在项目进程中，合作的零售商也发现了一些让人惊喜的结果：很多之前靠经验积累，不明所以的判断，也在模型中一一得以验证。当然我们的分析也提供了之前无法洞察的大量信息。
学习模型-客群消费偏好
目前我们正努力实现标签化地理区域，当企业有相关需求时，只需告诉我们需求和判断因子权重，就可以快速导出分析报告和结果。再下一步我们还考虑做成人工智能系统提供SaaS服务，用户输入数据，选择模型，便能快速到处辅助决策的结论报告。
然而，是否可以放心地说，AI在选址优化的工作中已经彻底打通关节，无所不能了吗？我的回答是：且慢。
首先，一个门店是否成功，除了周边的消费者特性，还取决于地产本身的质量，比如是否方便进入，门头是否足够醒目，房东可以提供的面积和租金，以及自身人员管理水平等。根据我的经验，这些因素在中国要占到6成。
机器学习所训练的，都是那些可以统一获取，没有主观因素的变量。而大量含有主观因素的变量的采集过程，都是人为筛选的，再智能的机器，也无法预测一个新的地点的可租面积，无法预测门头是否从四面八方都可以看见，人工智能无能为力。
其次，选址里面一个非常重要的故事是如何避免姐妹门店之间的相互蚕食，特别是连锁加盟型企业，面对加盟商，如果保证每家店的利益，避免法律诉讼。也许有人会说，我在模型里加入姐妹门店的距离，不就行了？以下面的地图为例，这个门店的消费者明显来自于高速公路的西北面，很少有人从东南过来。假如只考虑距离，而不知道消费者的分布，则很难告诉零售商，假如新增加一个门店这个区域里，开在哪里，不会蚕食现有门店的销售额。
这种情况，人工智能依然无法做出判断，因为几乎没有什么可以拿来学习，就算通过历史销售数据找出某些有可能出现蚕食的门店配对，学习的结论对于新的门店，依然毫无意义。这里就是体现出手机GPS定位数据的重要性了，但和AI无关，我们按下不表。
通过手机GPS数据和地理围栏Geofence技术获取的门店客源分布
总结一下：机器学习，对于选址里的主观变量，样本不足，无法用于预测等陷阱无法做到全智能。就算是机器学习本身，对于数据的选择也很有讲究。比如我们学习的门店，是在已经成熟的社区，而我们要预测的新址，却是在新区，那么模型很可能会给出误差。
这时就有必要拿出社区未成熟时的POI数据进行学习，寻找当时的规律。这一点其实是普适的：对于任何怀揣着机器学习/人工智能梦想就进入一个全新领域，却没有自身完善的数据积累的公司，都是前途叵测。
总体而言，机器学习/人工智能对零售选址带来的革新，是积极的。特别在中国，零售从线下轰轰烈烈地走到线上，又从线上回归到全渠道发展服务客户的商业本质。所以线下的需求肯定还会重启，特别是社区零售/连锁餐饮/便利店，开店的需求在持续增长。
特别是中国，在地理数据不开放，数据质量不高，数据层次不多的情况下，我们已经看到新方法可以有效地梳理出一些线索，完成从0到1的变化，这种质变比起AI在美国的模型仅仅是改进，是个飞跃。对于选址专家来说，这一代技术进步，为他们提供了一个智能慧眼，辅助着他们处理数据，寻找规律。
无论是像IBM这样的咨询服务商可以集成到自己零售解决方案，和Watson沃森的结合，还是像CBRE，JLL这样的房地产代理行，可以集成到自己的租户管理服务中，还是直接为零售企业的房地产部门做使用，AI技术都提供了多种可能。选址终归是一个艺术和科学的结合，结合丰富的市场经验和多方位的方法，这个为“新零售“选址的工作一定会更加高效。