商业地产的资产管理不是说说那么简单！

商业地产的策划是事关数字和回报的学问。传统的宏观商圈洞察大多依赖官方统计数据及抽样样本线下调研，一方面官方统计数据存在时间相对滞后、统计信息不全等问题，且几乎不涉及人群消费偏好类数据；另一方面抽样样本线下调研对人群的覆盖面有限，且数据结果的信效度难以保证。

似乎，我们都习惯了用

逻辑上的正确来掩盖数据上的不精确。

长期以来，对宏观商圈的洞察更多聚焦于客观指标数据，如人口数量、消费水平、商品住宅价格、商业租金水平等，缺乏对主体构成——商圈人群的深入调研，对商圈人群的描述大多停留在相对主观的定性描述上，缺乏对商圈全量人群的定量数据分析，难以形成对不同人群的分类聚合，以至于对商业定位、业态规划及布局的指导意义极为有限。

同质化竞争比比皆是，

因为我们的分析只停留在表面

对商业开发企业而言，进驻商圈的传统指标体系主要包括衡量经济水平的宏观数据及地产投资相关数据等，对商圈人群的认知始终面临缺乏获取渠道、数据质量不高、数据内容不全等诸多难点；同时，对商圈内已有竞品的认知也停留在可见的业态格局、品牌分布、租金水平等层面，至于竞品客群的消费特征以及自身面向的目标客群与竞品客群的差异均无从得知。因而，市场上现有商圈内同质化竞争比比皆是，客群分流严重，加上网购热潮的冲击，实体商业举步维艰。

在传统手段弊端愈加凸显的新型消费时代，企业迫切需要寻求一种更有效、更直接、更全面的方式来认知商圈人群，从而为商业投资做更有力的决策支持。

对购物中心投资或运营决策而言，

洞悉商圈人群是一切决策的核心。

举个最近接触到的例子：

某商业地产领军企业已建立自身在商业领域的优势地位，以城市综合体的产品形态成为行业标杆，同时涉及多个业务板块，形成以商业为核心的上下游产业集群；企业开发的成熟产品线在一、二线城市覆盖率高，全国布局正向二、三线城市倾斜，为此需要：

• 对进驻不同城市的商圈进行指标对比，全面洞察商圈人群，了解客户群体的行为偏好、行动轨迹、媒体触点等，为商业定位、业态规划及品牌招商做决策支持，

• 未来还将通过监测场内到访客群及竞品客群，有效提升目标客群获取率，持续优化商业运营坪效。

因此，充分了解、洞察商圈人群是此项目的重点需求。

大数据技术的引入：

商业客群定位的新式武器

进入移动互联网时代以来，人们越来越多地依赖于移动设备获取信息，同时通过移动设备这个载体，有关人群的各种各样的信息也更多的以“数据”形态被记录并存储下来；人群大数据信息构成了宏观商圈洞察中用户画像的核心数据来源。借助大数据工具，宏观商圈的人群分析得以从模糊的定性描述变为定量的数据分析结果，真正从消费偏好出发构建商业定位的图景。

TalkingData从数据收集到数据挖掘，从数学模型到深度学习，从分析工具到数据平台，在数据应用领域积累了丰富的经验及海量数据，逐步打造了以SmartDP平台为核心的数据生态体系。针对宏观商圈人群洞察，TalkingData借助地理围栏圈取商圈人群及竞品客群，同时整合来自于众多渠道的数据，与TalkingData数据中心超过40亿智能终端设备的线上行为、线下轨迹数据进行匹配，全面利用数据挖掘分析技术，发挥数据价值、服务地产投策具体业务场景。

引入机器学习技术，采取Lookalike放大，寻找相似人群

基于企业成熟产品线的已有会员客群，用机器算法放大寻找相似人群，更快地了解陌生商圈内的潜在客群情况。

圈取地理围栏移动设备集，描摹用户画像

圈取商圈及竞品地理围栏，获取到的移动设备数据可实现与TalkingData数据中心关联匹配，通过用户画像描述其人口属性特征、设备使用特征、线上应用偏好及线下行为轨迹，更准确地了解商圈人群及竞品客群属性。

基于移动互联网大数据基础的360度用户画像

借助聚类分析，实现商圈人群差异化分类

依据用户画像呈现出的人群线上应用偏好属性，采用K-Means进行聚类分析，建立人群细分模型，定义商圈内不同人群，同时分析竞品客群分类情况，确立自身的客群定位并指导与之匹配的业态布局、品牌招商策略等。

宏观商圈洞察中大数据工具的

创新应用方式

借助大数据技术，宏观商圈洞察将破解传统调研方式的困局，全面展示商圈人群的属性特征、设备使用特征、线上应用偏好、线下行为轨迹，结合以上商圈内人群特征，同时对竞品到访客群进行相似维度的刻画，从商圈和竞品的两个层次来深度解析未来消费客群的整体特征及分类情况，从而指导前期商业定位、业态规划、品牌布局等等。面对纷繁芜杂的商圈人流，借助大数据工具可快速获取人群特征，且保持实时追踪及更新，并能通过不同城市、不同商圈的指标对比，发现最合理的商业布局模式。

TalkingData依托自身独特的移动端数据积累优势，结合行业领先的大数据算法实践，从人群基础标签到人群分类管理，真正实现对宏观商圈人流的高精度洞察，从而辅助企业提升决策效率、增强决策信心。目前在商圈洞察中主要的大数据应用方式包括：结合土地价值分类完成商圈价值基本判定、结合已有会员人群及lookalike技术完成潜客人群挖掘、结合标签体系完成用户画像、结合聚类分析完成人群分类、结合商圈及竞品对比分析完成定位指导等，伴随对其他行业数据源的全面整合，未来仍将在商圈洞察领域做出更多创新尝试。

商圈基本价值定位

项目所在商圈价值首先归因于区域宏观特征，如人口总量及增长趋势、人口密度、人群偏好、迁徙特征等等，同时结合城市规划的大方向趋势特征，在此基础上可实现对地块价值的基本判断。大数据有效弥补人群偏好特征及迁徙规律，为传统静态数据提供有效补充，从而为商圈基本价值定位提供了更高效、更便捷的实现方式。

商圈整体价值判断

结合已有会员人群及lookalike技术，实现潜客挖掘

例如作为已拥有成熟产品线的商业地产领军企业，该项目虽然首次进入陌生商圈，但在其他城市或类似商圈早已进入成熟运营阶段，也积累了一定数量的忠实会员人群。从消费特征的角度来看，相似人群总会在相似的商圈内发生相似的消费行为，因而对已有会员人群的特征获取将成为潜客挖掘的重要前提。借助大数据lookalike技术，将通过对已有会员人群消费特征的模拟，快速定位陌生商圈内潜客人群的分布情况，从而指导商业定位快速落地。

大数据lookalike技术实现潜客挖掘

结合标签体系基础上的用户画像，准确把握商圈消费者特征

TalkingData基于移动大数据的大规模积累，建立起有关人群描摹的六大类基础标签，包括人口属性、设备属性、游戏特征、线上应用偏好、线下行为轨迹、消费兴趣，同时也可以结合企业自身需求做定制化标签开发；以全样本数据为基础，人群标签体系为核心，将全面构建商圈内消费人群的360度画像，实现更全面、更精准、更高效的人群描摹。用户画像既包括整体商圈层次，也包括竞品层次，更好地辅助企业决策。

商圈人口属性特征

商圈人群移动设备属性特征

商圈人群线上应用特征

商圈人群线下行为轨迹

结合聚类分析，实现商圈人群分类管理

在对商圈人群完成360度用户画像后，可从不同维度实现对人群的分类管理。在已有的实践尝试中，年龄、婚姻状况、车辆保有情况、性别、设备品牌、应用偏好都可称为进一步交叉分析、聚类分析的基础维度。结合该商业地产企业的自身需求，TalkingData大数据技术团队以线上应用偏好作为最重要的聚类基础，将商圈内人群分为偏好差异明显的几种不同类型，从而便于把握不同类型客群的消费特征，为商业主力客群的选定准备了有力的数据支持。

客群聚类分析结果

不同客群线上应用差异

不同类型客户线下轨迹

结合商圈人群及竞品客群的对比分析，支撑项目客户定位

宏观商圈人群的调研有助于企业整体把握人群整体特征，同时商业竞争最大的压力在于竞品分析，因而同样通过圈定地理围栏的方式，可针对竞品客群做相似维度的全方位画像。通过商圈人群和竞品客群的对比分析，可清晰地发现竞品客群在哪些方面提升度较高，已实现对人群哪些商业需求的满足，同时又存在哪些显著机会。这些将成为商业项目前期定位的核心内容之一，同时辅以线下对商业租金的了解，将极大帮助企业完成商业机会的捕捉和投资回报的基本测算。

商圈人群及竞品客群设备属性对比

商圈人群及竞品客群应用偏好对比——提升度分析

借鉴评估同类商圈发展历史

选取与目标商圈发展背景、商圈结构相似的商圈，分析同类商圈的发展历史及人员变迁。例如，在对北京天通苑和回龙观商圈的比较重，我们发现天通苑整体消费能力下降、社会中坚层26-35岁人群流出，而回龙观人群特征变化不大，家庭人群与35-46岁人群的高消费能力人群进一步增长，但回龙观内商业尚不发达，区域内人群会选择外部购物中心消费，而天通苑则得益于龙德广场的丰富业态，有效避免了消费外溢。

天通苑与回龙观同属于大型生活社区，同样面临距离北京核心城区远，地面交通、轨道交通拥堵等问题。回龙观地区得益于周边产业环境，商圈内消费力有保障，同时地区商业尚不发达，类似于天通苑2007年地铁5号线开通但商业尚未完善的阶段。在北京城市交通短期内难以得到根本性改善的前提下，回龙观很可能形成类似天通苑的封闭式区域商业体系，是商业地产郊区型购物中心投资的真正“价值洼地”。

大数据辅助商圈洞察，

助力企业商业决策

当前阶段，大数据仍然无法完全代替传统商业调研方式，但作为有力补充，二者结合既提高了商圈洞察的效率，又增加了商圈洞察的精准度，使大范围、大样本的商圈人群描摹得以有可能真正落地。对于商业产品线不够完善，商业投资经验不足的开发企业而言，大数据将极大程度降低决策成本，避免进入市场盲区；对于商业运营较为成熟的开发企业而言，大数据将极大提升决策效率，实现商业模式的更快复制。相信随着大数据技术日臻完善，数据来源日趋丰富，未来在商圈洞察层面的应用场景也将更为多元化。

快速提高调研效率

传统商圈调研需要大量人工线下工作，通常调研周期至少要一到两个星期才能完成，而依靠大数据技术的应用，可以实现地理围栏的快速圈定，人群批量数据结果的实时分析，在此基础上同步结合线下数据的补充，就可以满足快速完成商圈洞察以加速商业定位的业务需求。

提升样本覆盖范围

传统商圈调研基本以抽样样本为主，样本量受限且难以覆盖商圈整体范围，线下工作实现难度大。利用大数据商圈洞察应用，可从全量数据上整体描摹商圈特征，让企业决策不再一叶蔽目，从全局角度把握项目开发策略。

增加有效调研维度

传统商圈调研通常依靠宏观静态数据为主，辅以商圈内的商业发展水平来判断商圈整体特征，然而宏观静态数据存在较明显的滞后性，商圈内商业发展水平则大多以商业租金、坪效值来反应，缺乏对消费人群的直接描摹。虽然传统商圈调研问卷中会涉及到对消费者消费水平的考量，但从调研结果看，很难得到人群的真实反馈。结合大数据应用方式，商圈内人群的消费特征将通过设备属性、人口属性、线上应用偏好、线下消费轨迹等多个标签维度全方位展现，从而帮助企业做出更准确的定位判断。

整合企业累积数据

对开发企业而言，已有项目的运营操作经验可复制性高，但在前期定位阶段对不同商圈的认知往往无法复制。结合大数据工具和lookalike算法技术，企业已积累的消费客群将成为重要的种子数据，以此作为学习对象，将快速模拟出在不同商圈内的潜客分布情况。这一重要突破将快速建立项目定位和目标客群间的映射关系，极大提升企业入驻陌生商圈的成功率。

展望未来

商业决策进入大数据竞争阶段

地产作为传统行业，具有其自身特殊的发展阶段特征，目前商业地产在运营层面已较多涉及大数据技术，但在前期定位阶段，大数据应用尚处于起步阶段。因而，在商圈洞察领域还存在较多可突破的空间，如结合更丰富的数据源，实现消费者、消费特征、消费数据之间全面打通；结合政府交通数据，实现对人群交通方式的准确把握等等，这些都有赖于大数据技术的进一步完善，也需要依靠整体大数据行业发展环境的全面提升。

商圈客群更加清晰、商业定位更加精准

对于商业企业来说，大数据技术的引入最直接也最根本的目的是要了解真实的商圈消费人群，进而挖掘他们自己都尚未觉察到的需求，从商业运营角度弥补需求、提升定位精准度。大数据技术帮助企业获得越来越精准的商圈内消费客群画像，未来的商业定位将不再像现在这样面临大同小异的尴尬，而是真正做到应需而生，避免千铺一面的盲目竞争，真正开发面向细分客群的商业类型，满足不同的消费需求。

商业服务更加个性化、商圈发展更加有序

基于大数据工具在更多商业开发业务场景的创新探索，未来的商业定位阶段即可实现对目标客群的高效捕捉，同时以客群呈现的特征作为营销推送的重要参考，分类管理及经营不同类别客群，提升客户粘性，并实现与竞品客群的准确区分，在商圈内实现差异化竞争格局，真正推动商圈整体的有序良性发展。