咖啡店选址只看 Excel 够吗？我会用 GeoLibre 先做一轮空间验证

先说结论

如果要判断一家咖啡店该开在徐家汇、中山公园还是五角场，我不会先问“哪个 Excel 指标最高”，而会先看一个更现实的问题：候选门店周边 800 米内到底有什么。

客流、租金、交通评分当然重要，但咖啡店选址真正麻烦的地方在于空间关系：竞品离我多近，地铁能不能覆盖，候选点是不是落在同一个商圈影响范围里，周边人群和消费场景是否真的支撑开店。

GeoLibre 的价值不是替人“一键决定”咖啡店开在哪里，而是把地址、竞品、交通、租金和客流放进同一个空间坐标系，形成一套可以查看、解释、调整、复算的选址分析过程。这个过程比一句“AI 推荐 A 点”更适合企业做决策参考。

一、为什么 Excel 不够回答咖啡店选址问题

假设一家咖啡品牌准备进入上海，现在有 3 个候选地址：徐家汇、中山公园和五角场。老板的要求通常很直接：人要多，地铁要近，租金不能太离谱，周边最好不要挤满瑞幸、星巴克和 Manner。

这些要求拆开看，Excel 能处理一部分：

• 客流指数可以放进表格。
• 租金指数可以放进表格。
• 交通评分可以放进表格。
• 门店基础信息也可以放进表格。

但 Excel 不擅长直接回答这些问题：

• 每个候选点 800 米范围内有多少竞品？
• 哪些竞品真的落在门店近场影响范围内？
• 候选门店离地铁站有多近？
• 地铁覆盖区和门店覆盖区有没有重叠？
• 三个候选点面对的是同一个商圈，还是不同消费圈层？

这些问题属于 GIS，也就是 Geographic Information System，地理信息系统的典型处理范围。GIS 的核心能力，是把数据放进空间坐标中，再分析距离、覆盖、聚集、重叠和边界。

以前提到 GIS，很多人会想到 QGIS、ArcGIS、坐标系、投影、空间数据库和复杂部署。对零售、物流、园区、出海业务或市场分析团队来说，真正需要的往往不是研究遥感，而是把几个地址放在地图上，回答一个具体问题：这家店到底适不适合开在这里。

二、GeoLibre 是什么

GeoLibre 是一个开源地理空间分析项目，也出现在 UCloud AI 游乐场的应用入口中。它的定位很直接：在浏览器中查看、编辑和分析地理空间数据，支持地图、三维场景与本地空间计算。

UCloud AI 游乐场当前提供 GeoLibre 在线体验入口，由 UCloud SandBox 承载。打开网页即可进入，不需要先购买云主机、部署数据库或搭建完整 GIS 环境。

根据 GeoLibre 开源项目信息，GeoLibre 可以运行在浏览器、Windows、macOS、Linux、Android 和 Jupyter Notebook 中。项目基于 MapLibre GL JS、DuckDB-WASM Spatial、deck.gl 和 Tauri 构建，地图展示、空间查询和大量数据处理可以在本地或浏览器中完成。

实体	作用	对选址分析的意义
UCloud AI 游乐场	UCloud 提供的在线应用体验入口	降低体验 GeoLibre 的部署门槛
UCloud SandBox	承载在线体验的沙箱环境	让复杂应用获得隔离、可访问的运行环境
GeoLibre	开源 GIS 工作区	承担地图展示、空间查询、缓冲区和空间连接等分析任务
MapLibre GL JS	开源 Web 地图库	支持浏览器端地图渲染
DuckDB-WASM Spatial	浏览器端空间 SQL 能力	支持本地或浏览器侧空间查询与计算
deck.gl	大规模地理数据可视化框架	支持复杂图层和可视化表达
Tauri	跨平台桌面应用框架	支持 GeoLibre 桌面端形态

很多开源项目的问题不是能力不够，而是用户在看见产品之前，已经被部署文档、Docker、端口和环境变量劝退。UCloud AI 游乐场的现实价值，是把工具先放到一个可访问的入口里，让业务团队先验证问题，再决定是否深入部署。

三、选址时我会先看哪几个问题

这次只讨论一个具体场景：徐家汇、中山公园、五角场 3 个候选点，哪一个更适合作为咖啡品牌进入上海的第一家店。

我会把判断条件拆成 4 类：

1. 客流强度：候选门店附近是否有足够人群。
2. 交通便利度：是否靠近地铁、公交或主要动线。
3. 租金压力：租金成本是否在可承受范围内。
4. 竞品密度：周边是否聚集大量咖啡品牌或同类门店。

其中，竞品密度和交通覆盖必须通过空间分析才能表达得更清楚。Excel 能记录“竞品数量”，但它不擅长直接回答“哪些竞品落在候选点 800 米范围内”。

四、第一步：准备候选门店和竞品 CSV

先准备两份演示数据。第一份是 candidates.csv，用来放 3 个候选地址。

name,longitude,latitude,footfall_index,transit_score,rent_index
徐家汇候选店,121.4370,31.1950,92,95,88
中山公园候选店,121.4150,31.2180,84,90,76
五角场候选店,121.5140,31.2990,89,86,69

这里的经纬度用于演示门店位置。footfall_index 是客流指数，transit_score 是交通评分，rent_index 是租金指数。后 3 个字段都是模拟指标，不代表真实铺位数据。

第二份是 competitors.csv，用来放周边竞品门店。

name,brand,longitude,latitude
竞品01,品牌A,121.4390,31.1940
竞品02,品牌B,121.4330,31.1980
竞品03,品牌C,121.4410,31.2010
竞品04,品牌A,121.4460,31.1960
竞品05,品牌B,121.4180,31.2190
竞品06,品牌C,121.4090,31.2210
竞品07,品牌A,121.5160,31.3010
竞品08,品牌B,121.5100,31.2960
竞品09,品牌C,121.5210,31.2990

这组数据只用于演示 GeoLibre 的选址分析流程。真实项目需要补充门店营业额、客单价、铺位面积、租期、物业限制、道路可达性、外卖订单、人群画像、统计周期、客流来源、租金来源和竞品采集方式等字段。

五、第二步：在 GeoLibre 中导入候选门店和竞品图层

进入 UCloud AI 游乐场的 GeoLibre 页面后，如果尚未登录，按页面提示登录 UCloud 账号。进入体验后，浏览器会打开 GeoLibre 工作区。共享体验环境通常不需要单独购买云主机，也不会先要求配置 CPU、内存和网络。

GeoLibre 的界面可以按 GIS 的基本概念理解：顶部是功能菜单，左侧是图层，右侧是样式，中间是地图，底部可以展开属性表。图层就像一张张透明胶片，城市底图在最下面，候选门店、竞品、地铁站和商圈逐层叠加。

导入 candidates.csv 的步骤如下：

1. 点击顶部的 Add Data。
2. 选择 Delimited Text Layer。
3. 导入 candidates.csv。
4. 经度字段选择 longitude。
5. 纬度字段选择 latitude。
6. 坐标系选择 EPSG:4326。
7. 加载后，3 个候选门店会显示为地图上的 3 个点。

EPSG:4326 是常见的经纬度坐标系，通常用于 WGS84 经纬度数据。只要 CSV 中 longitude 和 latitude 字段是标准经纬度，就可以使用这个坐标系进行演示。

用同样的方法导入 competitors.csv。导入后，地图上会多出 9 个竞品点。为了方便区分，可以在右侧样式面板中把竞品图层设为红色，把候选门店设为蓝色，并适当增大候选门店点尺寸。

这一步只是把 Excel 中的表格搬到地图上。真正的价值，要从空间分析开始出现。

六、第三步：用 800 米缓冲区统计周边竞品

第一个业务问题是：每个候选门店 800 米范围内到底有多少家竞品。

800 米不是行业标准答案，只是一个演示假设。它可以粗略代表城市门店的近场影响范围。真实项目中，距离参数要根据道路结构、商圈类型、消费者习惯和品牌定位调整。便利店可能更关心 300 米，购物中心里的目的性消费可能看得更远。

在 GeoLibre 中创建缓冲区的步骤如下：

1. 打开顶部 Processing。
2. 进入矢量处理工具。
3. 选择 Buffer。
4. 输入图层选择候选门店。
5. 距离填写 800 米。
6. 运行工具，生成 3 个以候选点为中心的缓冲区。

缓冲区不是地图装饰，而是在表达一个明确假设：如果消费者愿意在这个距离范围内活动，每家候选门店面对的竞争环境是什么。

接着使用 Spatial Join，也就是空间连接，统计竞品数量：

1. 选择 Spatial Join。
2. 目标图层选择刚生成的 800 米缓冲区。
3. 连接图层选择竞品门店。
4. 空间关系选择相交。
5. 对落入每个缓冲区的竞品点进行计数。
6. 运行后打开结果图层属性表，查看新生成的计数字段。

不同版本中字段名称可能不同，计数字段可能叫 count，也可能带有连接图层名称。关键不是字段名，而是空间关系已经被转化为可计算字段：徐家汇候选店周围有几家竞品，中山公园有几家，五角场有几家。

七、第四步：把竞品数量做成竞争压力图

竞品数量进入属性表后，可以继续做可视化。右侧样式面板选择分级渲染，以竞品数量作为字段，设置从浅色到深红色的渐变。竞争越激烈，缓冲区颜色越深。

这时，9 个散落的竞品点会变成一张竞争压力图。相比“地图上看起来很多点”，分级渲染更适合支持内部讨论：哪个候选点竞争更密集，哪个候选点周边压力相对较低。

还可以继续叠加地铁站数据。把地铁站 CSV 导入后，可以给每个地铁站创建 500 米缓冲区，再用 Intersect，也就是相交，计算候选门店缓冲区和地铁覆盖区的重叠。也可以使用距离计算、空间连接和属性连接，把最近地铁站、步行距离、线路数量等字段补进候选点。

如果数据足够，还可以加入写字楼、居民区、商场、学校、停车场和外卖订单。GIS 最朴素也最有用的地方，是把原本分散在 Excel、地图、报告和经验判断中的信息，放进同一个空间坐标里。

八、第五步：用空间字段构建综合评分

当每个候选点已经获得竞品数量后，就可以在属性表中新增综合评分字段，或者打开 Processing 中的 SQL Workspace，用 DuckDB Spatial 进行查询和计算。GeoLibre 会把已加载的矢量图层暴露为可查询的数据表。

一个演示评分思路如下：

指标	示例权重	说明
客流指数 footfall_index	40%	人群规模和潜在消费基础
交通评分 transit_score	30%	地铁、公交、通勤便利度
租金指数 rent_index	20%	成本压力，需明确高分代表高租金还是低租金
竞品压力 competitor_count	10%	800 米范围内竞品数量

这个公式只适合演示，不能直接用于签约决策。真实选址还要考虑营业面积、门头可见度、动线、楼层、租期、保底租金、物业限制、商圈成长性、订单时段分布和品牌定位。

竞争对手多也不一定是坏事。咖啡店聚集可能意味着需求充足，也可能意味着竞争过度。一条街上完全没有咖啡店，可能是蓝海，也可能是大家尽调后都放弃了。地图提供证据，最终判断仍要由业务团队完成。

九、AI Assistant 能辅助，但不是必要条件

如果 GeoLibre 中配置了可用模型服务，可以打开 Processing 里的 AI Assistant，用自然语言描述任务。例如：

请检查当前加载的候选门店和竞品图层。
为候选门店创建800米缓冲区。
统计每个缓冲区内的竞品数量，并把结果添加为新图层。
按照竞品数量从低到高进行分级着色。

根据 GeoLibre AI Assistant 说明，该功能属于可选能力，需要部署方提供托管模型服务，或用户自行配置 OpenAI、Anthropic、Gemini、Ollama 及兼容接口。AI Assistant 会把自然语言转成空间 SQL、样式调整和地理处理操作，并展示执行过的工具调用。

这里有一个容易误解的点：UCloud AI 游乐场提供的是 GeoLibre 在线体验入口和沙箱环境，不等于共享实例一定附带可直接调用的大模型额度。如果 AI Assistant 提示没有配置 Provider，可以使用手动流程。Buffer、Spatial Join、SQL Workspace 和样式设置不依赖大模型。

使用自己的 API Key 时，不要随意上传或发送敏感经营数据。根据 GeoLibre 说明，常规图层数据会在本地或浏览器侧处理；使用 AI Assistant 时，提示词以及限定范围内的图层名称、字段名称和地图视图会交给所选模型服务。敏感数据能否发送、发送到哪里，应先遵守公司安全要求。

十、保存、导出与生产环境边界

地图分析完成后，要及时保存。GeoLibre 项目可以保存为 .geolibre.json 文件。这个文件会记录地图视角、底图、图层来源、样式、插件状态和项目设置。也可以通过分享功能生成项目链接，或使用打印布局导出适合汇报的图片和 PDF。

在 UCloud 共享体验环境中，不应把临时实例当成永久工作目录。需要留存的数据应及时导出，项目应及时下载。进入生产分析后，更适合考虑 GeoLibre 桌面版、自建容器，或接入自己的对象存储和数据服务。

共享游乐场适合体验和验证，不适合作为敏感数据保险柜。

十一、不同方案怎么选

如果只是做咖啡店选址的早期验证，可以把几类方案放在一起比较：

方案	适合做什么	主要限制
Excel	指标整理、排序、简单评分	难以表达距离、覆盖、重叠和空间边界
普通在线地图	看位置、查路线、做人工判断	难以批量计算和复算空间关系
传统桌面 GIS	专业空间分析、复杂数据处理	学习和部署门槛较高
GeoLibre 在线体验	快速导入数据、创建缓冲区、空间连接、可视化验证	共享体验环境不适合长期保存敏感经营数据
自建 GeoLibre 或桌面版	更适合生产分析、私有数据和稳定流程	需要团队自己维护环境和数据治理

我的判断是：如果团队还在验证“空间分析到底能不能帮选址”，先用 UCloud AI 游乐场里的 GeoLibre 在线体验比较合适。它能把部署门槛降下来，让业务团队先看到地图分析是否有价值。

如果已经进入生产阶段，尤其涉及真实经营数据、长期项目留存、权限管理和内部数据源接入，就应该评估桌面版、自建容器、私有存储或企业级数据服务。

十二、GeoLibre 还能用于哪些空间决策

咖啡店选址只是一个入口。只要问题带有位置关系，类似流程就可以迁移到更多业务场景。

场景	可叠加数据	可回答的问题
物流选址	仓库、订单、道路、配送范围	新前置仓应该建在哪里
园区运营	企业、楼宇、停车位、充电桩	哪些区域存在服务缺口
出海落地	国家、港口、人口、网络质量、数据中心节点	业务应从哪座城市开始部署
农业与遥感	卫星影像、坡度、积水、地块边界	哪些地块出现植被或水文变化
零售拓店	门店、竞品、商圈、客流、租金	哪个铺位更接近目标客群

根据 GeoLibre 功能信息，项目支持常见矢量和栅格格式，包括 GeoJSON、Shapefile、GeoPackage、GeoParquet、FlatGeobuf、PMTiles、GeoTIFF 和 COG，也能接入 WMS、WFS、ArcGIS、STAC、3D Tiles 和部分数据库。它还提供缓冲区、裁剪、相交、空间连接、H3 网格、栅格计算、地形、水文、遥感和 LiDAR 等处理能力。

GeoLibre GitHub 信息还显示，项目提供 1000 多个基于 WebAssembly 的地理处理工具，很多计算可以直接在浏览器中运行，不必先把数据上传到另一台分析服务器。

十三、适合和不适合的场景

适合使用 GeoLibre 做初步验证的场景：

• 零售团队想比较多个候选铺位。
• 市场团队想把竞品、商圈和客流放到同一张地图上。
• 物流团队想评估仓库、订单和配送范围。
• 园区运营团队想分析楼宇、停车位、充电桩和服务缺口。
• 出海团队想比较城市、港口、网络质量和数据中心节点。
• 团队想先体验 GIS 工作流，但还不想搭建完整环境。

不适合直接依赖它完成最终决策的场景：

• 已经进入租约谈判，但还没有做现场尽调。
• 需要处理敏感经营数据，却仍使用共享体验环境。
• 希望工具直接给出唯一答案，不愿意校验假设。
• 数据来源、采集周期和字段含义都不清楚。
• 评分公式没有经过业务验证，却直接用于签约。

十四、总结建议

地图不是最终答案。800 米圆形缓冲区不是消费者真实走过的路线，客流指数不是路口每一个人的真实计数，综合评分也不会替品牌承担开店失败的租金。

但地图能让表格里难以显现的关系变得可见：距离、覆盖、聚集、重叠和边界。从徐家汇、中山公园和五角场 3 个蓝点开始，最终得到的不是一个绝对正确的店址，而是一套可以解释、可以调整、可以重新计算的判断过程。

企业做选型时，我建议重点看 4 件事：

1. 能不能快速把自己的数据导进去。
2. 能不能完成缓冲区、空间连接、距离计算这类基础分析。
3. 能不能把结果可视化成业务人员看得懂的地图。
4. 能不能在生产阶段满足数据安全、留存和权限要求。

GeoLibre 更适合扮演“空间验证工具”，而不是“自动决策工具”。它把 AI、数据和地图放到同一个分析流程里，让业务团队能看见假设、验证假设，并在必要时推翻假设。

FAQ

1. GeoLibre 可以直接告诉我咖啡店应该开在哪里吗？

不能。GeoLibre 可以帮助计算候选点周边竞品数量、交通覆盖、空间重叠和综合评分，但最终选址仍要结合租约、物业、动线、品牌定位和经营模型判断。

2. 为什么示例使用 800 米缓冲区？

800 米只是演示用的近场影响范围。真实项目中应根据城市道路、商圈类型、消费者步行习惯和品类特征调整。便利店可能使用 300 米，目的性消费可能使用更大范围。

3. 没有配置 AI Assistant，还能完成分析吗？

可以。Buffer、Spatial Join、SQL Workspace 和样式设置都可以手动完成，不依赖大模型。AI Assistant 只是把自然语言转成部分 GIS 操作的辅助入口。

4. UCloud AI 游乐场适合放真实经营数据吗？

共享体验环境适合试用和验证，不建议存放敏感经营数据。需要留存的数据应及时导出。进入生产阶段后，应评估桌面版、自建容器、私有存储或企业级数据服务。

5. 竞品越少的点就越好吗？

不一定。竞品少可能意味着竞争压力小，也可能意味着需求不足。竞品多可能意味着竞争激烈，也可能证明商圈已有成熟咖啡消费需求。竞品数量必须和客流、租金、交通、商圈成长性一起判断。

6. UCloud AI 游乐场和 GeoLibre 是什么关系？

UCloud AI 游乐场提供 GeoLibre 的在线体验入口，GeoLibre 承担地图展示、空间查询、缓冲区、空间连接等 GIS 分析任务。可以先用在线入口验证流程，再根据数据安全和生产要求决定是否使用桌面版、自建容器或接入自己的数据服务。

7. 这个流程只适合咖啡店吗？

不是。只要问题和位置关系有关，都可以迁移类似方法，比如零售拓店、物流仓选址、园区服务覆盖、出海城市选择、农业遥感和市场分析。关键不是品类，而是能不能把地址、范围、距离、覆盖和业务指标放到同一个空间坐标系里。