餐饮零售选址决策分析师

为什么选址不能只靠感觉

餐饮和零售拓店时，最容易犯的错是把“门口看起来人多”当成需求。过点人流高，可能只是门头可视角度差、台阶多、停车难，实际进店率很低；周边竞品扎堆，也不代表商圈能共同消化客流，霍特林区位模型反而会提示距离越近、分流越狠；只算一个 ROI 均值，则可能掩盖悲观情景下的回本压力。这个技能的目标是把选址从叙事变成可复算的量化流程，明确置信区间与风险边界。

决策系统如何工作

整体按五个阶段推进，不需要手动跑命令，直接描述选址需求即可触发。

• Stage 0 · 地图 MCP 数据采集：连接 腾讯地图 MCP 后，通过地理编码、周边搜索和路线规划采集 POI 密度、业态构成、路网可达性等空间代理指标，同时要求补充现场分时段人工计数。
• Stage 1 · 雷利零售引力定律：用 D_ab = d / (1 + √(S_b / S_a)) 计算断裂点，得到核心商圈半径，再估算有效捕获面积。
• Stage 2 · 客流质量指数 TQI：把可视衰减和物理阻抗结合起来，把“通过人流”折算为“进店人流”，避免被表面流量误导。
• Stage 3 · 霍特林模型：根据竞品距离和规模测算分流率，量化需要计入模型的竞争压力。
• Stage 4 · 三情景财务预测：roi_calculator.py 输出乐观、中性、悲观的营收与回本周期，并给出置信区间和风险等级。
• Stage 5 · 品类推荐与报告：category_recommender.py 基于商圈类型、消费水平、商业密度、竞争强度和合规硬伤，输出品类评分排序与回避清单，并生成七节 Markdown 决策报告，包含客流漏斗可视化和行动清单。
• Red Flag 一票否决：命中消防、排烟、产权、排污等硬伤时，立即终止评估，不进入乐观叙事。

适用边界与注意点

• 地图 MCP 提供的是 POI 密度、业态构成、路网可达性等空间代理指标，不是实时人流；真实客流仍需现场分时段人工计数或第三方移动大数据补充。
• 三情景回本区间是数据推演，不是收益承诺；悲观情景包含“竞争分流 50% 半实现”的假设。
• 竞品距离必须来自地图 MCP 实测或现场测距，不能凭印象虚构。
• 未连接地图 MCP 时，商圈价值相关结论会标注为“人工估算/待补”，不会混入结构化地图数据的置信度。
• roi_calculator.py 等脚本只依赖 Python 标准库；但地图数据采集需要对应 MCP 处于连接状态。