轻量化实体小店选址测评程序
Small Shop Location Evaluator（SSLE）
定位：
一个本地运行、规则驱动、低数据依赖的 CLI 工具，
综合人流、租金、人群画像三大维度，
对小店选址可行性进行快速初筛与风险提示。
一、实际应用场景描述
作为准备开店的技术人、创业者或副业探索者，你可能遇到：
- 看中一个铺位，但拿不准值不值
- 人流看着不错，租金却心里没底
- 周围人群是不是目标客户，全靠感觉
- 怕签完合同才发现“选址即死刑”
👉 问题不是信息太少，而是缺乏结构化判断框架。
二、引入痛点（技术与创业双视角）
维度 痛点
决策 拍脑袋、凭直觉
成本 试错成本极高（押金 + 装修）
数据 没有专业地产数据
风险 一旦失误，很难回头
👉 核心假设（创业实验思维）：
如果用简单的量化模型做“选址体检”，
就能在签约前筛掉明显不合理的选项。
三、核心逻辑讲解（MVP 架构）
选址三要素模型
维度 含义
人流 日均有效客流
租金 每月固定成本
人群 与目标客群匹配度
评分逻辑（简化但实用）
- ✅ 人流用“相对分”（1–5）
- ✅ 租金用“承受力区间”
- ✅ 人群用“匹配比例估计”
- ✅ 输出综合评分 + 风险等级
核心流程
输入选址数据
↓
维度评分
↓
加权计算
↓
输出可行性结论
四、代码模块化设计
ssle/
│
├── main.py # 程序入口
├── scorer.py # 维度评分
├── evaluator.py # 综合评估
├── config.py # 规则常量
├── README.md
└── USAGE.md
五、核心代码示例（Python）
1️⃣
"config.py"
"""
选址测评规则配置
"""
WEIGHTS = {
"traffic": 0.4,
"rent": 0.3,
"crowd": 0.3
}
RISK_LEVELS = {
(0, 3): "高风险，谨慎",
(3, 4): "中等风险，可接受",
(4, 5): "低风险，较理想"
}
2️⃣
"scorer.py"
def score_traffic(level: int) -> float:
"""人流评分（1–5）"""
return level / 5
def score_rent(rent: int, max_rent: int) -> float:
"""租金评分，越便宜越好"""
if rent > max_rent:
return 0
return 1 - (rent / max_rent)
def score_crowd(match_percent: int) -> float:
"""人群匹配度（百分比）"""
return match_percent / 100
3️⃣
"evaluator.py"
from config import WEIGHTS, RISK_LEVELS
def evaluate(traffic_s, rent_s, crowd_s) -> dict:
"""
计算综合得分与风险等级
"""
total = (
traffic_s * WEIGHTS["traffic"] +
rent_s * WEIGHTS["rent"] +
crowd_s * WEIGHTS["crowd"]
)
risk = "未知"
for (low, high), label in RISK_LEVELS.items():
if low <= total < high:
risk = label
break
return {
"score": round(total, 2),
"risk": risk
}
4️⃣
"main.py"
from scorer import score_traffic, score_rent, score_crowd
from evaluator import evaluate
def main():
print("🏠 轻量化实体小店选址测评程序\n")
traffic = int(input("请为人流打分（1–5）："))
rent = int(input("月租金（元）："))
max_rent = int(input("你能承受的最高月租金（元）："))
crowd_match = int(input("估计目标客群占比（0–100）："))
traffic_s = score_traffic(traffic)
rent_s = score_rent(rent, max_rent)
crowd_s = score_crowd(crowd_match)
result = evaluate(traffic_s, rent_s, crowd_s)
print("\n📊 测评结果：")
print(f"综合得分：{result['score']}")
print(f"风险等级：{result['risk']}")
if __name__ == "__main__":
main()
六、README.md
# SSLE - 实体小店选址测评工具
## 简介
SSLE 是一个基于 Python 的 CLI 工具，
用于轻量化评估实体小店的选址可行性，
适合初创期、低成本试错的创业者使用。
## 使用方式
bash
python main.py
## 特点
- 本地运行
- 无需复杂数据
- 规则透明
- 可快速复筛多个选址
## 注意事项
- 为教学简化模型
- 不替代专业选址调研
- 实际决策需结合实地考察
七、使用说明（USAGE.md）
# 使用说明
1. 对候选铺位进行实地观察
2. 给出人流、租金、人群的主观但认真估计
3. 运行程序查看得分与风险
4. 优先排除高风险选址，再深入考察中低风险
建议原则：
- 人流看“有效客流”，不是路过人数
- 租金不超过预估营收的 30%
- 人群匹配度 > 40% 才有意义
八、核心知识点卡片（教学用）
类别 内容
创业实验 低成本验证、风险前置
商业分析 选址模型、成本结构
Python 函数封装、加权计算
决策方法 多维评分、风险分级
技术布道 用工程思维做线下决策
九、总结（中立、工程视角）
SSLE 不是“选址神器”，
而是一个防止你在情绪高点签下致命合同的减速带。
它不会告诉你“哪里一定火”，
但能帮你在几个选项中，
先把明显会死的那个筛掉。
在实体创业容错率越来越低的时代，
能活下来的，往往不是眼光最毒的人，而是犯错最少的人。
利用AI解决实际问题，如果你觉得这个工具好用，欢迎关注长安牧笛！
