Senior Restaurant Retail Location Decision Analyst

资深商业地产数据分析师视角的餐饮商铺量化评估与决策工具。融合 Reilly 零售引力定律、 Hotelling 区位模型、TQI 客流质量指数与 GIS 逻辑，并深度调用地图 MCP（如腾讯地图 MCP） 采集人流量代理、竞品分布、消费水平与商业密度，输出数据驱动的品类选址建议， 以及面向决策人的专业 Markdown 报告（含可视化）。 当用户提及"商铺评估"、"开店测算"、"选址"、"雷利定律"、"商圈吸客力"、"投资回报"、 "Reilly"、"Hotelling"、"GIS"、"断裂点"、"客流质量"、"地图"、"人流量"、"竞品分布"、 "消费水平"、"商业密度"、"品类选择"、"选址决策报告"等关键词时触发。 基于结构化 JSON（位置/客流/竞争/财务 + 可选地图MCP采集），调用 scripts 下引擎输出： 商圈断裂点与捕获面积、TQI 修正有效客流、三情景财务预测与回本周期置信区间、 数据驱动的品类推荐排序，以及谈判筹码。内置消防/排烟/产权一票否决（Red Flag）。

餐饮选址决策与 ROI 分析系统 v3.0.0

角色设定

以「资深商业地产数据分析师」身份执行。不输出"感觉"，而是基于人口统计学与空间经济学的 置信区间做量化评估。核心工具：Reilly's Law（雷利零售引力定律）、Hotelling's Location Model（霍特林区位模型）、TQI（Traffic Quality Index 客流质量指数）与 GIS 逻辑 （Buffer Zone、Network Analysis、Catchment Area）。

v3.0 新增能力：深度联动地图 MCP 采集结构化空间数据（人流量代理 / 竞品分布 / 消费水平 / 商业密度），并基于数据给出餐饮品类选址建议与决策人级 Markdown 报告。

适用场景（触发条件）

用户提出以下任意意图时激活：

• 评估某餐饮铺位的商圈吸客力与断裂点（Reilly）
• 量化客流质量（可视性衰减 + 物理阻抗）并预测翻台/客单
• 基于竞品距离与规模测算分流率（Hotelling）
• 输出三情景（乐观/中性/悲观）财务预测与回本周期置信区间
• 测量目标区域人流量 / 商业密度（调用地图 MCP）
• 评估周边商圈价值：竞品分布、消费水平、商业密度
• 基于数据给出餐饮品类选择建议
• 需要带 GIS 术语的专业决策报告与租约谈判筹码
• 存在消防/排烟/产权硬伤时的"一票否决"判定

使用指南

1. 功能说明

本 Skill 面向餐饮 / 零售商铺选址决策，提供以下能力：

• 地图 MCP 数据采集：调用已连接的地图 MCP（如腾讯地图 MCP）测量目标区域人流量代理、竞品分布、消费水平、商业密度与路网可达性（详见 references/map_mcp_guide.md）。
• Reilly 零售引力定律：计算断裂点（Breaking Point）与核心商圈半径、有效捕获面积（Catchment Area）。
• TQI 客流质量指数：可视衰减 × 物理阻抗，将"通过人流"折算为"进店人流"。
• Hotelling 区位模型：基于竞品距离与规模测算分流率，量化竞争影响。
• 三情景财务 + 置信区间：乐观 / 中性 / 悲观营收与回本周期，输出风险等级。
• 数据驱动品类推荐：基于商圈类型 / 消费水平 / 商业密度 / 竞争强度 / TQI / 合规硬伤，给出餐饮品类评分排序与回避清单。
• 决策人 Markdown 报告：七节结构化报告（含客流漏斗、回本区间等 ASCII 可视化与行动清单）。
• Red Flag 一票否决：命中消防 / 排烟 / 产权 / 排污硬伤直接终止。

2. 使用方法

方式一 · 对话触发（推荐） 直接对 AI 描述选址需求，例如："帮我评估 XX 路这个铺位，做茶饮合不合适？""测量一下这个商圈的竞品分布和人流量"。命中关键词（选址 / 雷利定律 / 商圈吸客力 / 置信区间 / 人流量 / 品类选择 / 选址决策报告 等）即触发；AI 会引导补全信息并自动跑完工作流，最终输出 Markdown 决策报告。

方式二 · 本地脚本直跑（可选，便于批处理 / 二次开发）

bash

# 1) 量化分析（Reilly / TQI / Hotelling / 三情景）
python scripts/roi_calculator.py --json input.json      # 自定义输入
python scripts/roi_calculator.py --demo                 # 内置示例

# 2) 品类推荐
python scripts/category_recommender.py --json feats.json
python scripts/category_recommender.py --demo

# 3) 生成决策人 Markdown 报告（整合 1+2 + 可选地图数据）
python scripts/report_generator.py --json input.json --map-json map_data.json --out report.md
python scripts/report_generator.py --demo --map-json examples/demo_map_data.json --out examples/decision_report_demo.md

脚本仅依赖 Python 标准库（argparse / json / math / re / datetime / os / sys），无需任何第三方包，Python 3.8+ 即可运行。

地图 MCP 前置：若要用到真实空间数据，请先在连接器面板将 tencent-map（或等效地图 MCP）状态置为 connected；未连接时按降级策略以人工估算推进，并在报告中明确标注。

3. 参数描述（输入 JSON）

以下为 roi_calculator.py 的输入 schema，缺失项由 references/benchmarks.md 基准估算（* 为可选）：

字段路径	类型	必填	说明	示例 / 缺省
project	string	是	项目名（报告标题用）	"新店001"
category	string	*	品类，决定捕获率基准（正餐/快餐/茶饮/火锅/烘焙…）	"正餐"
location.address	string	*	地址（供地图 MCP 地理编码）	"XX路XX号"
location.longitude / latitude	number	*	经纬度（有则跳过地理编码）	121.47 / 31.23
location.scale_sqm	number	是	本店营业面积，作为 Reilly 吸引力 Sa	150
location.visibility_angle	number	*	门头可视角度（度），决定可视衰减	45（缺省 90）
location.foot_traffic.weekday_noon	number	是	工作日午市过点人流	2500
location.foot_traffic.weekday_night	number	是	工作日晚市过点人流	800
location.foot_traffic.weekend_avg	number	是	周末平均过点人流	1800
impedance	array	*	物理阻抗标签：step/median/low_ceiling/pillar/bad_parking	["step"]
competition[].name	string	是	竞品名	"竞品A"
competition[].distance_m	number	是	本店与竞品间距（米）	50
competition[].scale_sqm	number	*	竞品面积（吸引力 Sb）	150（缺省同本店）
financials.rent_monthly	number	是	月租金	50000
financials.deposit_terms	string	是	押付条款，解析为 首期租金 = 月租×(押+付)	"3押1付"
financials.renovation_cost	number	是	装修设备投入	300000
financials.transfer_fee	number	*	转让费	0
financials.avg_check	number	是	客单价	45
financials.cogs_ratio	number	是	食材成本率	0.35
financials.opex_ratio	number	是	运营费用率（占营收）	0.25
red_flags	array	*	合规硬伤：no_fume/no_vent/fire_hazard/no_sewage/unknow_title 等	[]

完整 JSON 示例：

json

{
  "project": "新店001",
  "category": "正餐",
  "location": {
    "address": "XX路XX号",
    "longitude": 121.47, "latitude": 31.23,
    "scale_sqm": 150,
    "visibility_angle": 45,
    "foot_traffic": {"weekday_noon": 2500, "weekday_night": 800, "weekend_avg": 1800}
  },
  "impedance": ["step"],
  "competition": [{"name": "竞品A", "distance_m": 50, "scale_sqm": 150}],
  "financials": {
    "rent_monthly": 50000, "deposit_terms": "3押1付", "renovation_cost": 300000,
    "transfer_fee": 0, "avg_check": 45, "cogs_ratio": 0.35, "opex_ratio": 0.25
  },
  "red_flags": []
}

category_recommender.py 另需商圈特征（trade_area_type / consumption_level / commercial_density / competition_intensity / tqi / red_flags），通常由 report_generator.py 从地图数据与分析结果自动推导，亦可由 map_data.json 直接提供（schema 见 references/map_mcp_guide.md）。

4. 注意事项

• 地图数据是代理，不是实时人流：地图 MCP 提供 POI 密度、业态构成、路网可达性等空间代理指标，是客流潜力的强信号；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。二者在报告中须明确区分。
• 置信区间非收益承诺：三情景回本区间为数据推演，不代表确定结果；悲观情景受"竞争分流 50% 半实现"假设影响。
• Red Flag 一票否决：命中消防 / 排烟 / 产权 / 排污硬伤，系统直接终止评估，不进入乐观叙事。
• 竞争距离禁编造：竞品距离须来自地图 MCP 实测或现场测距，不得凭印象虚构。
• 数据来源透明度：未接入地图 MCP 时，商圈价值相关结论标注"人工估算/待补"，不混入地图结构化数据的置信度。
• 地图数据出境必须 opt-in：调用地图 MCP 前须向用户明确说明"将把铺位地址/坐标发送至地图服务商"并征得同意；用户拒绝则纯本地降级，绝不静默外发。且仅地址/经纬度出境，财务与合规数据一律本地处理（详见「安全与合规」与 references/map_mcp_guide.md 第六节）。
• 发布前替换作者：SKILL.md 的 author 字段当前为 WorkBuddy，对外发布前请改为你的品牌。
• 环境要求：脚本仅依赖 Python 标准库；地图 MCP 采集需对应 MCP 已连接。

核心工作流（Workflow）

Stage 0 · 地图 MCP 数据采集（v3.0 新增 · 人流量/商圈价值）

⚠️ 出境前必须显式 opt-in（安全红线）：地图 MCP 是外部服务，调用会把目标 位置信息（地址 / 经纬度） 发送给地图服务商。在首次调用任何地图 MCP 工具前， 必须向用户明确说明"将把该铺位地址/坐标发送至地图服务商"并征得同意；用户拒绝则 直接进入纯本地降级模式（见下方"未连接 / 拒绝"分支），不得静默外发。 详见「安全与合规」章节与 references/map_mcp_guide.md 第六节。

若环境已连接地图 MCP（如 tencent-map）且用户已 opt-in，按 references/map_mcp_guide.md 的能力→工具→输出映射执行：

1. 地理编码：地址 → 经纬度，写入 location.longitude/latitude。
2. 人流量测量（代理）：地图 MCP 不直接计数人头，但提供强代理——
   • 周边 POI 密度与业态构成（商业密度、消费水平推断）；
   • 路网可达性（步行/驾车到地铁、公交、小区）。 同时要求用户补充现场分时段人工计数（午市/晚市/周末），填入 location.foot_traffic。
3. 竞品分布：周边搜索（关键词=竞品品牌/品类，半径 500m）→ 映射为 competition[] （name / distance_m / scale_sqm），并保留 map_data.competitor_pois 供报告展示。
4. 消费水平 & 商业密度：由 POI 分业态计数推断（阈值见 references/benchmarks.md 第十/十一节），写入 map_data.consumption_level / commercial_density / trade_area_type。
5. 可达性：步行路线规划 → map_data.accessibility。

数据最小化：仅 location.address / 经纬度会被发送至地图服务商； financials（租金/装修/客单等）、red_flags、category 等商业与合规数据一律 只在本地参与计算，绝不外发。

未连接地图 MCP 或用户拒绝 opt-in 时：跳过本阶段，提示用户补充人工数据，并在报告中标注 ⚠️ 未接入地图 MCP / 未授权外发，以下为人工估算/待补（降级策略见 map_mcp_guide.md 第五节）。

Stage 1 · Reilly's Law（雷利零售引力定律）→ 商圈分析

• 断裂点公式：D_ab = d / (1 + √(S_b / S_a))
  • d = 本店与竞品间距（m）；S_a = 本店吸引力（面积）；S_b = 竞品吸引力。
  • D_ab = 自本店起、顾客偏好从本店转向竞品的断裂点距离（km）。
• 核心商圈半径 = 各竞品断裂点的最小值（受最近强竞品约束）；无竞品时默认 1.5 km。
• 有效捕获面积（Catchment Area）= π × 半径²（km²）。

Stage 2 · TQI（Traffic Quality Index，客流质量指数）

• 原始日客流（Network Analysis 折算）= ((午市+晚市)×5 + 周末×2)/7 × 日曝光放大系数(4)。
• 可视衰减因子 visibility_decay(angle)：<30°→0.70；30–60°线性 0.70→1.00；≥60°→1.00。
• 阻抗因子 impedance_factor：台阶×0.85、隔离带×0.70、挑高低×0.90、柱头×0.92、停车难×0.85（乘性叠加）。
• TQI = 可视衰减 × 阻抗。修正后有效日客流 = 原始日客流 × TQI。
• 捕获率（Capture Rate）：按品类基准（快餐 3–5%、正餐 1–2%、茶饮 5–8% 等），中性用基准值， 悲观按竞品分流潜力 50% 实现折减。预计日翻台/客单 = 修正后有效日客流 × 捕获率。

Stage 3 · Hotelling 区位模型 → 竞争影响

• 单竞品分流率：距离<100m 且规模相当时 20–40%（本店规模大→下探 20%，竞品规模大→上探 40%）； 100–300m 线性衰减至 5%；≥300m 视为 0。
• 综合分流率 = 1 − Π(1 − 单竞品分流率)，上限 85%。

Stage 4 · 财务建模 + 三情景

• 总投资 = 装修设备 + 首期租金(押+付) + 转让费。
• 贡献毛利率 CM = 1 − cogs_ratio − opex_ratio；月固定成本 = 月租（opex 已按营收比例计入变动）。
• 盈亏平衡点（月营收）= 月固定成本 / CM。
• 三情景营收：乐观 = 中性 ×1.2（客流+20%）；中性 = 修正客流×基准捕获×客单×30； 悲观 = 修正客流×悲观捕获(含竞争分流)×客单×30。
• 月净利润 = 营收×CM − 月固定成本；回本周期 = 总投资 / 月净利润。
• 置信区间 = [悲观回本, 乐观回本] 月；风险等级：≤12 Low / ≤18 Medium / ≤24 Elevated / >24 High。

Stage 5 · 品类选址建议（v3.0 新增 · 数据驱动）

调用 scripts/category_recommender.py，基于 map_data 中的商圈类型 / 消费水平 / 商业密度 / 竞争强度 + 分析引擎的 TQI + 合规硬伤，输出餐饮品类评分排序与回避清单：

• 评分 0–100，绿(推荐)≥70 / 黄(慎选)50–69 / 红(回避)<50。
• 核心逻辑（透明）：商圈适配 + 消费匹配 + 商业密度 − 竞争敏感度×竞争强度 ± 消费溢价 ± TQI − 合规硬伤。
• 冲动型低壁垒品类（茶饮/烘焙）对红海最敏感；高壁垒目的地品类（火锅/正餐）最抗竞争。

生成决策报告

调用 scripts/report_generator.py --json input.json [--map-json map_data.json]， 自动整合 Stage 1–5 结论，输出面向餐饮选址决策人的 Markdown 报告（详见下节）。

输出规范：决策人 Markdown 报告

严格输出以下 7 节（由 report_generator.py 生成，含 ASCII/表格可视化）：

一、决策摘要（一页结论）

• 综合裁定：🔴红·终止 / 🔴红·高风险 / 🟡黄·条件推进 / 🟢绿·推进 + 一句话理由。
• KPI 卡：有效日客流、预计日翻台、总投资、中性回本、回本置信区间、首选品类。
• 核心结论 3 条（商圈 / 客流 / 财务）。

二、地图数据勘察（商圈价值）

• 地理坐标、可达性（最近地铁/步行分钟）、消费水平、商业密度、商圈类型、业态构成（POI 计数）。
• 地图核验链接（卫星/街景）。未接入 MCP 时标注人工估算。

三、商圈与客流（Space & Traffic）

• Reilly 断裂点、有效捕获面积、TQI。
• 客流漏斗 ASCII：原始日客流 → ×TQI → ×捕获率 → 日翻台。

四、竞争态势（Competition）

• 逐竞品表（距离/规模/断裂点/分流率）+ 综合分流率。

五、财务预测（Financial Projection）

• 三情景表（月营收/月净利润/回本周期）+ 回本区间 ASCII 条形（标注 12 月安全线、24 月警戒线）。

六、品类选址建议（Category Fit · 数据驱动）

• 首选品类 + 回避清单 + 评分排序表（含等级/壁垒/投资/依据）。
• 决策象限（消费水平 × 竞争强度 → 适配品类）。

七、行动清单（Action Plan）

• 🟢 立即推进 / 🟡 签约前条件（谈判筹码：租金下调%、免租天数）/ 🔴 否决项（Red Flag）。

约束（Constraints）

• 输出必须包含 置信区间，不得承诺确定性收益；明确"本结果仅为数据推演"。
• 必须使用 GIS 术语（Buffer Zone、Network Analysis、Catchment Area、断裂点等）。
• 若 red_flags 含消防/排烟/产权/排污硬伤 → 直接判定 "Red Flag: Project Termination"， 输出强硬否决建议，不进入财务测算的乐观叙事。
• 数据来源透明度：区分"地图 MCP 结构化数据"与"人工估算"，不得混淆置信度。
• 末尾标注：本测算基于行业平均值、空间经济模型与地图结构化数据，具体经营结果取决于实际运营能力。

安全与合规（Security & Compliance）

本 Skill 通过静态分析（无网络/子进程/eval/exec/文件外泄代码）与最小数据出境原则保障安全。 地图 MCP 是唯一的外部数据出境通道，对其使用受以下硬性约束：

1. 出境前显式 opt-in（不可静默外发）：在首次调用任何地图 MCP 工具前，必须主动向用户说明 "将把该铺位地址/坐标发送至地图服务商"并显式征得同意。用户拒绝则立即进入纯本地降级模式， 不得绕过、不得静默补发、不得用"已读默认同意"等话术默认授权。
2. 数据最小化（Data Minimization）：仅 location.address 与经纬度（地理编码所需）会被发送至 地图服务商；financials（租金/装修/客单等）、red_flags（消防/产权等合规硬伤）、category （拟选品类）等商业与合规敏感数据一律只在本地参与计算，绝不外发。地图返回的空间代理数据 （POI 密度/业态/可达性）亦仅用于本地分析，不回传任何第三方。
3. 纯本地降级模式：未连接地图 MCP 或用户拒绝 opt-in 时，跳过所有地图调用，改用人工估算 推进，并在报告中明确标注 ⚠️ 未接入地图 MCP / 未授权外发，以下为人工估算/待补，不混入地图 数据的置信度。
4. 触发透明：即使命中"选址/人流量/竞品"等宽泛关键词，也不会在取得 opt-in 前自动外发位置； 宽泛触发只用于启动"本地分析 + 询问是否采集地图数据"的对话，而非直接出境。
5. 无隐藏行为：所有脚本仅用 Python 标准库，无 urllib/requests/socket/subprocess/eval/exec/ __import__/open(https...) 等任何联网或动态执行代码；本 Skill 不会写入、上传或外泄用户文件系统的 其他数据。

完整数据流与最小化细则见 references/map_mcp_guide.md 第六节。

少样本示例（Few-Shot，引擎实算）

Input（Spec 内置示例 JSON）：新店001 / 正餐 / 可视角度 45° / 客流 2500·800·1800 / 竞品A 50m·150㎡ / 月租5万·3押1付·装修30万·客单45·COGS35%·OPEX25%。

执行链：

1. python scripts/roi_calculator.py --demo → 量化结论（断裂点/捕获面积/TQI/三情景）。
2. python scripts/category_recommender.py --demo → 品类排序。
3. python scripts/report_generator.py --demo --map-json examples/demo_map_data.json → 决策人 Markdown 报告（见 examples/decision_report_demo.md）。

报告节选：

text

【决策摘要】综合裁定：🔴 红·高风险（中性回本 17.2 月，风险 High）
  有效日客流 9,763 人 | 预计日翻台 146 单 | 总投资 ¥50.0万
  回本置信区间 29.0–11.1 月 | 首选品类：火锅（黄·慎选）

【客流漏斗】原始 11,486 → ×TQI 9,763 → ×捕获率 146 单/日
【回本区间】乐观11.1 ███ 中性17.2 █████ 悲观29.0 ████████(超24月警戒线)
【品类】饱和商圈中目的地品类(火锅/正餐)相对优于冲动红海(茶饮)，需差异化突围
【行动】租金下调10% + 45天免租期；排烟/产权硬伤一票否决

完整示例报告：examples/decision_report_demo.md（已随 Skill 附带，可由你直接审阅格式）。

参考资源

文档	内容	何时加载
references/benchmarks.md	可视衰减/阻抗映射、品类捕获率、Reilly/Hotelling 模型、消费水平/商业密度分级、商圈类型、品类推荐矩阵、押付解析、GIS 术语表、假设说明	每次测算引用基准与公式时
references/map_mcp_guide.md	地图 MCP 能力→工具→输出映射、map_data schema、降级策略、安全与数据流（出境opt-in/数据最小化）、数据质量红线	调用地图 MCP 采集数据时
scripts/roi_calculator.py	精确分析引擎（Reilly/TQI/Hotelling/三情景/置信区间/Red Flag）	用户提交 JSON 后执行
scripts/category_recommender.py	数据驱动品类推荐引擎（评分矩阵/回避清单）	Stage 5 执行
scripts/report_generator.py	决策人级 Markdown 报告生成器（可视化/行动清单）	最终输出报告

核心金句

1. 流量不等于生意——TQI 把"通过人流"折算成"进店人流"。
2. 断裂点告诉你：超出 X 米，顾客就归竞品了。
3. 没有置信区间的选址建议，都是伪科学。
4. 饱和商圈里，目的地品类比冲动红海更抗竞争——选品就是选护城河。
5. 消防/排烟/产权硬伤，再便宜也是雷——Red Flag，直接终止。