开店可行性评估
用多套公开开店、选址和线下门店模型的共同部分判断一个具体门店是否值得开。核心不是给商圈打分，而是回答三个数字：日保本订单、现实日订单、安全边际。
Inputs
- 用户计划经营的店型、品类和主要产品/服务。
- 城市、商圈和具体铺位；若尚未定铺，只能进行候选区域预评估。
- 面积、月租、物业、转让费/进场费等场地条件。
- 客单价、商品或服务变动成本；若不知道毛利率，优先从售价和成本反算。
- 人工、营业天数、营业时段和其他固定成本。
- 装修、设备、押金、首批货、开业营销、流动资金等初始投资。
- 实测客流、竞品、外卖/团购等数据；没有时按本文的替代路径补充。
不要要求用户一次性填写完整表格。每轮只追问最可能改变结论的 3–5 项。
Output
只有在关键变量已由真实数据或有依据的替代数据解决后，才输出正式结论：
- 建议开 / 有条件可开 / 谨慎 / 不建议开 / 数据不足暂不能判断
- 数据可信度 A/B/C/D
- 日保本订单、现实日订单区间、安全系数
- 悲观/中性/乐观三情景
- 最大风险和最多 3 个签约前验证动作
- 每个关键估算值的数据来源
Process
1. 先判定评估阶段
区分两类任务：
- 候选区域预评估：没有具体铺位。可比较商圈和店型匹配，但不得给最终“建议签约”。
- 具体铺位评估：已有明确点位和租金。可进入完整模型。
若用户问“这个店能不能开”，默认需要具体铺位评估。
2. 建立数据台账
把每个变量记录为：
变量 | 数值/区间 | 来源 | 可信度 | 是否仍需验证
数据来源优先级固定为：
- 用户真实合同/经营数据
- 现场实测数据
- 同商圈直接竞品数据
- 多套公开方法论共同认可的推算路径
- 同业 Benchmark
- 单一专家/KOL经验值
低优先级数据不得覆盖高优先级数据。
3. 执行信息完整度闸门
正式判断前，至少解决：
- 店型/品类
- 具体位置
- 面积
- 月租及主要场地费
- 客单价
- 单均变动成本或可反算的毛利数据
- 人工成本
- 月营业天数
- 初始投资
- 现实订单预测所需的客流/竞品/转化依据
任何关键项完全缺失时，不得直接打分或给“建议开”。继续追问。
4. 缺数据时持续追问，不要假设
按以下顺序处理每个缺口：
- 直接问：询问具体数字或区间。
- 换问法：用户不知道专业指标时，改问更容易回答的原始数据。
- 拆分问题：例如不知道毛利率，就问售价、进货/原料、包装、平台抽佣。
- 确认无法提供：只有用户明确不知道、没有或无法获得，才进入替代路径。
- 替代估算：按
references/substitution-paths.md选择有依据的路径。 - 标记来源并降低可信度：不得把估算值写成事实。
如果最大公约数模型中的主路径仍可执行，必须优先执行；不要为了方便切换到某个单一 KOL 的捷径。
5. 研究位置与竞品
如果具备网页、地图或本地搜索能力，调查门店周边的：
- 直接和间接竞品
- 住宅、写字楼、学校、商场、交通节点等 POI
- 价格、评分、评论量、营业时间、团购/外卖可见销量
- 门店存续、闭店/转让迹象
- 主动线、门头可见性、隔离带、过街、楼层等可捕获性
公开信息只能作为证据，不得虚构无法看到的客流或营业额。
6. 优先使用“最大公约数”核心模型
核心链路：
需求 → 有效客流 → 进店/捕获 → 成交 → 客单价 → 营业额 → 贡献毛利 → 固定成本 → 保本线 → 利润 → 回本 → 竞品实证
关键公式和口径见 references/formulas.md。
现实订单优先使用：
有效客流 × 进店率 × 成交率
若某行业公开方法把“捕获率”直接定义为成交人数/经过人数，则可合并为：
有效客流 × 捕获率
不要重复乘同一层转化。
7. 用竞品做现实校验
不要只数“附近有几家”。回答：
- 与本店最相似的店是否已经证明该模型跑得通？
- 其价格、客流、排队、翻台、外卖/团购表现是否支持当前订单预测？
- 当前模型是否要求新店明显超过成熟竞品才能保本？
如果理论预测明显高于同商圈成熟竞品表现，必须下调预测或标为低可信度。
8. 做确定性计算
有代码执行能力时，优先使用：
python scripts/calc_store.py input.json
输入示例见 references/calculator-input.md。脚本只做算术，不替代商业判断。
至少计算：
- 日固定成本
- 单均贡献毛利
- 日保本订单
- 日保本营业额
- 悲观/中性/乐观日订单、月营收、月经营利润
- 中性安全系数
- 正利润情景下的简单回本月数
9. 做压力测试
至少测试：
- 客流或订单 -20%
- 客单价 -10%
- 单均变动成本 +10%
- 人工 +10%
- 房租 +10%
找出最容易使门店从盈利变亏损的变量，定义为“核心脆弱点”。
10. 执行硬判断，再评分
先判断盈利模型，后评分。评分不能覆盖硬事实。
默认规则：
- 中性现实订单低于日保本订单：不建议开。
- 中性安全系数低于 1.10：高风险；除非存在明确、已验证且低成本的改善手段，否则不得评为“建议开”。
- 只有依赖异常高进店率/成交率才能盈利：不建议按当前条件开。
- 月经营利润小于等于 0：不存在正常回本周期。
- 关键数据仍无法解决且替代证据弱：数据不足暂不能判断，而不是强行下结论。
安全系数仅作通用启发式：
- 小于 0.90：高风险
- 0.90–1.10：危险
- 1.10–1.30：较脆弱
- 1.30–1.60：可接受
- 大于 1.60：较健康
行业差异明显时，说明阈值仅为通用参考。
11. 给数据可信度
- A：成本、位置、客流和竞品大多有真实/实测数据。
- B：成本与位置完整，少数需求变量来自可靠公开数据或竞品反推。
- C：多项关键变量依赖 Benchmark 或间接估算。
- D：核心数据仍明显不足。
C/D 级输出区间，不输出伪精确数字。
12. 最终输出固定顺序
- 结论：一句话明确回答能不能开。
- 数据可信度：A/B/C/D。
- 三个核心数字：日保本订单、现实日订单、安全系数。
- 三情景：悲观/中性/乐观。
- 最重要的 3 个判断依据。
- 最大 1–3 个风险。
- 估算数据及来源。
- 签约前最多 3 个验证动作。
不要用“商圈潜力较好，建议综合考虑”之类空泛结论。
Examples
用户只有想法
用户：“我想在上海开一家咖啡店。”
动作：先问候选区域、具体店型/客单、面积和预算；没有具体铺位时，只做候选区域预评估，不输出最终签约建议。
用户不知道毛利率
用户：“毛利不知道。”
动作：改问主力产品售价、原料/进货、包装、平台佣金等；能反算就不用行业平均值。
用户不知道客流
用户：“没数过人。”
动作：先问是否可以现场分时段数人；不能，则按竞品反推、POI/动线、行业 Benchmark 的顺序寻找替代证据，并降低可信度。
Troubleshooting
用户反复说不知道 → 不要停在同一个专业问题上；换成原始数据问题，再进入 references/substitution-paths.md。
公开数据互相冲突 → 优先点位级、近期、可验证数据；保留区间并降低可信度。
用户只给一个总投资数字 → 继续拆分房租、装修、设备、转让、押金和流动资金，至少把固定成本与一次性投资分开。
无法联网 → 仍可完成成本和保本模型；客流/竞品部分必须明确标记待验证，不能假装已有外部数据。
Reference
references/formulas.md：统一公式、变量定义和避免重复计算的规则。references/substitution-paths.md：用户无法提供关键数据时的替代路径。references/methodology-sources.md：本 Skill 的公开方法论来源与“最大公约数”提炼依据。references/calculator-input.md：确定性计算脚本输入格式。
