升布局选点效率与效果。在本次案例中,大数据以及地图可视化初步实现了将供给、需求端的数据数字化、地图化,实现了数据的初步积累;随着未来生产、配送、运营等各个环节的数据不断积累,企业不仅在选址领域“有据可循”,同样也可以基于内部外部数据融合真正实现数据驱动运营。

上一个:
下一个:
分享至:
用手机扫描二维码阅读

友情链接

010-53896000
010-53896000
关闭

请您填写报名与合作信息