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

> 作者/来源: admin
> 发布时间: 2026-08-13T10:17:23.183Z
> 分类: AI专区
> 标签: 咖啡店选址, 空间验证, GeoLibre, GIS, UCloud AI游乐场
> 原文链接: http://117.50.162.249:3000/yun/articles/2702

---

## 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。

![](https://ucloud-blog.cn-bj.ufileos.com/imagebed/0998213383764694-acdeffc01c579a804d2074482f478d5b.jpg)

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。

```text
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。

```text
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。

![](https://ucloud-blog.cn-bj.ufileos.com/imagebed/0998213383764672-9c30e1d01d630031ada330b82f79ca33.jpg)

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。

![](https://ucloud-blog.cn-bj.ufileos.com/imagebed/0998213383764612-befc9f67d82e9e654734685070e61da1.jpg)

## 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。