[论文解读] Store Location Selection via Mining Search Query Logs of Baidu Maps

Mengwen Xu, Tianyi Wang+4 more|arXiv (Cornell University)|Jun 12, 2016

Human Mobility and Location-Based Analysis参考文献 23被引用 12

一句话总结

本文提出D3SP，一种基于数据驱动的最优门店选址框架，通过挖掘百度地图搜索查询日志，检测时空需求分布与供需缺口。该框架采用聚类与机器学习模型（包括回归与学习排序模型），识别高潜力选址，实证案例中预测结果与实际门店开业位置误差在1公里以内，表现出高精度。

ABSTRACT

Choosing a good location when opening a new store is crucial for the future success of a business. Traditional methods include offline manual survey, which is very time consuming, and analytic models based on census data, which are un- able to adapt to the dynamic market. The rapid increase of the availability of big data from various types of mobile devices, such as online query data and offline positioning data, provides us with the possibility to develop automatic and accurate data-driven prediction models for business store placement. In this paper, we propose a Demand Distribution Driven Store Placement (D3SP) framework for business store placement by mining search query data from Baidu Maps. D3SP first detects the spatial-temporal distributions of customer demands on different business services via query data from Baidu Maps, the largest online map search engine in China, and detects the gaps between demand and sup- ply. Then we determine candidate locations via clustering such gaps. In the final stage, we solve the location optimization problem by predicting and ranking the number of customers. We not only deploy supervised regression models to predict the number of customers, but also learn to rank models to directly rank the locations. We evaluate our framework on various types of businesses in real-world cases, and the experiments results demonstrate the effectiveness of our methods. D3SP as the core function for store placement has already been implemented as a core component of our business analytics platform and could be potentially used by chain store merchants on Baidu Nuomi.

研究动机与目标

• 解决传统人工调研耗时长、基于静态普查模型在商业门店选址中的局限性。
• 利用移动设备产生的大数据——特别是百度地图的搜索查询日志——构建动态用户对商业服务需求的模型。
• 通过用户查询的时空分析，识别需求超过供给的区域，从而确定最优门店选址。
• 开发并评估基于历史门店表现与用户行为数据训练的机器学习模型，以预测客户流量并排序候选门店位置。

提出的方法

• 通过分析百度地图上特定品牌及通用服务类别的搜索查询，检测用户需求的时空分布。
• 采用5公里半径阈值估算现有门店的服务覆盖范围，并识别用户需求超过附近供给的供需缺口区域。
• 对存在显著供需缺口的区域进行聚类，生成候选门店选址列表。
• 训练监督回归模型（如随机森林）以基于至市中心距离、房地产价格、区域热度等特征，预测候选位置的客户流量。
• 应用学习排序模型，直接根据预测的客户吸引力对候选位置进行排序，提升选址优化效果。
• 整合多源数据，包括POI数据、经济指标与交通特征，以丰富模型输入。

实验结果

研究问题

• RQ1 大规模地图服务（如百度地图）的搜索查询日志能否有效揭示特定商业服务的真实空间需求分布？
• RQ2 如何系统性地检测并聚类地理空间中的供需缺口，以识别可行的新门店选址？
• RQ3 基于历史门店表现与用户行为数据训练的机器学习模型，在多大程度上能准确预测新选址的客户流量？
• RQ4 端到端学习排序是否优于传统两阶段预测-排序方法，在门店选址优化中表现更优？

主要发现

• D3SP框架通过分析百度地图查询日志，成功识别出高潜力门店选址，以高空间精度检测出供需缺口。
• 在海底捞案例中，排名第一的预测位置与实际门店开业位置仅相差1公里，展现出强大的预测精度。
• 在星巴克案例中，预测的最佳选址仅与实际门店相距200米，验证了模型在真实场景中的有效性。
• 监督回归与端到端学习排序模型的结合，显著提升了选址排序性能，优于基线方法。
• 该框架在多种商业类别中均表现出高精度，证明其在真实部署中的通用性与鲁棒性。
• D3SP已集成至百度的商业分析平台，并被百度口碑上的连锁门店商户广泛用于战略门店选址决策。