Warum eröffnen ähnliche Geschäfte direkt nebeneinander?

AOKI und Yofuku-no-Aoyama gehören nicht zum selben Konzern.

Veröffentlicht: 9. August 2026 Aktualisiert: 28. Oktober 2026113 Min.Werbung

So funktionieren die Lesehilfen

Anhören liest den Artikel vor. Schnelllesen zeigt Wortgruppen im gewählten Tempo. Sprachübungen vergleichen verfügbare Übersetzungen. Speichern legt ein Lesezeichen in diesem Browser an, das du in der Merkliste des Players wiederfindest. Breakout macht die Wörter des Artikels zu Steinen, die du abräumst.

Artikel teilen

Auf Facebook teilen (öffnet in neuem Tab)Auf X teilen (öffnet in neuem Tab)

1. Fazit

AOKI und Yofuku-no-Aoyama gehören nicht zum selben Konzern. AOKI ist Teil des Fashion-Geschäfts von AOKI Holdings, während Yofuku-no-Aoyama die zentrale Businesswear-Marke von Aoyama Trading ist; beide sind direkte Wettbewerber aus unterschiedlichen Unternehmensgruppen. Kaikatsu CLUB wird dagegen von KAIKATSU FRONTIER innerhalb der AOKI Group betrieben, sodass AOKI und Kaikatsu CLUB tatsächlich zum selben Konzern gehören. JOYJOY ist in der offiziellen Geschäftsstruktur der AOKI Group nicht aufgeführt und konkurriert separat mit Kaikatsu CLUB.[1][2]

Trotzdem sieht man häufig AOKI in der Nähe von Aoyama, Kaikatsu CLUB neben JOYJOY oder McDonald’s in einem Korridor mit mehreren Restaurantketten. Das ist nicht einfach ein gegenseitiger Verdrängungskrieg. Der zentrale Mechanismus lautet: Unternehmen mit ähnlichen Zielkunden bewerten häufig dieselben Handelslagen als attraktiv. Nähe verschärft den Wettbewerb, kann aber zugleich einen Cluster schaffen, in dem Kunden mehrere Angebote in einem Besuch vergleichen können.[8][9]

Am treffendsten ist daher der Begriff wettbewerbliche Koexistenz.

2. Konzernbeziehungen

AOKI vs Yofuku-no-Aoyama: unterschiedliche Gruppen, direkte Konkurrenz.
AOKI vs Kaikatsu CLUB: gleiche AOKI Group, unterschiedliche Geschäftsbereiche.[1]
Kaikatsu CLUB vs JOYJOY: unterschiedliche Gruppen, teilweise überlappende Freizeitnachfrage.[1][5]
McDonald’s vs andere Gastronomieketten: normalerweise unabhängige Unternehmen, die um verschiedene Essensanlässe konkurrieren.

Räumliche Nähe ist daher kein Beweis für gemeinsames Eigentum. Unabhängige Wettbewerber ballen sich oft gerade deshalb, weil sie dieselbe Nachfrage verfolgen.

3. Warum eröffnen Wettbewerber in unmittelbarer Nähe?

Jedes Format hat ein bevorzugtes Standortprofil. Roadside-Geschäfte achten auf Verkehrsmenge, Sichtbarkeit, Ein- und Ausfahrt, Parkplätze, Bevölkerung, Haushaltsstruktur, Tages- und Nachtbevölkerung, Nachbarnutzungen und Grundstückskosten. Bahnhofsstandorte gewichten Passanten, Fahrgastströme, Büroarbeitsplätze, Zentralität und verfügbare Mietfläche stärker.

Wenn zwei Unternehmen ähnliche Kunden bedienen, können unabhängige Analysen denselben Knotenpunkt, dieselbe Umgehungsstraße oder denselben Bahnhof als optimal einstufen. Das beweist nicht, dass eines dem anderen absichtlich folgt. Ähnliche Optimierungskriterien führen oft zu ähnlichen Ergebnissen.

Ein langfristig bestehender Wettbewerber kann zusätzlich als Marktsignal dienen: Offenbar existiert zumindest eine gewisse Nachfrage. Wie Unternehmen konkrete Wettbewerberumsätze schätzen, ist jedoch meist vertraulich; diese Erklärung ist daher Standorttheorie und keine Behauptung über eine bestätigte Geheimstrategie.

4. AOKI und Yofuku-no-Aoyama: direkte Konkurrenz

Beide Unternehmen wuchsen mit suburbanen Herrenbekleidungs-Fachmärkten. Aoyama Trading eröffnete 1974 nach eigener Darstellung das erste suburbane Herrenmode-Fachgeschäft der Branche und konzentrierte sich anschließend stark auf dieses Format. Die heutigen Immobilienkriterien umfassen freistehende Läden, suburbane Umnutzungen, Gebäude- und Einkaufszentren; für freistehende Geschäfte werden typischerweise 120–150 Tsubo und 15–25 Stellplätze genannt.[3][4]

AOKI eröffnete 1979 sein erstes standardisiertes Suburban-Geschäft und startete die systematische Expansion. Das Unternehmen erklärt offiziell, vor allem mit Roadside-Läden in Vororten gewachsen zu sein; heute gibt es zusätzlich Open Malls, Einkaufszentren, Gebäude-, Innenstadt- und Bahnhofslagen.[2]

Dass beide an derselben Hauptstraße auftauchen, ist daher strukturell plausibel: Grundstücksgröße, Parkbedarf, Autozugang und Einzugsgebiete ähneln sich.

Der Vorteil liegt im Vergleichskauf. Bei Anzügen vergleichen Kunden Preis, Schnitt, Größe, Änderungen, Service und Aktionen. Ein Cluster kann eine Gegend zum „Anzug-Einkaufsziel“ machen. Der Nachteil ist die hohe Austauschbarkeit: Rabatte, Coupons, Werbung und Service werden direkt verglichen; schrumpft der Markt, kann die Rivalität den Agglomerationsvorteil übersteigen.

5. Kaikatsu CLUB und JOYJOY: partielle Konkurrenz

Kaikatsu CLUB kombiniert Manga, private Räume, Internet, Ruhe, Arbeiten/Lernen und je nach Standort Karaoke oder Darts. JOYJOY konzentriert sich auf Karaoke und ergänzt Billard, Darts, Tischtennis, Mahjong und Gruppenunterhaltung. Die JOYJOY-Website unterscheidet selbst zwischen suburbanen und bahnhofsnahen Filialen und betreibt sowohl Roadside-Standorte mit Parkplatz als auch urbane Häuser.[5][6]

Die Beziehung lässt sich daher am besten als partielle Konkurrenz im gleichen Freizeit- und Nachtmarkt beschreiben.

Wer ausschließlich Karaoke möchte, kann beide direkt vergleichen. Wer allein Manga lesen, ruhen oder vorübergehend arbeiten will, tendiert eher zu Kaikatsu CLUB; Gruppen mit Karaoke plus Billard oder Darts eher zu JOYJOY. Weil die Nutzung nicht vollständig identisch ist, ist Koexistenz leichter möglich.

6. Warum McDonald’s ein besonders starkes Beispiel ist

McDonald’s beschreibt öffentlich einen systematischen Store-Development-Prozess. Fachtools werden zur Marktanalyse eingesetzt; anschließend erfolgen Vor-Ort-Prüfungen von Grundstücksform, Verkehr und Nachbarumfeld.[7]

Zudem lässt sich das Format an die Lage anpassen:[7]

Drive-through: Haupt- oder lokale Straßen; in der Regel Grundstücke ab 1.600 m².
Gebäudeintegriert: Bahnhöfe, Innenstädte, Geschäftsviertel.
Food Court: Einkaufszentren.

Damit kann McDonald’s Auto-, Fußgänger-, Pendler- und Shopping-Center-Einzugsgebiete mit unterschiedlichen Formaten bedienen.

Mit rund 3.000 Filialen in Japan und hoher Markenbekanntheit kann McDonald’s selbst ein Zielpunkt sein. Ein so großes Netz muss jedoch auch Kannibalisierung zwischen eigenen Filialen kontrollieren. Verlagerte ein neuer Standort lediglich Kunden eines benachbarten McDonald’s, wäre der Konzernzuwachs gering.

7. Vorteile eines Standorts nahe am Wettbewerber

Geringere Unsicherheit über lokale Nachfrage; bequemes Vergleichs-Shopping; Aufbau eines regionalen Einkaufsziels; Verteidigung attraktiver Einzugsgebiete; zusätzliche Sichtbarkeit bei Kunden, die eigentlich einen Wettbewerber besuchen.

8. Nachteile und Bedingungen für Misserfolg

Direkte Umsatzverdünnung, Preis- und Promotionskriege, höhere Mieten an beliebten Standorten, Stau und schlechte Zufahrten, Überkapazität bei sinkender Nachfrage sowie interne Kannibalisierung. Demografischer Wandel oder verändertes Konsumverhalten können aus einem sinnvollen Cluster einen überversorgten Markt machen.

9. Verdrängung oder Koexistenz?

Kombination	Nachfrageüberlappung	Koexistenzpotenzial	Grund
AOKI × Yofuku-no-Aoyama	Hoch	Mittel	Ähnliche Produkte, aber Vergleichskauf-Vorteile
Kaikatsu CLUB × JOYJOY	Mittel	Relativ hoch	Gleiches Freizeitgebiet, unterschiedliche Hauptnutzung
McDonald’s × andere Gastronomie	Mittel–hoch	Standortabhängig	Konkurrenz um Mahlzeiten, aber Gastro-Cluster ziehen Besucher an
Neue Filiale × bestehende Filiale derselben Kette	Sehr hoch	Sorgfältige Planung nötig	Interne Kannibalisierung

Entscheidend ist, ob von Wettbewerbern gewonnene Umsätze plus neu erzeugte Cluster-Nachfrage größer sind als der durch intensiveren Wettbewerb verlorene Gewinn.

10. Erklärung aus der Managementtheorie

Räumlicher Wettbewerb nach Hotelling zeigt, dass Unternehmen mit ähnlichen Kunden räumlich zusammenrücken können, statt sich zu trennen.[8] Huff-/Gravitationsmodelle kombinieren Attraktivität eines Geschäfts mit Reisekosten.[8] Agglomerationseffekte erklären, wie benachbarte Händler und Dienstleistungen die Gesamtattraktivität eines Gebiets steigern können; empirische Arbeiten finden solche Effekte in bestimmten Branchen.[9][10] Kannibalisierung liegt vor, wenn ein neuer Standort lediglich interne Umsätze verschiebt.

Davon zu unterscheiden ist eine Dominanz- bzw. Gebietsverdichtungsstrategie, bei der eine einzelne Kette ihre eigenen Filialen absichtlich in einer Region konzentriert, um Logistik, Werbung, Bekanntheit und Managementeffizienz zu verbessern.

11. Zusammenfassung

Ein Wettbewerber nebenan macht einen Standort nicht automatisch unvernünftig. Store Development ist ein Optimierungsproblem aus Bevölkerung, Verkehr, Zugang, Parkplätzen, Miete, Umfeld, Vergleichsverhalten, Markenstärke, Ladenformat und bestehendem Netz.

AOKI und Yofuku-no-Aoyama gehören zu unterschiedlichen Gruppen, aber ihre lange Geschichte in ähnlichen Roadside-Formaten lässt ihre bevorzugten Standorte häufig überlappen. Kaikatsu CLUB und JOYJOY teilen Freizeit-Einzugsgebiete, unterscheiden sich aber in der Hauptnutzung und können deshalb leichter koexistieren. McDonald’s ergänzt systematische Marktanalyse und mehrere Formate für Straßen-, Bahnhofs- und Einkaufszentrumslagen.

Der Kernmechanismus ist nicht „neben dem Feind eröffnen“, sondern dass unabhängige Unternehmen auf der Suche nach profitablen Standorten zum selben Ergebnis kommen können. Bei ausreichender Nachfrage und Differenzierung können Wettbewerber um Kunden kämpfen und gleichzeitig dasselbe Handelsgebiet stärken.

References / 参考文献

AOKI Holdings — Group Structure / グループ体制
https://www.aoki-hd.co.jp/group/outline.html
AOKI Holdings — Fashion Business / 沿革・ファッション事業
https://www.aoki-hd.co.jp/enterprise/fashion.html
https://ir.aoki-hd.co.jp/ja/corporate/history.html
Aoyama Trading — Corporate History / 沿革
https://www.aoyama-syouji.co.jp/about/outline/history.html
Aoyama Trading — Store Property Requirements / 店舗物件募集
https://www.aoyama-syouji.co.jp/about/store/index.html
JOYJOY — About / JOYJOYとは
https://www.joyjoy.co.jp/about.html
JOYJOY — Store List / 店舗一覧
https://www.joyjoy.co.jp/storelist.html
McDonald’s Japan — Land & Building Recruitment / Store Development
https://www.mcdonalds.co.jp/company/landowner/
https://www.mcdonalds.co.jp/recruit/staff_recruiting/people/crew02/
Kurita, O. — Hotelling-style location competition with store-choice behavior, City Planning Review, 2003.
https://www.jstage.jst.go.jp/article/journalcpij/38.3/0/38.3_157/_article/-char/ja/
Takatsuji, H. & Fukami, T. — Study on proximity location and agglomeration effects of commercial facilities, 1987.
https://www.jstage.jst.go.jp/article/journalcpij/22/0/22_211/_article/-char/ja
Tamura, M. — Identification and comparison of same-industry agglomeration patterns, Japan Marketing Journal / 日本商業学会, 2009.
https://www.jstage.jst.go.jp/article/jsmd/12/1/12_1_1_49/_article/-char/ja/

Part II / 第II部

賃貸住宅の場所はどう調べる？――マクドナルドの出店調査から考える

第II部 1. 結論――「店の売上」を「入居需要」に置き換える

マクドナルドの店舗開発から賃貸不動産へ転用できる本質は、「マックがある場所を買えばよい」という単純な話ではない。重要なのは、物件を先に見るのではなく、市場を先に見るという順序である。

マクドナルドは現在、店舗開発本部がマーケット分析と現地調査を組み合わせ、出店だけでなく退店や既存店の改装も含む店舗戦略を立てていると公式に説明している。また、1990年代にはPMO（Profitable Market Optimization）と呼ばれる店舗開発戦略を採用し、市場規模に応じて母店と小型サテライト店を組み合わせて店舗網を広げたことも公式50年史で公開している。[11][12]

これを賃貸住宅へ置き換えると、

エリア需要を測る → 誰が住むかを定義する → その需要に合う間取り・駐車場・設備を決める → 適正家賃と稼働率を推定する → そこから投資可能価格を逆算する

という順序になる。

表面利回りの高い物件を先に探し、その後で「この地域は大丈夫か」と理由付けするより、需要から商品と価格を逆算する方が、立地リスクを切り分けやすい。

第II部 2. マクドナルドについて公開されているもの／公開されていないもの

日本マクドナルドは、店舗開発で「専門ツール」を使ってマーケットを調査し、その後に担当者が現地へ行ってデータと現場感を照合することを公開している。[11]

また、物件募集ではドライブスルー、ビルイン、フードコートなど立地に応じた複数フォーマットを示している。したがって、少なくとも次の思想は外部から確認できる。

マーケット単位で評価する
データだけでなく現地確認をする
立地に合わせて店舗フォーマットを変える
出店だけでなく退店・改装も店舗網の一部として扱う
市場サイズに合わせて店舗配置を変える

一方で、現在使っている専門ツールの名称、変数ごとの重み、売上予測式、競合店への減点、自社店カニバリゼーションの計算式などは公開資料からは確認できない。

したがって、「マクドナルドのアルゴリズムをコピーする」のではなく、公開されている意思決定構造を住宅分析に移植するのが現実的である。

第II部 3. PMOから学べる「市場→商品」の順序

マクドナルドの50年史によると、1990年代のPMOでは、大型ドライブスルー店一辺倒ではなく、小型ドライブスルーを母店とし、スーパーやショッピングセンターのモール・フードコートに市場規模に応じたサテライト店を展開した。[12]

住宅に置き換えると、「土地があるから1Kを建てる」「利回りが高いから築古アパートを買う」ではなく、

単身就業者が厚い市場 → 1K・1DK
20～30代の二人世帯が厚い市場 → 1LDK
車保有のファミリー需要が厚い市場 → 2LDK以上＋駐車場
駅前で車需要が弱い市場 → 駐車場より徒歩利便性・コンパクト性
工場・大学・病院など特定需要源が強い市場 → その就業・通学属性に合わせた商品

というように、市場のサイズと中身から住戸フォーマットを決める発想になる。

第II部 4. マクドナルド→賃貸住宅の対応表

店舗開発	賃貸マンション・アパート
商圏人口	世帯数・年齢層・世帯類型
交通量	駅利用・道路アクセス・通勤動線
昼夜人口	居住人口・就業人口・大学/工場/病院等の需要源
周辺商業	スーパー・コンビニ・ドラッグストア・飲食・医療
競合店舗	競合賃貸の募集戸数・築年・家賃・設備
店舗フォーマット	1K/1LDK/2LDK等、駐車場・宅配BOX・設備
客数	入居率・問い合わせ数
客単価	家賃・共益費
店舗売上	稼働賃料収入
地代・建築費	取得価格・建築費・修繕費・管理費
自社店カニバリ	類似物件の供給過多・自社保有物件との競合
退店判断	売却・用途変更・建替え・リノベーション

重要なのは、「良い立地」は商品から独立して存在しないことである。学生街でファミリー大型住戸を供給しても、駅から遠い車社会で駐車場なし1Kを供給しても、土地自体の潜在力を商品設計が打ち消すことがある。

第II部 5. 公的データでどこまで作れるか

国土交通省の「不動産情報ライブラリ」は、2026年時点で不動産価格、地価、防災、都市計画、周辺施設などを横断表示でき、APIも提供している。APIには将来推計人口250mメッシュ、駅別乗降客数、都市計画、防災関連データ、不動産価格情報などがある。[13][14][15]

住宅立地調査の基盤として有用なのは、たとえば次の層である。

人口・需要

250mメッシュ人口
将来推計人口250mメッシュ
年齢・世帯関連統計
駅別乗降客数
就業地・大学・病院・工業団地など需要源

価格・出口

不動産取引価格・成約価格
地価公示・都道府県地価調査
周辺の売買事例

規制・リスク

用途地域等の都市計画
立地適正化計画
洪水・土砂・災害危険区域等
大規模盛土造成地等

生活利便性

駅
医療・福祉
学校
公共施設
商業施設

ただし、公的データだけで「現在の募集家賃」「空室期間」「フリーレント」「競合物件の設備差」まで完全には取れない。賃料市場を分析するには、募集データ、管理会社ヒアリング、現地の入居募集状況など別系統のデータを組み合わせる必要がある。

なお、不動産情報ライブラリのAPI利用にはキーの申請が必要であり、公式案内では審査結果は申請後5営業日を目安としている。[16]

第II部 6. チェーン店立地を「外部シグナル」として使う

マクドナルド、スーパー、コンビニ、ドラッグストア、ジム、ファミレスなどが存在することは、住宅分析で補助情報として使える。

考え方は、各社がそれぞれ人口、交通、周辺施設、採算などを独自に評価した末に出店しているため、出店という最終行動に、企業の非公開分析の一部が間接的に反映されている可能性があるというものだ。

これは「顕示された立地選択（revealed location choice）」と考えると分かりやすい。

ただし、ここには大きな注意点がある。

ドライブスルーマックは「住みやすさ」より自動車交通量を高く評価している可能性がある
コンビニは昼間人口や通過需要でも成立する
大型商業施設は広域から客を呼ぶため、徒歩圏居住需要とは一致しない
工業地帯の飲食集積は就業需要を示しても、住宅適地とは限らない
店舗の閉店・移転を無視すると古いシグナルになる

したがって、「マックがある＝買い」ではなく、複数業種の出店パターンを補助変数にするのが妥当である。

第II部 7. Chain Location Confidence Scoreの作り方

実務では、チェーン立地を単純な店舗数ではなく業種別に分ける方がよい。

例として、半径500m・1km・3kmで次を数える。

日常生活型：スーパー、ドラッグストア、コンビニ
飲食型：マクドナルド、ファミレス、牛丼、カフェ
健康・余暇型：ジム、カラオケ、ネットカフェ
大型目的地型：SC、ホームセンター
雇用型：工場、病院、大学、オフィス集積
交通型：駅、バス結節、主要道路

そして、「異なる業態が独立して集まっている」「新規出店が続いている」「生活型施設が徒歩圏にある」といった状態を加点する。

一方、同一業態が10店舗あるだけでは、住宅需要というよりその業態固有の集積である可能性がある。業態の多様性と住宅需要との意味的な近さを重視する。

このスコアはあくまで補助指標であり、それ単体で購入判断を行うものではない。

第II部 8. 住宅版Location Scoreの例

以下は説明用の設計例であり、実証済みの最適ウェイトではない。

大分類	例	重み例
基礎居住需要	世帯数、単身/ファミリー構成、年齢	20
将来持続性	250m将来人口、再開発、都市計画	15
交通・通勤	駅距離、乗降客数、道路、主要雇用先への時間	15
生活利便	スーパー、医療、コンビニ等	10
雇用・需要源	工場、病院、大学、オフィス	10
供給競争	募集中戸数、築年、家賃、設備	15
ハザード・規制	洪水、土砂、用途地域等	10
Chain Location Confidence	異業種チェーンの集積・更新	5

合計100点にしてもよいが、点数自体より重要なのは、実際の空室率、成約家賃、家賃下落、売却価格と照合して重みを更新することである。

第II部 9. 「需要→商品→家賃→価格」の逆算

住宅版モデルの最大の利点は、購入価格を最後に置けることにある。

どの入居者層が存在するか
その層に合う間取り・設備は何か
競合物件と比べて何円なら選ばれるか
現実的な稼働率は何%か
管理費・修繕・税・保険・募集費等を引いたNOIはいくらか
必要利回り・融資条件・出口リスクを反映すると最大購入価格はいくらか

という順で計算する。

したがって、利回りが高い物件についても、

本当に割安なのか それとも人口減少・空室・出口流動性の弱さを価格が織り込んでいるだけなのか

を分離しやすくなる。

第II部 10. 自動化するならどう組むか

実装フローは次のように設計できる。

住所・緯度経度入力 → 250m / 500m / 1km / 3kmの商圏生成
→ 公的人口・将来人口・駅・都市計画・防災・価格データ取得
→ 周辺施設・チェーン店・雇用源をGIS集計
→ 競合賃貸の募集データ取得
→ 類似物件の家賃分布・募集在庫・築年・設備を比較
→ Location Score / Supply Pressure / Future Demand / Hazard / Exit Liquidityを出力
→ 想定家賃・稼働率・NOI
→ 最大購入価格を逆算
→ 最後に現地確認

現地確認では、騒音、坂、道路横断、夜間照明、匂い、近隣建物、駐車場への入りやすさ、ゴミ置場、駅までの実歩行など、GISでは落ちやすい情報を確認する。これは、マクドナルドが専門ツールの分析後に現地でデータと現場感を照合する構造とよく対応する。[11]

第II部 11. 検証――「マックっぽいモデル」を本当に使えるモデルへ変える

スコアを作っただけでは意味がない。過去データで検証する必要がある。

教師・目的変数として考えられるのは、

成約家賃
募集から成約までの日数
入居率
更新率
家賃下落率
売却価格・売却期間

などである。

そして「人口が何人なら何点」という人間の仮説から始め、十分なデータが集まったら回帰、空間統計、勾配ブースティング等で重みを学習する。位置情報を使った不動産価格・賃料推定は既に研究分野として成立しているため、技術的には十分実装可能である。

ただし、未来人口予測やチェーン店出店は完全な予言ではない。予測誤差、再開発、金利、建築供給、企業撤退などで構造が変わる。最終的には単一点予測より、悲観・基準・楽観のシナリオで購入価格を評価する方が安全である。

第II部 12. まとめ

マクドナルドから住宅投資へ転用すべきなのはブランドそのものではなく、意思決定の順序である。

市場を測る
→ 市場に合う商品を選ぶ
→ 競合と自社カニバリを測る
→ 数値だけでなく現地を見る
→ 収益性に合う価格まで逆算する
→ 実績でモデルを更新する

この構造を使えば、「高利回り物件を見つけてから立地を正当化する」分析から、需要を先に推定し、買える価格を最後に決める分析へ移行できる。

チェーン店の存在も有用だが、それは「答え」ではない。企業が行った立地判断の痕跡を補助シグナルとして使い、公的人口・交通・都市計画・防災・価格データ、さらに実際の賃貸募集データと重ねることで初めて強い。

How Can You Assess a Rental Property’s Location? Lessons from McDonald’s

Part II 1. Conclusion — Replace “store sales” with “rental demand”

The transferable lesson from McDonald’s store development is not “buy property wherever there is a McDonald’s.” It is the decision order: analyze the market before analyzing the individual asset.

McDonald’s Japan publicly states that its store-development organization combines market analysis with field inspection and plans openings, closures, and renovations as part of a broader network strategy. Its official 50-year history also describes the 1990s PMO — Profitable Market Optimization — approach, in which mother stores and smaller satellite units were deployed according to market size.[11][12]

Translated into rental housing, the process becomes:

measure area demand → define who will live there → choose the unit type, parking, and amenities that fit that demand → estimate achievable rent and occupancy → work backward to the maximum investable price.

This reverses the common process of finding a high headline yield first and rationalizing the location afterward.

Part II 2. What McDonald’s discloses — and what it does not

McDonald’s Japan says it uses specialized tools to investigate whether an area is suitable for a store, then visits the site to reconcile the data with on-the-ground reality.[11]

Its property-development materials also show multiple formats such as drive-through, building-in, and food-court stores. Public information therefore supports several principles:

evaluate markets, not only individual parcels;
combine quantitative analysis with field inspection;
adapt the format to the location;
treat closures and renovations as part of network management;
match the store network to market size.

What is not publicly disclosed includes the current tool name, variable weights, sales-prediction formula, exact competitor penalties, and internal cannibalization model.

The realistic goal is therefore not to copy McDonald’s algorithm, but to transfer its observable decision architecture into residential underwriting.

Part II 3. What PMO teaches: market first, product second

According to McDonald’s official history, PMO moved beyond relying only on large drive-through restaurants. Smaller drive-through “mother” stores were combined with satellite units in supermarkets, shopping centers, malls, and food courts according to the size of each market.[12]

For housing, the analogous logic is:

strong single-worker demand → studios / 1K / 1DK;
strong young-couple demand → 1LDK;
car-owning family demand → 2LDK+ with parking;
station-centered, low-car markets → compact units and walkability over parking;
concentrated demand from factories, universities, or hospitals → products tailored to the relevant workers or students.

The point is to derive the housing format from the size and composition of demand, not from the parcel alone.

Part II 4. Mapping store development to rental housing

Store development	Rental apartments
Catchment population	Households, age profile, household type
Road traffic	Station use, road access, commuting flows
Day/night population	Residents, workers, universities, hospitals, factories
Nearby retail	Supermarkets, convenience stores, pharmacies, restaurants, healthcare
Competing stores	Competing rental listings, age, rent, amenities
Store format	Studio/1K/1LDK/2LDK, parking, parcel lockers, amenities
Customer count	Occupancy and inquiry volume
Ticket size	Rent and service charges
Store sales	Effective rental income
Land/build cost	Acquisition, construction, maintenance and management
Self-cannibalization	Oversupply of similar units or overlap with owned assets
Closure decision	Sale, conversion, redevelopment, renovation

A crucial implication follows: a “good location” is not independent of the product placed on it. A mismatched unit mix can destroy much of a site’s underlying potential.

Part II 5. What can be built from public Japanese data

Japan’s Ministry of Land, Infrastructure, Transport and Tourism operates the Real Estate Information Library, which provides real-estate price, land-price, disaster, urban-planning, nearby-facility and other spatial information, including APIs. Current APIs include 250-meter future-population meshes, station ridership, urban-planning layers, hazard information, and real-estate price data.[13][14][15]

Useful layers include:

Demand

250m population meshes;
250m future population;
age and household statistics;
station ridership;
demand anchors such as offices, hospitals, universities and industrial areas.

Price and exit

transaction and closing-price data;
official land prices;
comparable sale evidence.

Regulation and risk

zoning and planning;
location-optimization plans;
flood, landslide and other hazard layers;
large embankment and related risk layers.

Daily convenience

stations;
medical and welfare facilities;
schools and public facilities;
commercial facilities.

Public data does not fully provide current asking rents, vacancy duration, concessions, or detailed competing-unit amenities. Rental listings, property-manager information and field checks must therefore be added.

Use of the Real Estate Information Library API requires an API-key application; the official site says review results are generally sent around five business days after application.[16]

Part II 6. Chain locations as an external signal

The presence of McDonald’s, supermarkets, convenience stores, pharmacies, gyms, family restaurants and similar chains can be used as a secondary signal.

The logic is that each chain independently evaluates population, traffic, surrounding uses and economics before acting. Therefore, the observed decision to open a store may indirectly encode part of that company’s private analysis.

This can be thought of as a form of “revealed location choice.”

However, the signal must be interpreted carefully:

a drive-through McDonald’s may primarily reveal vehicle traffic, not residential desirability;
convenience stores can depend heavily on daytime or transient demand;
shopping centers draw from wide trade areas that do not equal walkable housing demand;
industrial restaurant clusters may signal employment without signaling good residential conditions;
closed or relocated stores are stale signals.

The correct use is therefore multi-category chain presence as one feature among many, not “McDonald’s nearby = buy.”

Part II 7. Building a Chain Location Confidence Score

Rather than merely counting stores, classify them by function within 500m, 1km and 3km radii:

daily-life: supermarkets, pharmacies, convenience stores;
food: McDonald’s, family restaurants, quick-service chains, cafes;
health/leisure: gyms, karaoke, internet cafes;
destination retail: malls and home centers;
employment anchors: factories, hospitals, universities and office clusters;
transport: stations, bus nodes and major roads.

Score higher when different categories independently cluster, new openings continue, and daily-life facilities are available at residential walking distance.

Ten outlets from one single category may reveal only category-specific agglomeration. Diversity and relevance to residential life matter more than raw count.

The score should remain a supporting indicator, not a standalone acquisition rule.

Part II 8. Example residential Location Score

The following weights are illustrative, not empirically proven optimal weights.

Category	Example variables	Example weight
Base residential demand	Household count, age, household types	20
Future durability	250m future population, redevelopment, planning	15
Transport/commuting	Station distance, ridership, roads, travel time to jobs	15
Daily convenience	Supermarkets, healthcare, convenience stores	10
Demand anchors	Factories, hospitals, universities, offices	10
Supply competition	Listed units, age, rent, amenities	15
Hazard/regulation	Flood, landslide, zoning etc.	10
Chain Location Confidence	Diverse chain clustering and recent activity	5

The score itself matters less than recalibrating the weights against actual vacancy, achieved rents, rent decline and resale outcomes.

Part II 9. Work backward: demand → product → rent → price

The model’s strongest advantage is that purchase price comes last.

Identify the tenant segments that actually exist.
Determine the unit type and amenities they value.
Estimate the rent at which the property wins against competitors.
Estimate realistic occupancy.
Calculate NOI after management, maintenance, tax, insurance, leasing and other costs.
Apply required yield, financing and exit risk to derive the maximum purchase price.

This helps distinguish a genuinely underpriced high-yield property from a property whose high yield is simply compensation for shrinking population, vacancy or weak resale liquidity.

Part II 10. Automation architecture

A practical workflow could be:

address / coordinates → generate 250m / 500m / 1km / 3km catchments
→ retrieve public population, future population, station, planning, hazard and price layers
→ aggregate nearby facilities, chains and demand anchors in GIS
→ retrieve competing rental listings
→ compare rent distributions, available inventory, building age and amenities
→ output Location Score / Supply Pressure / Future Demand / Hazard / Exit Liquidity
→ estimate rent, occupancy and NOI
→ calculate maximum purchase price
→ perform final field inspection.

Field work should check features GIS often misses: noise, slope, road crossings, night lighting, odors, surrounding buildings, parking access, garbage areas and actual walking routes. That mirrors McDonald’s disclosed practice of reconciling specialist-tool analysis with field reality.[11]

Part II 11. Validation: from a “McDonald’s-like score” to a real model

A scoring framework is useful only if tested against outcomes.

Possible targets include:

achieved rent;
days from listing to lease;
occupancy;
renewal rate;
rent decline;
resale price and time to sell.

Start with human-designed weights, then, as the dataset grows, use regression, spatial statistics, gradient boosting or similar methods to estimate relationships. Location-aware property-price and rent prediction is already an established research area, so the technical concept is feasible.

But future-population projections and chain openings are not prophecy. Redevelopment, interest rates, new construction, employer exits and other structural changes can break historical relationships. Acquisition decisions are therefore better evaluated under downside, base and upside scenarios, rather than a single-point prediction.

Part II 12. Summary

The McDonald’s lesson for rental real estate is not the brand; it is the sequence of decisions:

measure the market
→ choose a product matched to the market
→ measure competition and cannibalization
→ verify the numbers in the field
→ work backward to a price justified by cash flow
→ update the model with observed results.

This moves analysis away from “find a high-yield property and justify the location later” toward estimate demand first and decide the maximum payable price last.

Chain-store locations are useful, but they are clues rather than answers. Their value increases only when combined with public population, transport, planning, hazard and transaction data plus actual rental-market evidence.

임대주택의 위치는 어떻게 조사할까? 맥도날드의 출점 조사에서 생각해 보기

제II부 1. 결론 — “매장 매출”을 “임대 수요”로 바꾼다

맥도날드의 점포 개발에서 임대 부동산으로 가져올 핵심은 “맥도날드가 있는 곳을 사라”가 아니다. 핵심은 개별 물건보다 시장을 먼저 분석하는 의사결정 순서다.

일본 맥도날드는 점포개발본부가 시장 분석과 현장 조사를 결합해 출점·폐점·리뉴얼을 포함한 점포 전략을 수립한다고 공식적으로 설명한다. 또한 공식 50년사에는 1990년대 PMO(Profitable Market Optimization) 전략으로 시장 규모에 맞춰 모점과 소형 위성점을 조합해 네트워크를 확대했다고 기록되어 있다.[11][12]

이를 임대주택으로 바꾸면 다음과 같다.

지역 수요 측정 → 누가 살지 정의 → 그 수요에 맞는 평면·주차·설비 결정 → 적정 임대료와 가동률 추정 → 최대 매입 가능 가격 역산

먼저 높은 표면수익률 물건을 찾고 나중에 입지를 정당화하는 방식보다, 수요에서 상품과 가격을 역산하는 쪽이 입지 리스크를 더 명확히 분리할 수 있다.

제II부 2. 맥도날드가 공개한 것과 공개하지 않은 것

일본 맥도날드는 점포 개발 시 “전문 도구”를 사용해 시장을 조사하고, 이후 담당자가 현장을 방문해 데이터와 현장감을 대조한다고 공개하고 있다.[11]

또한 부동산 모집 자료에서는 드라이브스루, 빌딩 인, 푸드코트 등 여러 형태를 제시한다. 공개 정보로 확인되는 원칙은 다음과 같다.

개별 토지보다 시장 단위로 평가한다.
정량 데이터와 현장 확인을 결합한다.
입지에 따라 점포 형식을 바꾼다.
출점뿐 아니라 폐점·개조도 네트워크 관리의 일부로 본다.
시장 규모에 맞춰 점포 배치를 바꾼다.

반면 현재 사용하는 도구명, 변수별 가중치, 매출 예측식, 경쟁점 감점, 자사점 카니벌라이제이션 공식은 공개 자료에서 확인되지 않는다.

따라서 현실적인 목표는 알고리즘 복제가 아니라 공개된 의사결정 구조를 주택 분석에 이식하는 것이다.

제II부 3. PMO가 가르치는 순서: 시장이 먼저, 상품이 나중

공식 50년사에 따르면 PMO는 대형 드라이브스루만 늘리는 방식에서 벗어나, 소형 드라이브스루를 모점으로 두고 슈퍼마켓·쇼핑센터·푸드코트 등에 시장 규모에 맞는 위성점을 배치했다.[12]

주택으로 바꾸면 다음과 같은 사고가 된다.

1인 직장인 수요가 강함 → 원룸/1K/1DK
젊은 2인 가구가 두꺼움 → 1LDK
자동차 보유 가족 수요가 강함 → 2LDK 이상＋주차장
역세권·저차량 시장 → 주차보다 도보 접근성과 소형화
공장·대학·병원 수요가 강함 → 해당 근로자·학생 특성에 맞춘 상품

즉 토지보다 시장의 크기와 구성에서 주거 상품을 결정한다.

제II부 4. 점포 개발과 임대주택의 대응

점포 개발	임대주택
상권 인구	세대 수, 연령, 세대 유형
교통량	역 이용, 도로 접근, 통근 흐름
주야간 인구	거주자, 근로자, 대학·병원·공장
주변 상업	슈퍼, 편의점, 약국, 음식점, 의료
경쟁 점포	경쟁 임대 매물, 연식, 임대료, 설비
점포 형식	1K/1LDK/2LDK, 주차, 택배함, 설비
고객 수	입주율·문의량
객단가	임대료·관리비
매출	실효 임대수입
토지·건축비	매입가·건축·수선·관리비
자사점 카니벌	유사 주택 공급과잉
폐점 판단	매각·용도전환·재건축·리노베이션

핵심은 좋은 입지는 상품과 독립적으로 존재하지 않는다는 점이다.

제II부 5. 공공 데이터로 어디까지 가능한가

국토교통성의 부동산정보라이브러리는 부동산 가격, 지가, 방재, 도시계획, 주변시설 등 공간정보와 API를 제공한다. 현재 API에는 250m 미래추계인구, 역별 승하차 인원, 도시계획, 재해 관련 데이터, 부동산 가격정보 등이 포함된다.[13][14][15]

유용한 층은 다음과 같다.

수요

250m 인구
250m 미래인구
연령·세대 통계
역 승하차 인원
대학·병원·공장·오피스 등 수요원

가격과 출구

거래가격·성약가격
공시지가 등
주변 매매사례

규제와 리스크

용도지역·도시계획
입지적정화계획
홍수·산사태 등 재해 데이터

생활 편의

역
의료·복지
학교·공공시설
상업시설

다만 공공데이터만으로 현재 모집 임대료, 공실 기간, 프리렌트, 경쟁주택의 세부 설비까지 완전히 파악할 수는 없다. 임대 플랫폼 데이터와 관리회사 정보, 현장 확인이 필요하다.

API 이용에는 키 신청이 필요하며, 공식 안내는 심사 결과를 신청 후 약 5영업일 내 통지한다고 한다.[16]

제II부 6. 체인점 입지를 외부 신호로 이용하기

맥도날드, 슈퍼, 편의점, 드럭스토어, 헬스장, 패밀리레스토랑의 존재는 보조 변수로 활용할 수 있다.

각 기업은 인구, 교통, 주변 시설, 수익성을 자체 분석한 뒤 출점하므로, 실제 출점이라는 행동에 비공개 분석의 일부가 간접적으로 반영될 가능성이 있다.

이를 “관측된 입지 선택”으로 볼 수 있다.

그러나 해석에는 주의가 필요하다.

드라이브스루 맥도날드는 주거성보다 자동차 통행량을 반영할 수 있다.
편의점은 주간인구·통과수요만으로도 성립할 수 있다.
쇼핑몰은 광역 수요를 끌어와 도보권 주거수요와 다를 수 있다.
공업지역 음식점 집적은 고용을 보여도 주거적합성을 뜻하지 않는다.
폐점·이전을 무시하면 오래된 신호가 된다.

따라서 “맥도날드가 있으니 매수”가 아니라 여러 업종의 출점 패턴을 보조 특징으로 사용하는 것이 적절하다.

제II부 7. Chain Location Confidence Score

500m·1km·3km 범위에서 업종별로 나눈다.

생활형: 슈퍼, 드럭스토어, 편의점
외식형: 맥도날드, 패밀리레스토랑, 카페
여가형: 헬스장, 노래방, 인터넷카페
목적지형: 쇼핑몰, 홈센터
고용형: 공장, 병원, 대학, 오피스
교통형: 역, 버스 결절, 주요도로

서로 다른 업종이 독립적으로 모이고, 신규 출점이 이어지며, 생활형 시설이 도보권에 있을수록 높은 점수를 준다.

단일 업종 10개보다 업종 다양성과 주거생활 관련성이 중요하다. 이 점수는 구매 규칙이 아니라 보조지표다.

제II부 8. 주거용 Location Score 예시

아래 가중치는 설명용이며 최적값으로 검증된 것이 아니다.

대분류	예시	가중치 예
기본 주거수요	세대 수, 연령, 세대 유형	20
미래 지속성	250m 미래인구, 재개발, 계획	15
교통·통근	역거리, 승하차, 도로, 직장 접근	15
생활편의	슈퍼, 의료, 편의점	10
수요원	공장, 병원, 대학, 오피스	10
공급경쟁	모집 물량, 연식, 임대료, 설비	15
재해·규제	홍수, 산사태, 용도지역	10
체인 입지 신뢰	업종 다양성·최근 출점	5

점수 자체보다 실제 공실률, 성약 임대료, 임대료 하락, 재판매 결과로 가중치를 재조정하는 것이 중요하다.

제II부 9. 수요 → 상품 → 임대료 → 가격으로 역산

실제 존재하는 입주자층을 정한다.
그들이 원하는 평면·설비를 정한다.
경쟁물건 대비 선택될 임대료를 추정한다.
현실적인 입주율을 추정한다.
관리·수선·세금·보험·모집비를 뺀 NOI를 계산한다.
요구수익률·금융조건·출구리스크를 반영해 최대 매입가를 계산한다.

이 과정은 고수익 물건이 진짜 저평가인지, 아니면 인구 감소·공실·매각 유동성 약화를 가격이 보상한 것인지 구분하는 데 도움이 된다.

제II부 10. 자동화 구조

주소/좌표 → 250m/500m/1km/3km 권역 생성
→ 인구·미래인구·역·도시계획·방재·가격 데이터 수집
→ 주변시설·체인·수요원을 GIS 집계
→ 경쟁 임대 매물 수집
→ 임대료 분포·재고·연식·설비 비교
→ Location Score / Supply Pressure / Future Demand / Hazard / Exit Liquidity
→ 임대료·가동률·NOI
→ 최대 매입가격
→ 마지막 현장 점검

현장에서는 소음, 경사, 횡단보도, 야간 조명, 냄새, 주변 건물, 주차 진입, 쓰레기장, 실제 역 보행경로 등을 확인한다. 이는 맥도날드가 전문도구 분석 뒤 현장을 확인하는 구조와 대응한다.[11]

제II부 11. 검증

목표변수로는 성약임대료, 계약까지 일수, 입주율, 갱신율, 임대료 하락률, 매각가격·매각기간 등을 사용할 수 있다.

처음에는 사람이 가중치를 정하더라도 데이터가 쌓이면 회귀, 공간통계, 그래디언트 부스팅 등으로 관계를 학습할 수 있다. 다만 미래인구와 체인 출점은 예언이 아니다. 재개발, 금리, 신규공급, 주요 고용주의 철수로 구조가 바뀔 수 있으므로 하방·기준·상방 시나리오로 매입가격을 평가하는 것이 좋다.

제II부 12. 정리

주택투자에 가져올 것은 맥도날드 브랜드가 아니라 의사결정 순서다.

시장을 측정한다
→ 시장에 맞는 상품을 고른다
→ 경쟁과 공급과잉을 측정한다
→ 현장에서 검증한다
→ 현금흐름이 정당화하는 가격을 역산한다
→ 실적으로 모델을 갱신한다

체인점 입지는 답이 아니라 단서다. 공공 인구·교통·도시계획·방재·가격 데이터와 실제 임대시장 데이터를 결합할 때 비로소 강한 분석이 된다.

出租房的位置怎么调查？从麦当劳开店选址得到的启发

第二部分 1. 结论——把“门店销售额”替换成“租赁需求”

从麦当劳门店开发中真正值得迁移到租赁房地产的，并不是“有麦当劳的地方就值得买”，而是先研究市场，再研究具体资产的决策顺序。

日本麦当劳公开说明，门店开发部门会结合市场分析与现场调查，统筹开店、闭店与翻新。其官方50年史还披露，1990年代曾采用PMO（Profitable Market Optimization）策略，根据市场规模配置母店与小型卫星店。[11][12]

转换到租赁住房后，顺序变成：

测量区域需求 → 明确谁会居住 → 决定匹配需求的户型、停车位和设备 → 估计合理租金与入住率 → 反推最大可投资价格。

这比先找高表面收益率物件，再为其位置寻找理由更合理。

第二部分 2. 麦当劳公开了什么，没公开什么

日本麦当劳公开表示，会使用“专业工具”判断某区域是否适合开店，然后由人员实地考察，把数据与现场情况进行对照。[11]

其物业募集资料也展示了得来速、楼宇型、美食广场型等多种格式。由公开资料可确认的原则包括：

以市场而非单一地块为单位评估；
定量分析与现场调查结合；
按地点改变门店格式；
将闭店与翻新纳入网络管理；
按市场规模调整门店配置。

但现用工具名称、变量权重、销售预测公式、竞争门店扣分、自家门店蚕食公式并未公开。

因此现实目标不是复制算法，而是把可观察的决策结构移植到住宅分析中。

第二部分 3. PMO的启示：先市场，后产品

官方50年史显示，PMO并非只发展大型得来速，而是以小型得来速作为母店，再按照市场规模在超市、购物中心、商场和美食广场中配置卫星店。[12]

住房对应关系可以是：

单身就业者需求强 → 1K/1DK
年轻两人家庭多 → 1LDK
有车家庭需求强 → 2LDK以上＋停车位
车站型、低汽车依赖市场 → 重视步行便利与紧凑户型
工厂、大学、医院需求强 → 按对应员工或学生设计产品

本质是从市场规模和结构决定住宅产品。

第二部分 4. 门店开发与租赁住宅的对应

门店开发	租赁公寓
商圈人口	家庭数、年龄、家庭类型
交通量	车站利用、道路、通勤流
昼夜人口	居民、就业者、大学、医院、工厂
周边商业	超市、便利店、药店、餐饮、医疗
竞争门店	竞争租赁房源、房龄、租金、设备
门店格式	1K/1LDK/2LDK、停车、快递柜等
客流	入住率、咨询量
客单价	租金、管理费
销售额	有效租金收入
地租与建设费	收购、建设、维修、管理成本
自我蚕食	类似房源供应过剩
闭店	出售、改用途、重建、翻新

因此，好位置并不独立于产品本身存在。

第二部分 5. 日本公共数据能做到什么

日本国土交通省“不动产信息库”提供不动产价格、地价、防灾、城市规划、周边设施等空间数据及API。现有API包括250米未来人口网格、车站上下客人数、城市规划、灾害数据和不动产价格信息。[13][14][15]

可用数据包括：

需求

250米人口
250米未来人口
年龄与家庭统计
车站客流
大学、医院、工厂、办公区等需求锚点

价格与退出

交易价格、成交价格
官方地价
周边成交案例

监管与风险

用途与城市规划
立地适正化计划
洪水、滑坡等灾害数据

生活便利

车站
医疗福利
学校、公共设施
商业设施

但公共数据无法完整提供当前挂牌租金、空置时长、免租优惠和竞争房源详细设备，因此仍要加入租赁平台、物业管理公司和现场信息。

API需要申请密钥，官方说明一般以申请后约5个工作日为审核结果通知目标。[16]

第二部分 6. 把连锁店位置当作外部信号

麦当劳、超市、便利店、药店、健身房、家庭餐厅等可作为辅助变量。

逻辑在于，各企业会独立评估人口、交通、周边设施和盈利性，因此实际开店这个最终动作可能间接包含一部分企业未公开分析。

可以把它理解为“显现的选址选择”。

但必须谨慎：

得来速麦当劳可能主要反映车流，不是居住舒适度；
便利店可以依靠昼间人口或过路需求；
商场服务广域客群，不等于步行圈住宅需求；
工业区餐饮聚集说明就业，却未必说明适合居住；
闭店和搬迁会使旧信号失效。

因此不是“有麦当劳就买”，而是将多个业态的布局模式作为众多变量之一。

第二部分 7. Chain Location Confidence Score

在500米、1公里、3公里范围按功能分类：

日常生活：超市、药店、便利店
餐饮：麦当劳、家庭餐厅、快餐、咖啡
健康娱乐：健身房、卡拉OK、网咖
目的地商业：购物中心、家居中心
就业锚点：工厂、医院、大学、办公集群
交通：车站、公交节点、主要道路

当不同业态独立聚集、新开店持续发生、生活设施位于住宅步行圈时提高分数。

同一业态有十家，并不一定比多业态组合更能说明住宅需求。多样性和与居住生活的相关性更重要。

第二部分 8. 住宅Location Score示例

以下仅为示例权重，并非实证最优值。

大类	变量示例	权重示例
基础居住需求	家庭数、年龄、家庭类型	20
未来持续性	250m未来人口、再开发、规划	15
交通通勤	站距、客流、道路、就业可达性	15
生活便利	超市、医疗、便利店	10
需求锚点	工厂、医院、大学、办公区	10
供应竞争	在租房源、房龄、租金、设备	15
灾害与规划	洪水、滑坡、用途区	10
连锁选址信号	多业态集聚与近期活动	5

关键不是100分制本身，而是用真实空置率、成交租金、租金下降和转售结果重新校准权重。

第二部分 9. 从需求反推：需求 → 产品 → 租金 → 价格

确定真实存在的租客群体。
决定他们需要的户型与设备。
估计相对竞争房源能够胜出的租金。
估计现实入住率。
扣除管理、维修、税、保险、招租等计算NOI。
根据要求收益率、融资和退出风险反推最高买价。

这样可以区分高收益物件究竟是真便宜，还是价格只是在补偿人口下降、空置和退出流动性差。

第二部分 10. 自动化架构

地址/坐标 → 生成250m/500m/1km/3km圈层
→ 获取人口、未来人口、车站、规划、防灾、价格数据
→ GIS统计周边设施、连锁店和需求锚点
→ 获取竞争租赁房源
→ 比较租金分布、在租库存、房龄、设备
→ 输出Location Score / Supply Pressure / Future Demand / Hazard / Exit Liquidity
→ 估计租金、入住率和NOI
→ 计算最高买价
→ 最后现场调查

现场需要检查噪音、坡度、过马路、夜间照明、气味、周边建筑、停车入口、垃圾点和真实步行路线。这与麦当劳“工具分析后再到现场验证”的公开流程高度对应。[11]

第二部分 11. 验证

可以用实际成交租金、招租至成交天数、入住率、续租率、租金下降率、出售价格和出售周期作为目标变量。

早期可使用人工权重，数据积累后可用回归、空间统计、梯度提升等学习关系。但未来人口与连锁开店都不是预言，再开发、利率、新供应和主要雇主撤出都可能改变结构，因此最好以悲观、基准、乐观三种情景评估买价。

第二部分 12. 总结

真正应从麦当劳迁移到住宅投资的，不是品牌，而是决策顺序：

测量市场
→ 选择匹配市场的产品
→ 测量竞争和供应过剩
→ 到现场验证
→ 按现金流反推可支付价格
→ 用实际结果持续更新模型

连锁店位置是线索，不是答案。只有与公共人口、交通、城市规划、防灾、价格数据和真实租赁市场数据结合时，它才有分析价值。

出租住宅的位置怎麼調查？從麥當勞開店選址得到的啟發

第二部分 1. 結論——把「門市營收」換成「租賃需求」

從麥當勞門市開發中真正值得移植到租賃不動產的，不是「有麥當勞的地方就值得買」，而是先研究市場，再研究單一資產的決策順序。

日本麥當勞公開說明，門市開發部門會結合市場分析與現場調查，統籌開店、閉店與改裝。其官方50年史亦披露，1990年代曾採用PMO（Profitable Market Optimization），依市場規模配置母店與小型衛星店。[11][12]

換成租賃住宅後，流程變成：

測量區域需求 → 定義誰會住 → 決定符合需求的格局、停車位與設備 → 推估合理租金與入住率 → 反推最高可投資價格。

這比先找高表面投報率物件，再替其位置找理由更合理。

第二部分 2. 麥當勞公開了什麼、沒公開什麼

日本麥當勞公開表示，會使用「專業工具」判斷區域是否適合展店，再由人員到現場把數據與實際情況對照。[11]

公開資料可確認的原則包括：

以市場而非單一地塊為單位評估；
定量分析與現場調查並用；
依地點改變門市格式；
將閉店與改裝納入網路管理；
依市場規模調整配置。

但目前使用的工具名稱、變數權重、營收預測式、競爭門市扣分、自家店蠶食公式均未公開。

因此現實目標不是複製演算法，而是把可觀察的決策結構移植到住宅分析。

第二部分 3. PMO的啟示：市場先於產品

官方50年史顯示，PMO不只發展大型得來速，而是以小型得來速作為母店，再按市場規模在超市、購物中心、商場與美食街配置衛星店。[12]

住宅對應可理解為：

單身就業人口厚 → 1K/1DK
年輕雙人家庭多 → 1LDK
有車家庭需求強 → 2LDK以上＋停車位
車站型、低汽車依賴 → 重視步行與緊湊格局
工廠、大學、醫院需求強 → 依員工或學生屬性設計

也就是從市場規模與組成決定住宅產品。

第二部分 4. 門市開發與租賃住宅的對應

門市開發	租賃住宅
商圈人口	家戶數、年齡、家戶類型
交通量	車站利用、道路、通勤流
日夜人口	居民、就業者、大學、醫院、工廠
周邊商業	超市、便利商店、藥局、餐飲、醫療
競爭門市	競爭出租物件、屋齡、租金、設備
門市格式	1K/1LDK/2LDK、停車、宅配櫃等
客流	入住率、詢問量
客單價	租金、管理費
營收	有效租金收入
土地建築成本	收購、建築、維修、管理
自我蠶食	類似住宅供給過剩
閉店	出售、改用途、重建、翻新

因此，好地點並不獨立於產品存在。

第二部分 5. 公開資料能做到什麼

日本國土交通省「不動產資訊資料庫」提供不動產價格、地價、防災、都市計畫、周邊設施等空間資訊與API。現有API包括250公尺未來人口網格、車站上下車人數、都市計畫、災害資料及不動產價格資訊。[13][14][15]

可使用的資料包括：

需求

250m人口
250m未來人口
年齡與家戶統計
車站客流
大學、醫院、工廠、辦公區等需求來源

價格與退出

交易與成交價格
官方地價
周邊成交案例

規範與風險

土地使用與都市計畫
立地適正化計畫
洪水、山崩等災害資料

生活便利

車站
醫療福利
學校、公設
商業設施

但公開資料無法完整取得目前刊登租金、空置天數、免租、競爭物件詳細設備，因此仍需加入租賃平台、管理公司與現場資訊。

API需要申請金鑰，官方說明審查結果一般以申請後約5個工作日為目標通知。[16]

第二部分 6. 把連鎖店位置當作外部訊號

麥當勞、超市、便利商店、藥局、健身房、家庭餐廳等，可以成為輔助變數。

因各企業會獨立評估人口、交通、周邊設施與獲利性，實際展店這個行為可能間接包含一部分未公開分析。

可將其理解為「顯示出的選址選擇」。

但必須注意：

得來速麥當勞可能主要反映車流，而非居住品質；
便利商店可能靠日間人口或通過需求；
購物中心服務廣域市場，不等於步行住宅需求；
工業區餐飲聚集表示就業，不必然代表適居；
忽略閉店與搬遷會留下過時訊號。

因此不是「有麥當勞就買」，而是把多業態布局作為眾多特徵之一。

第二部分 7. Chain Location Confidence Score

在500m、1km、3km範圍按功能分類：

日常生活：超市、藥局、便利商店
餐飲：麥當勞、家庭餐廳、速食、咖啡
健康娛樂：健身房、卡拉OK、網咖
目的地商業：購物中心、家居中心
就業來源：工廠、醫院、大學、辦公聚落
交通：車站、公車節點、主要道路

當不同業態獨立聚集、近期持續展店、生活設施位於住宅步行圈時提高分數。

多樣性與居住相關性比單純店數更重要。這只是輔助指標，不應單獨決定收購。

第二部分 8. 住宅Location Score範例

以下權重僅供說明，並非實證最優。

大類	例	權重例
基礎居住需求	家戶數、年齡、家戶類型	20
未來持續性	250m未來人口、再開發、規劃	15
交通通勤	站距、客流、道路、就業可達性	15
生活便利	超市、醫療、便利商店	10
需求來源	工廠、醫院、大學、辦公區	10
供給競爭	出租庫存、屋齡、租金、設備	15
災害規範	洪水、山崩、用途區	10
連鎖選址訊號	多業態聚集與近期活動	5

比總分更重要的是用實際空置率、成交租金、租金下滑與轉售結果重校權重。

第二部分 9. 需求 → 產品 → 租金 → 價格

定義真實存在的租客群。
決定其需要的格局與設備。
推估對競品有競爭力的租金。
推估現實入住率。
扣除管理、維修、稅、保險、招租成本計算NOI。
加入要求報酬率、融資與退出風險，反推最高買價。

這能區分高收益物件究竟是真便宜，還是價格只是在補償人口減少、空置與轉售流動性差。

第二部分 10. 自動化架構

地址/座標 → 生成250m/500m/1km/3km圈層
→ 取得人口、未來人口、車站、規劃、防災、價格資料
→ GIS彙整周邊設施、連鎖店、需求來源
→ 取得競爭出租物件
→ 比較租金、在租庫存、屋齡、設備
→ 輸出Location Score / Supply Pressure / Future Demand / Hazard / Exit Liquidity
→ 推估租金、入住率與NOI
→ 計算最高買價
→ 最後現場調查

現場需查看噪音、坡度、過馬路、夜間照明、氣味、周邊建築、停車入口、垃圾區與實際步行路線。這與麥當勞「工具分析後再現場驗證」的公開流程相對應。[11]

第二部分 11. 驗證

可用實際成交租金、出租至成交天數、入住率、續租率、租金下降率、出售價格與出售期間作為目標變數。

早期可先人工設定權重，資料累積後使用迴歸、空間統計、梯度提升等方法學習。但未來人口與連鎖展店都不是預言，再開發、利率、新供給與主要雇主撤出都可能改變結構，因此最好以悲觀、基準、樂觀情境評估買價。

第二部分 12. 總結

真正應從麥當勞移植到住宅投資的是決策順序：

測量市場
→ 選擇符合市場的產品
→ 測量競爭與供給過剩
→ 現場驗證
→ 由現金流反推可支付價格
→ 用實績持續更新模型

連鎖店位置是線索，不是答案。只有與公開人口、交通、都市計畫、防災、價格資料及真實租賃市場證據結合時，才具有較強的分析價值。

¿Cómo evaluar la ubicación de una vivienda de alquiler? Ideas de McDonald’s

Parte II 1. Conclusión — sustituir “ventas de tienda” por “demanda de alquiler”

La lección transferible de McDonald’s no es “comprar donde haya un McDonald’s”, sino el orden de decisión: analizar primero el mercado y después el activo individual.

McDonald’s Japón explica públicamente que su equipo de desarrollo combina análisis de mercado con visitas de campo y gestiona aperturas, cierres y remodelaciones como una red. Su historia oficial de 50 años también describe PMO —Profitable Market Optimization—, una estrategia de los años noventa que combinaba tiendas madre y satélites pequeños según el tamaño del mercado.[11][12]

En vivienda de alquiler, el proceso equivalente es:

medir demanda local → definir quién vivirá allí → elegir tipología, aparcamiento y equipamiento → estimar renta y ocupación → calcular hacia atrás el precio máximo de compra.

Parte II 2. Qué publica McDonald’s y qué no

McDonald’s Japón declara que utiliza herramientas especializadas para evaluar zonas y después visita el lugar para contrastar datos con la realidad.[11]

La información pública permite confirmar principios como:

evaluar mercados, no sólo parcelas;
combinar análisis cuantitativo y trabajo de campo;
adaptar el formato al emplazamiento;
integrar cierres y reformas en la gestión de red;
ajustar la red al tamaño del mercado.

No se publican el nombre actual de la herramienta, pesos de variables, fórmula de ventas, penalización exacta de competidores ni modelo interno de canibalización.

Por tanto, el objetivo razonable es trasladar la arquitectura de decisión observable al análisis residencial.

Parte II 3. Lo que enseña PMO: mercado primero, producto después

Según la historia oficial, PMO no dependía sólo de grandes drive-through. Usaba tiendas madre más pequeñas y añadía satélites en supermercados, centros comerciales y food courts según el tamaño del mercado.[12]

En vivienda:

fuerte demanda de trabajadores solteros → estudio/1K/1DK;
parejas jóvenes → 1LDK;
familias con coche → 2LDK+ y aparcamiento;
mercado de estación con poco coche → compacidad y caminabilidad;
fábricas, universidades u hospitales → producto adaptado a trabajadores o estudiantes.

La idea es derivar el producto residencial de la composición de la demanda.

Parte II 4. Correspondencia entre desarrollo comercial y alquiler

Desarrollo de tienda	Vivienda de alquiler
Población del área	Hogares, edades, tipos de hogar
Tráfico	Uso de estación, carretera, flujos de trabajo
Población día/noche	Residentes, empleo, universidades, hospitales
Comercio cercano	Supermercados, farmacia, restauración, salud
Competidores	Viviendas anunciadas, edad, renta, equipamiento
Formato	1K/1LDK/2LDK, parking, taquillas, servicios
Clientes	Ocupación y consultas
Ticket medio	Alquiler y gastos
Ventas	Ingreso efectivo de alquiler
Costes	Compra, construcción, mantenimiento, gestión
Canibalización	Exceso de oferta similar
Cierre	Venta, reconversión, reforma

La conclusión es que una buena ubicación no existe separada del producto.

Parte II 5. Qué puede construirse con datos públicos japoneses

La Real Estate Information Library del Ministerio japonés ofrece precios inmobiliarios, suelo, riesgos, planificación urbana, instalaciones cercanas y APIs. Entre las capas actuales figuran población futura en malla de 250 m, pasajeros por estación, planificación, riesgos y precios inmobiliarios.[13][14][15]

Capas útiles:

Demanda

población 250m;
población futura 250m;
edad y hogares;
pasajeros por estación;
universidades, hospitales, fábricas y oficinas.

Precio y salida

precios de transacción/cierre;
valores oficiales de suelo;
comparables.

Regulación y riesgo

zonificación y planificación;
planes de localización;
inundación, deslizamientos y otros riesgos.

Conveniencia

estaciones;
salud y bienestar;
escuelas y servicios públicos;
comercios.

Los datos públicos no cubren completamente renta ofertada actual, días vacíos, concesiones o equipamiento de competidores. Hay que sumar datos de portales, gestores y campo.

La API requiere solicitar una clave; el sitio oficial indica que el resultado suele comunicarse alrededor de cinco días laborables después.[16]

Parte II 6. Ubicaciones de cadenas como señal externa

McDonald’s, supermercados, tiendas de conveniencia, farmacias, gimnasios y restaurantes pueden utilizarse como variables auxiliares.

Cada cadena evalúa población, tráfico, entorno y rentabilidad. Por tanto, la decisión observable de abrir puede incorporar indirectamente parte de su análisis privado.

Puede verse como “elección de ubicación revelada”.

Pero hay límites:

un drive-through puede revelar tráfico de coches, no calidad residencial;
una tienda de conveniencia puede depender de población diurna;
un centro comercial atrae un área amplia distinta de la demanda peatonal residencial;
restaurantes industriales revelan empleo, no necesariamente habitabilidad;
cierres y traslados vuelven obsoleta una señal.

Así que no es “hay McDonald’s = comprar”, sino usar patrones de varias categorías como una variable adicional.

Parte II 7. Chain Location Confidence Score

Clasificar dentro de 500m, 1km y 3km:

vida diaria: supermercados, farmacias, convenience;
comida: McDonald’s, family restaurants, cafés;
ocio/salud: gimnasios, karaoke, internet cafés;
destino: centros comerciales, home centers;
empleo: fábricas, hospitales, universidades, oficinas;
transporte: estaciones, buses y vías principales.

Puntuar más cuando se concentran categorías distintas, continúan nuevas aperturas y los servicios cotidianos están a distancia caminable.

La diversidad y relevancia residencial importan más que el número bruto.

Parte II 8. Ejemplo de Location Score residencial

Categoría	Variables	Peso ejemplo
Demanda base	Hogares, edad, tipología	20
Durabilidad futura	Población futura 250m, desarrollo, planes	15
Transporte	Distancia, pasajeros, acceso a empleo	15
Conveniencia	Supermercado, salud, convenience	10
Anclas de demanda	Fábricas, hospitales, universidades	10
Competencia de oferta	Stock, edad, renta, servicios	15
Riesgo/regulación	Inundación, deslizamientos, zonificación	10
Señal de cadenas	Diversidad y aperturas recientes	5

Los pesos son ilustrativos. Lo importante es recalibrarlos con vacancia, rentas efectivas, caída de renta y reventa reales.

Parte II 9. Demanda → producto → renta → precio

Identificar segmentos reales de inquilinos.
Definir tipología y equipamiento.
Estimar la renta competitiva.
Estimar ocupación realista.
Calcular NOI tras gestión, mantenimiento, impuestos, seguros y captación.
Aplicar rentabilidad exigida, financiación y riesgo de salida para obtener el precio máximo.

Así se distingue un activo realmente barato de uno cuyo alto rendimiento simplemente compensa despoblación, vacancia o poca liquidez de salida.

Parte II 10. Arquitectura de automatización

dirección/coordenadas → áreas 250m/500m/1km/3km
→ población, futuro, estaciones, planificación, riesgos y precios
→ GIS de servicios, cadenas y anclas de demanda
→ anuncios de alquiler competidores
→ distribución de rentas, inventario, edad y equipamiento
→ Location Score / Supply Pressure / Future Demand / Hazard / Exit Liquidity
→ renta, ocupación y NOI
→ precio máximo
→ inspección final.

En campo conviene comprobar ruido, pendientes, cruces, iluminación, olores, edificios vecinos, acceso al parking, basura y rutas reales a pie. Esto replica la lógica pública de McDonald’s de contrastar herramientas con la realidad.[11]

Parte II 11. Validación

Los objetivos pueden ser renta cerrada, días hasta alquiler, ocupación, renovación, caída de renta, precio y tiempo de venta.

Se puede empezar con pesos humanos y pasar a regresión, estadística espacial o gradient boosting. Pero población futura y aperturas de cadenas no son profecías: redevelopment, tipos de interés, nueva oferta y salida de empleadores pueden romper relaciones históricas. Conviene usar escenarios bajista, base y alcista.

Parte II 12. Resumen

Lo que debe transferirse de McDonald’s es la secuencia:

medir mercado
→ elegir producto acorde
→ medir competencia y sobreoferta
→ verificar en campo
→ calcular el precio justificable por flujo de caja
→ actualizar el modelo con resultados

Las cadenas son pistas, no respuestas. Su valor aparece al combinarlas con población, transporte, planificación, riesgos, precios y evidencia real del mercado de alquiler.

Como avaliar a localização de um imóvel para alugar? Ideias do McDonald’s

Parte II 1. Conclusão — trocar “vendas da loja” por “demanda de locação”

A principal lição transferível do desenvolvimento de lojas do McDonald’s não é “compre imóvel onde existe um McDonald’s”. É a ordem da decisão: analisar o mercado antes do ativo individual.

O McDonald’s Japão declara que a área de desenvolvimento combina análise de mercado e inspeção presencial, tratando abertura, fechamento e reforma como partes de uma estratégia de rede. A história oficial de 50 anos também descreve o PMO — Profitable Market Optimization — dos anos 1990, que combinava lojas-mãe e pequenos satélites de acordo com o tamanho do mercado.[11][12]

Em imóveis de aluguel, isso vira:

medir a demanda da área → definir quem vai morar ali → escolher tipologia, estacionamento e equipamentos → estimar aluguel e ocupação → calcular de trás para frente o preço máximo de compra.

Isso reduz o risco de primeiro encontrar um imóvel de yield alto e só depois tentar justificar a localização.

Parte II 2. O que o McDonald’s divulga e o que não divulga

O McDonald’s Japão informa que usa ferramentas especializadas para investigar se uma área é adequada e depois visita o local para confrontar dados com a realidade.[11]

As informações públicas permitem confirmar princípios como:

avaliar o mercado, não apenas o lote;
combinar análise quantitativa e campo;
adaptar o formato à localização;
incluir fechamentos e reformas na gestão de rede;
ajustar a configuração ao tamanho do mercado.

Não são divulgados o nome atual da ferramenta, os pesos das variáveis, a fórmula de previsão de vendas, penalidades exatas para concorrentes nem o modelo interno de canibalização.

Portanto, o objetivo não é copiar o algoritmo, mas transferir sua arquitetura observável de decisão para o underwriting residencial.

Parte II 3. O que o PMO ensina: mercado primeiro, produto depois

Segundo a história oficial, o PMO não dependia apenas de grandes drive-thrus. Lojas drive-thru menores funcionavam como unidades-mãe e recebiam satélites em supermercados, shopping centers, malls e praças de alimentação conforme o tamanho do mercado.[12]

Em habitação:

muitos trabalhadores solteiros → studio/1K/1DK;
muitos casais jovens → 1LDK;
famílias com carro → 2LDK+ e estacionamento;
mercado de estação com baixa dependência do carro → caminhabilidade e unidades compactas;
fábricas, universidades ou hospitais → produto alinhado ao perfil dos trabalhadores ou estudantes.

A lógica é derivar o produto residencial da composição e do tamanho da demanda.

Parte II 4. Correspondência entre desenvolvimento de lojas e aluguel residencial

Desenvolvimento de loja	Imóvel residencial
População do mercado	Domicílios, idade, tipos de família
Tráfego	Uso de estação, rodovias, deslocamento
População dia/noite	Moradores, trabalhadores, universidades, hospitais
Comércio próximo	Supermercado, conveniência, farmácia, alimentação, saúde
Concorrentes	Anúncios de aluguel, idade, preço, equipamentos
Formato	1K/1LDK/2LDK, estacionamento, lockers, equipamentos
Clientes	Ocupação e consultas
Ticket médio	Aluguel e taxas
Vendas	Receita efetiva de aluguel
Custos	Compra, construção, manutenção e gestão
Canibalização	Excesso de oferta semelhante
Fechamento	Venda, conversão, reconstrução, reforma

Uma implicação fundamental é que uma boa localização não existe separada do produto colocado nela.

Parte II 5. Até onde os dados públicos japoneses permitem ir

A Real Estate Information Library do Ministério japonês oferece preços imobiliários, valores de terrenos, risco, planejamento urbano, instalações próximas e APIs. Entre os dados atuais estão população futura em malha de 250 m, passageiros por estação, planejamento urbano, riscos e preços imobiliários.[13][14][15]

Camadas úteis:

Demanda

população em 250 m;
população futura em 250 m;
idade e domicílios;
passageiros de estação;
universidades, hospitais, fábricas e escritórios.

Preço e saída

preços de transação e fechamento;
preços oficiais de terreno;
comparáveis locais.

Regulação e risco

zoneamento e planejamento;
planos de localização;
enchente, deslizamento e outros riscos.

Conveniência

estações;
saúde e assistência;
escolas e serviços públicos;
comércio.

Dados públicos não cobrem completamente aluguel anunciado atual, tempo de vacância, concessões ou equipamentos detalhados dos concorrentes. É necessário adicionar portais, administradoras e campo.

A API exige solicitação de chave; o site oficial informa que o resultado da análise costuma ser enviado em torno de cinco dias úteis após a solicitação.[16]

Parte II 6. Localização de redes como sinal externo

McDonald’s, supermercados, lojas de conveniência, farmácias, academias e restaurantes podem ser usados como variáveis auxiliares.

Cada rede analisa população, tráfego, entorno e rentabilidade. Assim, a decisão observável de abrir pode incorporar indiretamente parte de uma análise privada.

Pode-se pensar nisso como “escolha de localização revelada”.

Mas existem limites:

um drive-thru pode refletir fluxo de veículos e não qualidade residencial;
conveniências podem depender de população diurna;
shopping centers captam mercados amplos, diferentes da demanda residencial a pé;
restaurantes em áreas industriais revelam empregos, não necessariamente boa moradia;
fechamentos e mudanças tornam sinais antigos obsoletos.

Logo, não é “tem McDonald’s = comprar”, e sim usar o padrão de várias categorias como uma variável entre muitas.

Parte II 7. Chain Location Confidence Score

Classifique pontos em raios de 500 m, 1 km e 3 km:

vida diária: supermercados, farmácias, conveniência;
alimentação: McDonald’s, family restaurants, fast food, cafés;
lazer/saúde: academias, karaokê, internet cafés;
destinos: shopping centers e home centers;
emprego: fábricas, hospitais, universidades e escritórios;
transporte: estações, ônibus e vias principais.

Aumente a pontuação quando categorias diferentes se concentram independentemente, novas aberturas continuam e serviços cotidianos estão a distância caminhável.

Diversidade e relevância residencial importam mais que contagem bruta.

Parte II 8. Exemplo de Location Score residencial

Categoria	Variáveis	Peso exemplo
Demanda residencial base	Domicílios, idade, tipo de família	20
Durabilidade futura	População futura 250m, reurbanização, planos	15
Transporte	Distância, passageiros, acesso a emprego	15
Conveniência	Supermercado, saúde, conveniência	10
Âncoras de demanda	Fábricas, hospitais, universidades	10
Competição de oferta	Estoque, idade, aluguel, equipamentos	15
Risco/regulação	Enchente, deslizamento, zoneamento	10
Sinal de redes	Diversidade e aberturas recentes	5

Os pesos são ilustrativos. O essencial é recalibrá-los com vacância real, aluguel fechado, queda de aluguel e revenda.

Parte II 9. Demanda → produto → aluguel → preço

Identifique segmentos reais de inquilinos.
Defina tipologia e equipamentos.
Estime o aluguel competitivo.
Estime ocupação realista.
Calcule NOI após gestão, manutenção, impostos, seguro e locação.
Aplique retorno exigido, financiamento e risco de saída para obter o preço máximo.

Isso separa um imóvel realmente barato de um yield alto que apenas compensa queda populacional, vacância ou baixa liquidez.

Parte II 10. Arquitetura de automação

endereço/coordenadas → áreas de 250m/500m/1km/3km
→ população, futuro, estações, planejamento, risco e preços
→ GIS de instalações, redes e âncoras de demanda
→ anúncios de aluguel concorrentes
→ distribuição de aluguel, estoque, idade, equipamentos
→ Location Score / Supply Pressure / Future Demand / Hazard / Exit Liquidity
→ aluguel, ocupação e NOI
→ preço máximo
→ inspeção final.

Em campo: ruído, inclinação, travessias, iluminação noturna, odores, vizinhança, acesso ao estacionamento, lixo e rota real a pé. Isso corresponde à lógica pública do McDonald’s de confrontar ferramentas com a realidade.[11]

Parte II 11. Validação

As variáveis-alvo podem ser aluguel efetivo, dias até locação, ocupação, renovação, queda de aluguel, preço e tempo de venda.

Comece com pesos humanos e evolua para regressão, estatística espacial ou gradient boosting. Mas população futura e novas lojas não são profecias: reurbanização, juros, nova oferta e saída de grandes empregadores podem quebrar relações históricas. Use cenários pessimista, base e otimista.

Parte II 12. Resumo

O que vale transferir do McDonald’s é a sequência:

medir o mercado
→ escolher produto compatível
→ medir competição e excesso de oferta
→ verificar em campo
→ calcular o preço justificável pelo fluxo de caixa
→ atualizar o modelo com resultados

As redes são pistas, não respostas. O valor aparece quando combinadas com população, transporte, planejamento, risco, preços e evidência real do mercado de aluguel.

Bagaimana Menilai Lokasi Properti Sewa? Belajar dari Pemilihan Lokasi McDonald’s

Bagian II 1. Kesimpulan — mengganti “penjualan toko” dengan “permintaan sewa”

Pelajaran utama dari pengembangan toko McDonald’s bukan “beli properti jika ada McDonald’s.” Yang penting adalah urutan keputusan: analisis pasar terlebih dahulu, baru aset individual.

McDonald’s Jepang menjelaskan bahwa tim pengembangan menggabungkan analisis pasar dengan survei lapangan dan mengelola pembukaan, penutupan, serta renovasi sebagai strategi jaringan. Sejarah resmi 50 tahunnya juga menjelaskan PMO — Profitable Market Optimization — yang pada 1990-an mengombinasikan toko induk dan satelit kecil sesuai ukuran pasar.[11][12]

Dalam properti sewa, prosesnya menjadi:

ukur permintaan area → tentukan siapa yang akan tinggal → pilih tipe unit, parkir dan fasilitas → estimasi sewa dan okupansi → hitung mundur harga beli maksimum.

Ini lebih kuat daripada mencari yield tinggi terlebih dahulu lalu membenarkan lokasi setelahnya.

Bagian II 2. Apa yang dipublikasikan McDonald’s dan apa yang tidak

McDonald’s Jepang menyatakan menggunakan alat khusus untuk menilai kelayakan area, kemudian mengunjungi lokasi guna mencocokkan data dengan kondisi nyata.[11]

Prinsip yang dapat dikonfirmasi dari informasi publik:

menilai pasar, bukan hanya satu bidang tanah;
menggabungkan analisis kuantitatif dan survei lapangan;
menyesuaikan format dengan lokasi;
memasukkan penutupan dan renovasi ke manajemen jaringan;
menyesuaikan jaringan dengan ukuran pasar.

Yang tidak dipublikasikan: nama alat saat ini, bobot variabel, rumus prediksi penjualan, penalti pesaing, dan rumus kanibalisasi internal.

Jadi tujuan realistisnya adalah memindahkan arsitektur keputusan yang terlihat ke underwriting residensial, bukan menyalin algoritma.

Bagian II 3. Pelajaran PMO: pasar dulu, produk kemudian

Menurut sejarah resmi, PMO tidak hanya mengandalkan drive-through besar. Drive-through kecil dapat menjadi toko induk dan didukung satelit di supermarket, pusat belanja, mall dan food court sesuai ukuran pasar.[12]

Dalam hunian:

pekerja lajang banyak → studio/1K/1DK;
pasangan muda banyak → 1LDK;
keluarga bermobil → 2LDK+ dan parkir;
kawasan stasiun dengan penggunaan mobil rendah → walkability dan unit kompak;
pabrik, universitas, rumah sakit → produk sesuai pekerja atau mahasiswa.

Artinya format hunian diturunkan dari ukuran dan struktur permintaan.

Bagian II 4. Pemetaan pengembangan toko ke properti sewa

Pengembangan toko	Properti sewa
Populasi catchment	Rumah tangga, usia, tipe keluarga
Lalu lintas	Pengguna stasiun, jalan, arus komuter
Populasi siang/malam	Warga, pekerja, kampus, rumah sakit
Ritel sekitar	Supermarket, minimarket, apotek, makan, kesehatan
Pesaing	Listing sewa, usia bangunan, sewa, fasilitas
Format	1K/1LDK/2LDK, parkir, locker, fasilitas
Pelanggan	Okupansi dan inquiry
Nilai transaksi	Sewa dan biaya
Penjualan	Pendapatan sewa efektif
Biaya	Akuisisi, pembangunan, pemeliharaan, pengelolaan
Kanibalisasi	Oversupply unit sejenis
Penutupan	Jual, konversi, rebuild, renovasi

Kesimpulannya: lokasi bagus tidak terpisah dari produk yang ditempatkan di sana.

Bagian II 5. Seberapa jauh data publik Jepang dapat digunakan

Real Estate Information Library milik MLIT menyediakan harga properti, harga tanah, risiko, perencanaan kota, fasilitas sekitar dan API. API saat ini mencakup populasi masa depan grid 250m, jumlah penumpang stasiun, perencanaan, risiko dan informasi harga properti.[13][14][15]

Lapisan berguna:

Permintaan

populasi 250m;
populasi masa depan 250m;
usia dan rumah tangga;
penumpang stasiun;
universitas, rumah sakit, pabrik, kantor.

Harga dan exit

harga transaksi/closing;
harga tanah resmi;
comparable sales.

Regulasi dan risiko

zoning dan perencanaan;
location optimization plan;
banjir, longsor dan risiko lain.

Kenyamanan

stasiun;
kesehatan dan kesejahteraan;
sekolah dan fasilitas publik;
fasilitas komersial.

Data publik tidak sepenuhnya menyediakan asking rent terbaru, lama kosong, free rent atau fasilitas rinci pesaing. Data listing, pengelola dan lapangan tetap dibutuhkan.

API memerlukan aplikasi kunci; situs resmi menyebut hasil pemeriksaan biasanya diberitahukan sekitar lima hari kerja setelah aplikasi.[16]

Bagian II 6. Lokasi jaringan sebagai sinyal eksternal

McDonald’s, supermarket, minimarket, apotek, gym dan restoran dapat menjadi fitur tambahan.

Karena masing-masing jaringan menilai populasi, lalu lintas, lingkungan dan ekonomi, keputusan pembukaan yang terlihat mungkin secara tidak langsung mengandung sebagian analisis privat mereka.

Ini dapat disebut “revealed location choice.”

Namun:

drive-through mungkin terutama menunjukkan traffic kendaraan;
minimarket bisa bergantung pada populasi siang;
mall menarik pasar luas yang tidak sama dengan demand residensial berjalan kaki;
restoran kawasan industri menunjukkan pekerjaan, bukan selalu kualitas hunian;
penutupan dan relokasi membuat sinyal lama basi.

Jadi bukan “ada McDonald’s = beli,” melainkan gunakan pola berbagai kategori sebagai satu fitur.

Bagian II 7. Chain Location Confidence Score

Klasifikasikan dalam radius 500m, 1km dan 3km:

kebutuhan harian: supermarket, apotek, minimarket;
makanan: McDonald’s, family restaurant, fast food, kafe;
leisure/kesehatan: gym, karaoke, internet cafe;
destination: mall, home center;
pekerjaan: pabrik, rumah sakit, universitas, kantor;
transportasi: stasiun, simpul bus, jalan utama.

Skor lebih tinggi jika berbagai kategori berkumpul secara independen, pembukaan baru berlanjut, dan fasilitas harian berada dalam jarak jalan kaki hunian.

Keragaman dan relevansi residensial lebih penting daripada jumlah mentah.

Bagian II 8. Contoh Location Score residensial

Kategori	Variabel	Bobot contoh
Permintaan dasar	Rumah tangga, usia, tipe	20
Ketahanan masa depan	Populasi 250m, redevelopment, planning	15
Transportasi	Jarak stasiun, ridership, akses kerja	15
Kenyamanan	Supermarket, kesehatan, minimarket	10
Demand anchors	Pabrik, rumah sakit, universitas	10
Kompetisi supply	Listing, usia, sewa, fasilitas	15
Risiko/regulasi	Banjir, longsor, zoning	10
Sinyal jaringan	Keragaman dan pembukaan baru	5

Bobot ini ilustratif. Yang penting adalah mengkalibrasi ulang terhadap vacancy, achieved rent, penurunan sewa dan hasil resale.

Bagian II 9. Permintaan → produk → sewa → harga

Identifikasi segmen penyewa nyata.
Tentukan tipe unit dan fasilitas.
Estimasi sewa kompetitif.
Estimasi okupansi realistis.
Hitung NOI setelah manajemen, maintenance, pajak, asuransi dan leasing.
Terapkan required yield, financing dan exit risk untuk mendapat harga maksimum.

Ini membantu membedakan properti benar-benar murah dari yield tinggi yang hanya mengompensasi depopulasi, vacancy atau likuiditas exit lemah.

Bagian II 10. Arsitektur otomatisasi

alamat/koordinat → radius 250m/500m/1km/3km
→ populasi, masa depan, stasiun, planning, hazard, harga
→ GIS fasilitas, jaringan dan demand anchors
→ listing sewa pesaing
→ distribusi sewa, inventory, usia, fasilitas
→ Location Score / Supply Pressure / Future Demand / Hazard / Exit Liquidity
→ sewa, okupansi, NOI
→ harga maksimum
→ inspeksi akhir.

Di lapangan periksa kebisingan, kemiringan, penyeberangan, lampu malam, bau, bangunan sekitar, akses parkir, tempat sampah dan rute jalan kaki nyata. Ini selaras dengan proses McDonald’s yang memeriksa kembali hasil alat di lapangan.[11]

Bagian II 11. Validasi

Target dapat berupa achieved rent, hari sampai tersewa, okupansi, renewal, penurunan sewa, harga jual dan waktu jual.

Mulailah dengan bobot manusia lalu gunakan regresi, statistik spasial atau gradient boosting setelah data tumbuh. Namun populasi masa depan dan pembukaan jaringan bukan ramalan pasti; redevelopment, suku bunga, supply baru dan keluarnya employer besar dapat mengubah struktur. Gunakan skenario downside, base dan upside.

Bagian II 12. Ringkasan

Yang perlu dipindahkan dari McDonald’s adalah urutannya:

ukur pasar
→ pilih produk yang cocok
→ ukur kompetisi dan oversupply
→ verifikasi lapangan
→ hitung harga yang dibenarkan cash flow
→ perbarui model dengan hasil nyata

Lokasi jaringan adalah petunjuk, bukan jawaban. Nilainya muncul ketika digabung dengan data populasi, transportasi, planning, hazard, harga dan bukti pasar sewa aktual.

จะสำรวจทำเลบ้านเช่าอย่างไร? แนวคิดจากการเลือกทำเลของแมคโดนัลด์

ส่วนที่ II 1. สรุป — เปลี่ยน “ยอดขายร้าน” เป็น “อุปสงค์เช่า”

สิ่งที่ควรนำจากการพัฒนาร้านของ McDonald’s มาใช้กับอสังหาริมทรัพย์ให้เช่า ไม่ใช่ “ถ้ามี McDonald’s ให้ซื้อ” แต่คือ วิเคราะห์ตลาดก่อน แล้วจึงวิเคราะห์ทรัพย์สินรายชิ้น

McDonald’s Japan เปิดเผยว่าฝ่ายพัฒนาร้านใช้การวิเคราะห์ตลาดร่วมกับการสำรวจหน้างาน และมองการเปิด ปิด และปรับปรุงร้านเป็นส่วนหนึ่งของยุทธศาสตร์เครือข่าย ประวัติ 50 ปีอย่างเป็นทางการยังอธิบาย PMO — Profitable Market Optimization — ในทศวรรษ 1990 ซึ่งจัดร้านแม่และร้านดาวเทียมขนาดเล็กตามขนาดตลาด[11][12]

เมื่อนำมาใช้กับที่อยู่อาศัยให้เช่า:

วัดดีมานด์พื้นที่ → ระบุว่าใครจะอยู่ → เลือกแบบห้อง ที่จอดรถ และสิ่งอำนวยความสะดวก → ประเมินค่าเช่าและอัตราเข้าพัก → คำนวณย้อนกลับเป็นราคาซื้อสูงสุด

ส่วนที่ II 2. สิ่งที่ McDonald’s เปิดเผยและไม่เปิดเผย

McDonald’s Japan ระบุว่าใช้ “เครื่องมือเฉพาะ” เพื่อตรวจว่าพื้นที่เหมาะกับการเปิดร้านหรือไม่ แล้วลงพื้นที่เพื่อเทียบข้อมูลกับสภาพจริง[11]

หลักการที่ยืนยันจากข้อมูลสาธารณะได้ ได้แก่

ประเมินระดับตลาด ไม่ใช่แค่ที่ดินแปลงเดียว
ใช้ข้อมูลร่วมกับการสำรวจจริง
เปลี่ยนรูปแบบร้านตามทำเล
รวมการปิดและรีโนเวตร้านไว้ในการบริหารเครือข่าย
ปรับจำนวนและรูปแบบร้านตามขนาดตลาด

สิ่งที่ไม่เปิดเผย ได้แก่ ชื่อเครื่องมือปัจจุบัน น้ำหนักตัวแปร สูตรคาดการณ์ยอดขาย การหักคะแนนคู่แข่ง และสูตร cannibalization ภายใน

ดังนั้นเป้าหมายที่ทำได้จริงคือ นำโครงสร้างการตัดสินใจที่มองเห็นได้มาใช้กับการวิเคราะห์ที่อยู่อาศัย

ส่วนที่ II 3. บทเรียนจาก PMO: ตลาดก่อน สินค้าทีหลัง

ประวัติทางการระบุว่า PMO ไม่ได้ใช้แต่ drive-through ขนาดใหญ่ แต่มี drive-through ขนาดเล็กเป็นร้านแม่ และวางร้านดาวเทียมในซูเปอร์มาร์เก็ต ศูนย์การค้า และ food court ตามขนาดตลาด[12]

ในที่อยู่อาศัย:

คนทำงานโสดมาก → studio/1K/1DK
คู่หนุ่มสาวมาก → 1LDK
ครอบครัวมีรถ → 2LDK+ และที่จอด
ตลาดรอบสถานีที่ใช้รถน้อย → เดินสะดวกและห้องกะทัดรัด
โรงงาน มหาวิทยาลัย โรงพยาบาล → ออกแบบตามกลุ่มพนักงานหรือนักศึกษา

คือ ให้โครงสร้างดีมานด์เป็นตัวกำหนดรูปแบบที่อยู่อาศัย

ส่วนที่ II 4. ตารางเทียบร้านค้ากับอสังหาริมทรัพย์ให้เช่า

พัฒนาร้าน	ที่อยู่อาศัยให้เช่า
ประชากรในตลาด	ครัวเรือน อายุ ประเภทครัวเรือน
การจราจร	ผู้ใช้สถานี ถนน การเดินทางไปงาน
คนกลางวัน/กลางคืน	ผู้อยู่อาศัย คนทำงาน มหาวิทยาลัย โรงพยาบาล
ร้านรอบข้าง	ซูเปอร์ ร้านสะดวกซื้อ ร้านยา อาหาร สุขภาพ
คู่แข่ง	ห้องเช่าที่ประกาศ อายุอาคาร ค่าเช่า อุปกรณ์
รูปแบบร้าน	1K/1LDK/2LDK ที่จอด กล่องรับพัสดุ
ลูกค้า	อัตราเข้าพักและจำนวนสอบถาม
ยอดต่อคน	ค่าเช่าและค่าบริการ
ยอดขาย	รายได้ค่าเช่าที่เกิดจริง
ต้นทุน	ซื้อ ก่อสร้าง ซ่อม บริหาร
Cannibalization	อุปทานห้องคล้ายกันมากเกิน
ปิดร้าน	ขาย เปลี่ยนการใช้ สร้างใหม่ รีโนเวต

ข้อสำคัญคือ ทำเลดีไม่ได้แยกจากสินค้าที่วางบนทำเลนั้น

ส่วนที่ II 5. ข้อมูลสาธารณะญี่ปุ่นทำอะไรได้บ้าง

Real Estate Information Library ของ MLIT มีข้อมูลราคาอสังหาริมทรัพย์ ราคาที่ดิน ภัยพิบัติ ผังเมือง สิ่งอำนวยความสะดวก และ API ปัจจุบันมีประชากรอนาคตกริด 250 เมตร จำนวนผู้โดยสารสถานี ผังเมือง ข้อมูลความเสี่ยง และราคาทรัพย์สิน[13][14][15]

ข้อมูลสำคัญ:

ดีมานด์

ประชากร 250m
ประชากรอนาคต 250m
อายุและครัวเรือน
ผู้โดยสารสถานี
มหาวิทยาลัย โรงพยาบาล โรงงาน สำนักงาน

ราคาและทางออก

ราคาธุรกรรม/ปิดการขาย
ราคาที่ดินทางการ
comparable

กฎและความเสี่ยง

zoning และผังเมือง
แผน location optimization
น้ำท่วม ดินถล่ม และภัยอื่น

ความสะดวก

สถานี
สุขภาพ/สวัสดิการ
โรงเรียน/สาธารณะ
พาณิชย์

ข้อมูลสาธารณะไม่ครอบคลุมค่าเช่าที่ประกาศล่าสุด ระยะเวลาว่าง โปรโมชั่น หรืออุปกรณ์คู่แข่งทั้งหมด จึงต้องเติมข้อมูลจากแพลตฟอร์ม ผู้จัดการทรัพย์ และหน้างาน

API ต้องสมัครคีย์ และทางการระบุว่าผลพิจารณาโดยทั่วไปแจ้งประมาณ 5 วันทำการหลังสมัคร[16]

ส่วนที่ II 6. ใช้ตำแหน่งเชนเป็นสัญญาณภายนอก

McDonald’s ซูเปอร์มาร์เก็ต ร้านสะดวกซื้อ ร้านยา ยิม และร้านอาหารสามารถเป็นตัวแปรช่วยได้

แต่ละเชนวิเคราะห์ประชากร การจราจร สภาพแวดล้อม และเศรษฐศาสตร์ก่อนเปิด ดังนั้น การเปิดร้านที่เรามองเห็นอาจสะท้อนส่วนหนึ่งของการวิเคราะห์ภายในที่เราไม่เห็น

มองได้ว่าเป็น “revealed location choice”

แต่ต้องระวัง:

drive-through อาจสะท้อนรถมากกว่าความน่าอยู่
convenience อาจพึ่งคนกลางวัน
mall ดึงคนจากวงกว้าง ไม่เท่ากับดีมานด์เดินเท้ารอบที่อยู่อาศัย
ร้านอาหารเขตอุตสาหกรรมสะท้อนงาน ไม่ได้แปลว่าน่าอยู่
ร้านที่ปิดหรือย้ายทำให้สัญญาณเก่า

ดังนั้นไม่ใช่ “มี McDonald’s = ซื้อ” แต่คือ ใช้รูปแบบจากหลายประเภทร้านเป็นเพียงหนึ่งตัวแปร

ส่วนที่ II 7. Chain Location Confidence Score

แบ่งภายใน 500m, 1km, 3km:

ชีวิตประจำวัน: ซูเปอร์ ร้านยา convenience
อาหาร: McDonald’s family restaurant fast food café
สุขภาพ/บันเทิง: gym karaoke internet café
จุดหมาย: mall home center
งาน: โรงงาน โรงพยาบาล มหาวิทยาลัย สำนักงาน
ขนส่ง: สถานี bus hub ถนนหลัก

ให้คะแนนสูงขึ้นเมื่อ หลายหมวดรวมตัวอย่างอิสระ มีร้านใหม่ต่อเนื่อง และบริการประจำวันที่จำเป็นอยู่ในระยะเดิน

ความหลากหลายสำคัญกว่าจำนวนรวมดิบ

ส่วนที่ II 8. ตัวอย่าง Location Score ที่อยู่อาศัย

หมวด	ตัวแปร	น้ำหนักตัวอย่าง
ดีมานด์พื้นฐาน	ครัวเรือน อายุ ประเภท	20
ความยั่งยืน	ประชากรอนาคต 250m redevelopment	15
ขนส่ง	ระยะสถานี ผู้โดยสาร การเข้าถึงงาน	15
ความสะดวก	ซูเปอร์ สุขภาพ convenience	10
แหล่งดีมานด์	โรงงาน โรงพยาบาล มหาวิทยาลัย	10
การแข่งขัน supply	listing อายุ ค่าเช่า อุปกรณ์	15
ความเสี่ยง/กฎ	น้ำท่วม ดินถล่ม zoning	10
สัญญาณเชน	ความหลากหลายและการเปิดใหม่	5

น้ำหนักเป็นเพียงตัวอย่าง สิ่งสำคัญคือ ปรับด้วย vacancy ค่าเช่าที่ปิดจริง การลดค่าเช่า และผลขายจริง

ส่วนที่ II 9. ดีมานด์ → สินค้า → ค่าเช่า → ราคา

ระบุกลุ่มผู้เช่าที่มีจริง
เลือกห้องและอุปกรณ์
ประเมินค่าเช่าที่แข่งขันได้
ประเมินอัตราเข้าพักจริง
คำนวณ NOI หลังบริหาร ซ่อม ภาษี ประกัน และค่าเช่าออก
ใช้ required yield เงินกู้ และ exit risk หาราคาซื้อสูงสุด

จึงแยกได้ว่า yield สูงเพราะราคาถูกจริง หรือเพราะตลาดกำลังชดเชยประชากรลด vacancy และสภาพคล่องต่ำ

ส่วนที่ II 10. โครงสร้างอัตโนมัติ

ที่อยู่/พิกัด → วง 250m/500m/1km/3km
→ ประชากร อนาคต สถานี ผังเมือง hazard ราคา
→ GIS สิ่งอำนวยความสะดวก เชน แหล่งดีมานด์
→ listing คู่แข่ง
→ ค่าเช่า inventory อายุ อุปกรณ์
→ Location Score / Supply Pressure / Future Demand / Hazard / Exit Liquidity
→ ค่าเช่า occupancy NOI
→ ราคาซื้อสูงสุด
→ ตรวจหน้างาน

หน้างานควรดูเสียง ความลาดชัน การข้ามถนน แสงกลางคืน กลิ่น อาคารรอบข้าง ทางเข้า parking ขยะ และเส้นทางเดินจริง ซึ่งสอดคล้องกับกระบวนการของ McDonald’s ที่ตรวจหน้างานหลังใช้เครื่องมือ[11]

ส่วนที่ II 11. การตรวจสอบโมเดล

ตัวแปรเป้าหมายอาจเป็นค่าเช่าปิดจริง วันจนปล่อยได้ occupancy renewal การลดค่าเช่า ราคาขาย และเวลาขาย

เริ่มจากน้ำหนักมนุษย์ แล้วเมื่อข้อมูลพอจึงใช้ regression spatial statistics หรือ gradient boosting แต่ประชากรอนาคตและการเปิดเชนไม่ใช่คำพยากรณ์ redevelopment ดอกเบี้ย supply ใหม่ และการย้ายออกของนายจ้างใหญ่เปลี่ยนโครงสร้างได้ จึงควรใช้ downside/base/upside scenarios

ส่วนที่ II 12. สรุป

สิ่งที่ควรย้ายจาก McDonald’s คือขั้นตอน:

วัดตลาด
→ เลือกสินค้าที่ตรงตลาด
→ วัดการแข่งขันและ supply เกิน
→ ตรวจหน้างาน
→ คำนวณราคาที่ cash flow รองรับ
→ อัปเดตโมเดลจากผลจริง

ตำแหน่งเชนเป็นเบาะแส ไม่ใช่คำตอบ ต้องรวมกับประชากร ขนส่ง ผังเมือง ความเสี่ยง ราคา และหลักฐานตลาดเช่าจริง

Đánh giá vị trí nhà cho thuê thế nào? Gợi ý từ cách McDonald’s chọn địa điểm

Phần II 1. Kết luận — thay “doanh thu cửa hàng” bằng “nhu cầu thuê”

Điều đáng học từ phát triển cửa hàng McDonald’s không phải là “cứ nơi nào có McDonald’s thì mua bất động sản”. Điểm quan trọng là thứ tự quyết định: phân tích thị trường trước, rồi mới phân tích tài sản cụ thể.

McDonald’s Nhật Bản công khai cho biết bộ phận phát triển cửa hàng kết hợp phân tích thị trường với khảo sát thực địa và xem mở mới, đóng cửa, cải tạo là các phần của chiến lược mạng lưới. Lịch sử 50 năm chính thức cũng mô tả PMO — Profitable Market Optimization — trong thập niên 1990, kết hợp cửa hàng mẹ với các điểm vệ tinh nhỏ theo quy mô thị trường.[11][12]

Chuyển sang nhà cho thuê, trình tự thành:

đo nhu cầu khu vực → xác định ai sẽ ở → chọn loại căn, chỗ đỗ xe và tiện ích → ước tính giá thuê và tỷ lệ lấp đầy → tính ngược giá mua tối đa.

Cách này tốt hơn việc tìm tài sản có lợi suất bề mặt cao trước rồi mới cố giải thích vì sao vị trí ổn.

Phần II 2. McDonald’s công khai gì và không công khai gì

McDonald’s Nhật Bản cho biết sử dụng “công cụ chuyên dụng” để đánh giá khu vực, sau đó nhân sự đi thực địa để đối chiếu dữ liệu với tình hình thực tế.[11]

Từ thông tin công khai có thể xác nhận các nguyên tắc:

đánh giá thị trường chứ không chỉ một lô đất;
kết hợp định lượng và khảo sát thực địa;
thay đổi mô hình cửa hàng theo vị trí;
đưa đóng cửa và cải tạo vào quản trị mạng lưới;
điều chỉnh mạng lưới theo quy mô thị trường.

Không công khai tên công cụ hiện tại, trọng số biến, công thức dự báo doanh số, mức phạt đối thủ và công thức cannibalization nội bộ.

Vì vậy mục tiêu thực tế không phải sao chép thuật toán, mà là chuyển cấu trúc ra quyết định có thể quan sát sang underwriting nhà ở.

Phần II 3. Bài học từ PMO: thị trường trước, sản phẩm sau

Theo lịch sử chính thức, PMO không chỉ dựa vào các drive-through lớn. Các drive-through nhỏ có thể làm cửa hàng mẹ và được bổ sung bằng điểm vệ tinh tại siêu thị, trung tâm mua sắm và food court theo quy mô thị trường.[12]

Trong nhà ở:

nhiều người lao động độc thân → studio/1K/1DK;
nhiều cặp đôi trẻ → 1LDK;
gia đình có ô tô → 2LDK+ và chỗ đỗ;
khu ga ít phụ thuộc ô tô → ưu tiên đi bộ và căn nhỏ gọn;
nhà máy, đại học, bệnh viện → sản phẩm phù hợp người lao động hoặc sinh viên.

Tức là để quy mô và cấu trúc nhu cầu quyết định định dạng nhà ở.

Phần II 4. Đối chiếu phát triển cửa hàng và nhà cho thuê

Phát triển cửa hàng	Nhà cho thuê
Dân số vùng	Hộ gia đình, tuổi, loại hộ
Lưu lượng giao thông	Ga, đường bộ, luồng đi làm
Dân số ngày/đêm	Cư dân, lao động, đại học, bệnh viện
Thương mại xung quanh	Siêu thị, cửa hàng tiện lợi, nhà thuốc, ăn uống
Đối thủ	Tin cho thuê, tuổi nhà, giá thuê, tiện ích
Định dạng	1K/1LDK/2LDK, đỗ xe, tủ nhận hàng
Khách	Tỷ lệ lấp đầy, số inquiry
Giá trị mỗi khách	Giá thuê và phí
Doanh thu	Thu nhập thuê hiệu dụng
Chi phí	Mua, xây, bảo trì, quản lý
Cannibalization	Dư cung căn tương tự
Đóng cửa	Bán, đổi công năng, xây lại, cải tạo

Hàm ý quan trọng: vị trí tốt không tồn tại tách biệt với sản phẩm đặt trên đó.

Phần II 5. Dữ liệu công của Nhật cho phép làm đến đâu

Real Estate Information Library của MLIT cung cấp giá bất động sản, giá đất, rủi ro, quy hoạch đô thị, cơ sở xung quanh và API. Các API hiện có bao gồm dân số tương lai lưới 250m, lượng khách theo ga, quy hoạch, dữ liệu thiên tai và thông tin giá bất động sản.[13][14][15]

Các lớp hữu ích:

Nhu cầu

dân số 250m;
dân số tương lai 250m;
tuổi và hộ;
lượng khách nhà ga;
đại học, bệnh viện, nhà máy, văn phòng.

Giá và thoát vốn

giá giao dịch/chốt;
giá đất chính thức;
giao dịch so sánh.

Quy định và rủi ro

zoning và quy hoạch;
kế hoạch tối ưu vị trí;
lũ, sạt lở và rủi ro khác.

Tiện ích

nhà ga;
y tế và phúc lợi;
trường học và công trình công;
thương mại.

Dữ liệu công không cung cấp đầy đủ giá thuê chào hiện tại, thời gian trống, miễn giảm hay thiết bị chi tiết của đối thủ. Cần bổ sung dữ liệu listing, quản lý tài sản và khảo sát hiện trường.

API cần xin khóa; hướng dẫn chính thức nói kết quả xét duyệt thường được thông báo khoảng 5 ngày làm việc sau khi nộp.[16]

Phần II 6. Vị trí chuỗi cửa hàng như tín hiệu bên ngoài

McDonald’s, siêu thị, cửa hàng tiện lợi, nhà thuốc, gym và nhà hàng có thể là biến phụ trợ.

Mỗi chuỗi tự đánh giá dân số, giao thông, môi trường và kinh tế trước khi mở. Vì vậy quyết định mở cửa hàng quan sát được có thể gián tiếp chứa một phần phân tích nội bộ không công khai.

Có thể xem đây là “revealed location choice”.

Nhưng phải thận trọng:

drive-through có thể phản ánh lưu lượng xe hơn chất lượng cư trú;
cửa hàng tiện lợi có thể sống nhờ dân số ban ngày;
trung tâm thương mại phục vụ vùng rộng, không bằng nhu cầu cư trú đi bộ;
cụm nhà hàng công nghiệp phản ánh việc làm nhưng không chắc phù hợp để ở;
đóng cửa và di dời khiến tín hiệu cũ lỗi thời.

Vì vậy không phải “có McDonald’s = mua”, mà là dùng mô hình nhiều loại chuỗi như một biến trong nhiều biến.

Phần II 7. Chain Location Confidence Score

Phân loại trong bán kính 500m, 1km, 3km:

đời sống: siêu thị, nhà thuốc, cửa hàng tiện lợi;
ăn uống: McDonald’s, family restaurant, fast food, café;
sức khỏe/giải trí: gym, karaoke, internet café;
điểm đến: mall, home center;
việc làm: nhà máy, bệnh viện, đại học, văn phòng;
giao thông: ga, điểm bus, trục đường lớn.

Cho điểm cao hơn khi nhiều nhóm khác nhau cùng tập trung độc lập, có mở mới liên tục và tiện ích hằng ngày nằm trong khoảng đi bộ.

Độ đa dạng và liên quan tới cư trú quan trọng hơn số lượng thô.

Phần II 8. Ví dụ Location Score cho nhà ở

Nhóm	Biến	Trọng số ví dụ
Nhu cầu nền	Hộ, tuổi, loại hộ	20
Độ bền tương lai	Dân số 250m, tái phát triển, quy hoạch	15
Giao thông	Khoảng cách ga, khách ga, tiếp cận việc làm	15
Tiện ích	Siêu thị, y tế, cửa hàng tiện lợi	10
Nguồn cầu	Nhà máy, bệnh viện, đại học	10
Cạnh tranh cung	Listing, tuổi nhà, giá thuê, tiện ích	15
Rủi ro/quy định	Lũ, sạt lở, zoning	10
Tín hiệu chuỗi	Đa dạng và mở mới	5

Trọng số chỉ để minh họa. Quan trọng là hiệu chỉnh lại bằng tỷ lệ trống, giá thuê chốt, giảm giá thuê và kết quả bán lại thực tế.

Phần II 9. Nhu cầu → sản phẩm → giá thuê → giá mua

Xác định phân khúc người thuê thực.
Chọn loại căn và tiện ích.
Ước tính mức thuê có thể thắng đối thủ.
Ước tính tỷ lệ lấp đầy thực tế.
Tính NOI sau quản lý, bảo trì, thuế, bảo hiểm và chi phí cho thuê.
Áp dụng lợi suất yêu cầu, tài chính và rủi ro thoát vốn để ra giá mua tối đa.

Nhờ đó phân biệt được tài sản thực sự rẻ với tài sản có yield cao chỉ vì đang bù cho giảm dân số, trống hoặc thanh khoản bán lại yếu.

Phần II 10. Kiến trúc tự động hóa

địa chỉ/tọa độ → vùng 250m/500m/1km/3km
→ dân số, tương lai, ga, quy hoạch, rủi ro, giá
→ GIS cơ sở, chuỗi, nguồn cầu
→ listing thuê cạnh tranh
→ phân bố giá thuê, tồn kho, tuổi nhà, tiện ích
→ Location Score / Supply Pressure / Future Demand / Hazard / Exit Liquidity
→ giá thuê, occupancy, NOI
→ giá mua tối đa
→ kiểm tra thực địa cuối.

Ngoài hiện trường cần xem tiếng ồn, độ dốc, qua đường, ánh sáng đêm, mùi, nhà xung quanh, lối vào bãi xe, khu rác và đường đi bộ thực. Cấu trúc này tương ứng với quy trình McDonald’s công khai: dùng công cụ rồi kiểm chứng bằng thực địa.[11]

Phần II 11. Kiểm chứng

Biến mục tiêu có thể là giá thuê chốt, số ngày tới khi thuê được, occupancy, tỷ lệ gia hạn, mức giảm giá thuê, giá bán và thời gian bán.

Có thể bắt đầu bằng trọng số thủ công rồi chuyển sang hồi quy, thống kê không gian hoặc gradient boosting khi có đủ dữ liệu. Tuy nhiên dân số tương lai và mở cửa hàng chuỗi không phải lời tiên tri. Tái phát triển, lãi suất, nguồn cung mới và doanh nghiệp lớn rút đi có thể phá vỡ quan hệ lịch sử. Nên đánh giá giá mua theo kịch bản downside, base và upside.

Phần II 12. Tóm tắt

Điều nên chuyển từ McDonald’s là trình tự:

đo thị trường
→ chọn sản phẩm phù hợp
→ đo cạnh tranh và dư cung
→ xác minh tại hiện trường
→ tính ngược mức giá được dòng tiền biện minh
→ cập nhật mô hình bằng kết quả thật

Vị trí chuỗi là manh mối, không phải câu trả lời. Chỉ khi kết hợp với dân số, giao thông, quy hoạch, rủi ro, giá và bằng chứng thị trường thuê thực tế, nó mới trở thành tín hiệu mạnh.

Comment évaluer l’emplacement d’un logement locatif ? Des pistes tirées de McDonald’s

Partie II 1. Conclusion — remplacer les « ventes magasin » par la « demande locative »

La leçon à transférer de McDonald’s n’est pas « acheter là où il y a un McDonald’s ». C’est l’ordre de décision : analyser le marché avant l’actif individuel.

McDonald’s Japon indique publiquement que le développement des restaurants combine analyse de marché et visites terrain, et traite ouvertures, fermetures et rénovations dans une logique de réseau. Son histoire officielle des 50 ans décrit aussi le PMO — Profitable Market Optimization — des années 1990, qui associait magasins-mères et petits satellites en fonction de la taille du marché.[11][12]

Appliqué au logement locatif :

mesurer la demande locale → définir qui habitera → choisir typologie, stationnement et équipements → estimer loyer et occupation → remonter au prix d’achat maximal.

Partie II 2. Ce que McDonald’s publie et ce qu’il ne publie pas

McDonald’s Japon explique utiliser des « outils spécialisés » pour évaluer une zone, puis effectuer une visite afin de confronter les données à la réalité.[11]

Les informations publiques permettent de confirmer plusieurs principes :

évaluer un marché, pas seulement une parcelle ;
combiner données quantitatives et terrain ;
adapter le format à l’emplacement ;
intégrer fermetures et rénovations à la gestion du réseau ;
ajuster la configuration au potentiel du marché.

Ne sont pas publiés le nom actuel de l’outil, les pondérations, la formule de ventes, la pénalité exacte des concurrents ni le modèle de cannibalisation interne.

Le but réaliste est donc de transférer l’architecture de décision observable au souscription résidentielle, non de reproduire l’algorithme.

Partie II 3. Leçon du PMO : marché d’abord, produit ensuite

D’après l’histoire officielle, le PMO ne reposait pas seulement sur de grands drive. Des drive plus petits servaient de magasins-mères et étaient complétés par des satellites dans supermarchés, centres commerciaux et food courts selon la taille du marché.[12]

En logement :

forte demande de célibataires actifs → studio/1K/1DK ;
couples jeunes → 1LDK ;
familles motorisées → 2LDK+ avec parking ;
marché de gare peu automobile → priorité à la marche et à la compacité ;
usines, universités, hôpitaux → produit adapté aux travailleurs ou étudiants.

Il s’agit de déduire le produit résidentiel de la structure de la demande.

Partie II 4. Correspondance entre développement commercial et logement locatif

Développement commercial	Logement locatif
Population de chalandise	Ménages, âge, types de foyer
Trafic	Gare, routes, flux domicile-travail
Population jour/nuit	Résidents, emplois, universités, hôpitaux
Commerce voisin	Supermarché, proximité, pharmacie, restauration
Concurrents	Annonces locatives, âge, loyer, équipements
Format	1K/1LDK/2LDK, parking, consignes, services
Clients	Occupation et demandes
Panier moyen	Loyer et charges
Ventes	Revenu locatif effectif
Coûts	Acquisition, construction, maintenance, gestion
Cannibalisation	Sur-offre de logements similaires
Fermeture	Vente, conversion, reconstruction, rénovation

Conclusion : un bon emplacement ne peut pas être séparé du produit qu’on y place.

Partie II 5. Jusqu’où aller avec les données publiques japonaises

La Real Estate Information Library du MLIT fournit prix immobiliers, foncier, risques, urbanisme, équipements de proximité et APIs. Les interfaces actuelles comprennent notamment population future en maille de 250 m, fréquentation des gares, urbanisme, risques et prix immobiliers.[13][14][15]

Couches utiles :

Demande

population 250m ;
population future 250m ;
âge et ménages ;
fréquentation des gares ;
universités, hôpitaux, usines, bureaux.

Prix et sortie

transactions et prix conclus ;
prix fonciers officiels ;
comparables locaux.

Réglementation et risque

zonage et urbanisme ;
plans d’optimisation de localisation ;
inondation, glissement de terrain, autres risques.

Vie quotidienne

gares ;
santé et services sociaux ;
écoles et services publics ;
commerces.

Les données publiques ne couvrent pas entièrement loyers affichés actuels, durée de vacance, concessions ou équipements détaillés des concurrents. Il faut ajouter portails locatifs, gestionnaires et terrain.

L’API nécessite une demande de clé ; le site officiel indique un retour de l’examen généralement autour de cinq jours ouvrés.[16]

Partie II 6. Les implantations de chaînes comme signal externe

McDonald’s, supermarchés, commerces de proximité, pharmacies, salles de sport et restaurants peuvent servir de variables auxiliaires.

Chaque chaîne analyse population, trafic, environnement et rentabilité. Ainsi, la décision observable d’ouvrir peut incorporer indirectement une partie de l’analyse privée de l’entreprise.

On peut parler de « choix d’implantation révélé ».

Limites :

un drive peut surtout révéler le trafic automobile ;
un convenience store peut dépendre de la population diurne ;
un centre commercial attire une zone large différente de la demande résidentielle piétonne ;
un cluster de restaurants industriels révèle l’emploi, pas nécessairement l’habitabilité ;
fermetures et déplacements rendent les signaux anciens obsolètes.

Il ne faut donc pas dire « McDonald’s = acheter », mais utiliser plusieurs catégories comme une variable parmi d’autres.

Partie II 7. Chain Location Confidence Score

Classer dans des rayons de 500m, 1km et 3km :

quotidien : supermarchés, pharmacies, proximité ;
restauration : McDonald’s, family restaurants, fast food, cafés ;
santé/loisirs : salles de sport, karaoké, cybercafés ;
destinations : centres commerciaux, home centers ;
emplois : usines, hôpitaux, universités, bureaux ;
transport : gares, nœuds bus, axes principaux.

Valoriser davantage les zones où plusieurs catégories se regroupent indépendamment, les ouvertures récentes continuent et les services quotidiens restent accessibles à pied.

La diversité et la pertinence résidentielle comptent plus que le nombre brut.

Partie II 8. Exemple de Location Score résidentiel

Catégorie	Variables	Poids exemple
Demande de base	Ménages, âge, typologie	20
Durabilité future	Population future 250m, projets, urbanisme	15
Transport	Distance gare, trafic, accès emploi	15
Commodités	Supermarché, santé, proximité	10
Ancrages de demande	Usines, hôpitaux, universités	10
Concurrence d’offre	Stock, âge, loyer, équipements	15
Risque/règles	Inondation, glissement, zonage	10
Signal chaînes	Diversité et ouvertures récentes	5

Les poids sont illustratifs. Le plus important est de les recalibrer sur vacance, loyers conclus, baisse de loyer et revente réelles.

Partie II 9. Demande → produit → loyer → prix

Identifier les segments réels de locataires.
Définir typologie et équipements.
Estimer le loyer compétitif.
Estimer une occupation réaliste.
Calculer le NOI après gestion, maintenance, impôts, assurance et commercialisation.
Appliquer rendement exigé, financement et risque de sortie pour obtenir le prix maximal.

Cela distingue un actif réellement sous-évalué d’un rendement élevé qui compense simplement dépopulation, vacance ou faible liquidité de revente.

Partie II 10. Architecture d’automatisation

adresse/coordonnées → zones 250m/500m/1km/3km
→ population, futur, gares, urbanisme, risques, prix
→ GIS des services, chaînes et ancrages
→ annonces locatives concurrentes
→ loyers, stock, âge, équipements
→ Location Score / Supply Pressure / Future Demand / Hazard / Exit Liquidity
→ loyer, occupation, NOI
→ prix maximum
→ inspection finale.

Sur place, vérifier bruit, pente, traversées, éclairage nocturne, odeurs, bâtiments voisins, accès parking, déchets et vrais trajets à pied. Cela correspond au processus public de McDonald’s : outil spécialisé puis validation terrain.[11]

Partie II 11. Validation

Les cibles peuvent être loyer réellement conclu, jours avant location, occupation, renouvellement, baisse de loyer, prix et délai de revente.

On peut commencer par des poids manuels puis employer régression, statistique spatiale ou gradient boosting. Mais population future et ouvertures de chaînes ne sont pas des prophéties : rénovation urbaine, taux, offre neuve et départ d’un employeur peuvent casser les relations historiques. Évaluer sous scénarios baissier, central et haussier.

Partie II 12. Résumé

Ce qu’il faut transférer de McDonald’s est la séquence :

mesurer le marché
→ choisir le produit adapté
→ mesurer concurrence et sur-offre
→ vérifier sur le terrain
→ remonter au prix justifié par le cash-flow
→ mettre à jour le modèle avec les résultats

Les chaînes sont des indices, pas des réponses. Leur valeur apparaît lorsqu’on les combine avec population, transport, urbanisme, risques, prix et preuves réelles du marché locatif.

Wie lässt sich der Standort einer Mietwohnung prüfen? Anregungen von McDonald’s

Teil II 1. Fazit — „Filialumsatz“ durch „Mietnachfrage“ ersetzen

Die übertragbare Lehre aus McDonald’s Store Development lautet nicht „Kaufe Immobilien dort, wo ein McDonald’s steht“. Entscheidend ist die Reihenfolge: zuerst den Markt analysieren, danach das einzelne Objekt.

McDonald’s Japan erklärt öffentlich, dass die Entwicklungsorganisation Marktanalyse und Vor-Ort-Prüfung kombiniert und Neueröffnungen, Schließungen und Renovierungen als Teile einer Netzwerkstrategie behandelt. Die offizielle 50-Jahre-Geschichte beschreibt außerdem PMO — Profitable Market Optimization — aus den 1990er Jahren, bei dem Mutterfilialen und kleine Satelliten entsprechend der Marktgröße kombiniert wurden.[11][12]

Für Mietwohnungen lautet die Übersetzung:

Gebietsnachfrage messen → Zielmieter definieren → Wohnungstyp, Stellplätze und Ausstattung wählen → erzielbare Miete und Belegung schätzen → maximalen Kaufpreis rückwärts berechnen.

Teil II 2. Was McDonald’s veröffentlicht — und was nicht

McDonald’s Japan sagt, dass spezialisierte Tools zur Beurteilung von Gebieten eingesetzt werden und anschließend Vor-Ort-Besuche stattfinden, um Daten mit der Realität abzugleichen.[11]

Öffentlich bestätigbare Prinzipien sind:

Märkte statt nur einzelner Grundstücke bewerten;
quantitative Analyse und Feldprüfung kombinieren;
Format an den Standort anpassen;
Schließungen und Umbauten in die Netzsteuerung integrieren;
die Filialstruktur an die Marktgröße anpassen.

Nicht veröffentlicht sind der aktuelle Toolname, Variablengewichte, Umsatzformel, exakte Wettbewerberabzüge und interne Kannibalisierungsformeln.

Das realistische Ziel ist daher die Übertragung der sichtbaren Entscheidungsarchitektur auf Wohnimmobilien, nicht das Kopieren des Algorithmus.

Teil II 3. PMO-Lehre: zuerst Markt, dann Produkt

Laut offizieller Historie setzte PMO nicht nur auf große Drive-throughs. Kleinere Drive-throughs dienten als Mutterfilialen und wurden entsprechend der Marktgröße durch Satelliten in Supermärkten, Einkaufszentren und Food Courts ergänzt.[12]

Für Wohnen:

viele alleinstehende Beschäftigte → Studio/1K/1DK;
viele junge Paare → 1LDK;
motorisierte Familien → 2LDK+ mit Stellplatz;
bahnhofsorientierter Markt mit geringer Autonutzung → Fußläufigkeit und kompakte Einheiten;
Fabriken, Hochschulen oder Krankenhäuser → Produkt für Arbeitnehmer oder Studierende.

Das Wohnformat wird also aus Größe und Struktur der Nachfrage abgeleitet.

Teil II 4. Zuordnung von Store Development zu Mietwohnungen

Store Development	Mietwohnung
Einzugsbevölkerung	Haushalte, Alter, Haushaltstyp
Verkehr	Bahnhofsnutzung, Straßen, Pendlerströme
Tag-/Nachtbevölkerung	Bewohner, Beschäftigte, Hochschulen, Krankenhäuser
Umfeld	Supermärkte, Convenience, Apotheken, Gastronomie
Konkurrenz	Mietangebote, Baualter, Miete, Ausstattung
Format	1K/1LDK/2LDK, Stellplatz, Paketbox, Ausstattung
Kunden	Belegung und Anfragen
Durchschnittsbon	Miete und Nebenkosten
Umsatz	Effektive Mieteinnahmen
Kosten	Erwerb, Bau, Instandhaltung, Verwaltung
Kannibalisierung	Überangebot ähnlicher Einheiten
Schließung	Verkauf, Umnutzung, Neubau, Renovierung

Daraus folgt: Ein guter Standort existiert nicht unabhängig vom Produkt darauf.

Teil II 5. Was mit öffentlichen japanischen Daten möglich ist

Die Real Estate Information Library des MLIT bietet Immobilienpreise, Bodenwerte, Risiken, Stadtplanung, Einrichtungen und APIs. Aktuelle Schnittstellen umfassen u. a. zukünftige Bevölkerung in 250-m-Rastern, Bahnhofsnutzung, Planung, Gefahren und Immobilienpreise.[13][14][15]

Nützliche Ebenen:

Nachfrage

250m-Bevölkerung;
250m-Zukunftsbevölkerung;
Alters- und Haushaltsdaten;
Bahnhofsnutzung;
Hochschulen, Krankenhäuser, Fabriken, Büros.

Preis und Exit

Transaktions-/Abschlusspreise;
offizielle Bodenwerte;
Vergleichsverkäufe.

Regulierung und Risiko

Zonierung und Planung;
Location-Optimization-Pläne;
Hochwasser, Erdrutsch und andere Risiken.

Alltag

Bahnhöfe;
Medizin und Soziales;
Schulen und öffentliche Einrichtungen;
Handel.

Öffentliche Daten liefern nicht vollständig aktuelle Angebotsmieten, Leerstandsdauer, Incentives oder detaillierte Ausstattung der Konkurrenz. Mietportale, Verwalterinformationen und Feldarbeit müssen ergänzt werden.

Für die API ist ein Schlüsselantrag nötig; die offizielle Seite nennt ungefähr fünf Arbeitstage als Richtwert bis zur Prüfungsmitteilung.[16]

Teil II 6. Filialstandorte als externes Signal

McDonald’s, Supermärkte, Convenience Stores, Apotheken, Fitnessstudios und Restaurants können Zusatzvariablen sein.

Da jede Kette Bevölkerung, Verkehr, Umfeld und Wirtschaftlichkeit selbst analysiert, kann die sichtbare Entscheidung zur Eröffnung indirekt einen Teil ihrer nicht öffentlichen Analyse enthalten.

Das lässt sich als „revealed location choice“ verstehen.

Grenzen:

Drive-throughs können vor allem Autoverkehr zeigen;
Convenience Stores können von Tagesbevölkerung leben;
Einkaufszentren bedienen große Regionen und nicht nur Wohnnachfrage zu Fuß;
Gastronomie in Industriegebieten zeigt Arbeitsplätze, nicht zwingend Wohnqualität;
Schließungen und Umzüge machen alte Signale wertlos.

Also nicht „McDonald’s = kaufen“, sondern mehrere Kettenkategorien als ein Merkmal unter vielen nutzen.

Teil II 7. Chain Location Confidence Score

Innerhalb von 500m, 1km und 3km nach Funktion ordnen:

Alltag: Supermärkte, Apotheken, Convenience;
Essen: McDonald’s, Family Restaurants, Fast Food, Cafés;
Gesundheit/Freizeit: Fitness, Karaoke, Internetcafés;
Zieleinkauf: Malls, Home Center;
Beschäftigung: Fabriken, Krankenhäuser, Hochschulen, Büros;
Verkehr: Bahnhöfe, Busknoten, Hauptstraßen.

Höher bewerten, wenn unterschiedliche Kategorien unabhängig clustern, Neueröffnungen anhalten und Alltagsangebote fußläufig erreichbar sind.

Diversität und Wohnrelevanz sind wichtiger als die reine Anzahl.

Teil II 8. Beispiel eines Wohn-Location-Scores

Kategorie	Variablen	Beispielgewicht
Grundnachfrage	Haushalte, Alter, Typ	20
Zukunftsfähigkeit	250m-Zukunftsbevölkerung, Entwicklung, Planung	15
Verkehr	Stationsdistanz, Nutzung, Arbeitszugang	15
Alltag	Supermarkt, Gesundheit, Convenience	10
Nachfrageanker	Fabriken, Krankenhäuser, Hochschulen	10
Angebotskonkurrenz	Angebote, Alter, Miete, Ausstattung	15
Risiko/Regeln	Hochwasser, Erdrutsch, Zonierung	10
Kettensignal	Diversität und jüngste Eröffnungen	5

Die Gewichte sind illustrativ. Wichtig ist die Rekalibrierung anhand echter Leerstände, Vertragsmieten, Mietrückgänge und Wiederverkaufsergebnisse.

Teil II 9. Nachfrage → Produkt → Miete → Preis

Reale Mietsegmente bestimmen.
Wohnungstyp und Ausstattung festlegen.
Wettbewerbsfähige Miete schätzen.
Realistische Belegung schätzen.
NOI nach Verwaltung, Wartung, Steuern, Versicherung und Vermietung berechnen.
Zielrendite, Finanzierung und Exit-Risiko anwenden, um den Maximalpreis zu bestimmen.

So lässt sich echte Unterbewertung von hoher Rendite unterscheiden, die lediglich Bevölkerungsrückgang, Leerstand oder geringe Exit-Liquidität kompensiert.

Teil II 10. Automatisierungsarchitektur

Adresse/Koordinaten → 250m/500m/1km/3km-Gebiete
→ Bevölkerung, Zukunft, Bahnhöfe, Planung, Risiken, Preise
→ GIS-Aggregation von Einrichtungen, Ketten und Nachfrageankern
→ konkurrierende Mietangebote
→ Mieten, Bestand, Alter, Ausstattung
→ Location Score / Supply Pressure / Future Demand / Hazard / Exit Liquidity
→ Miete, Belegung, NOI
→ Maximalpreis
→ finale Vor-Ort-Prüfung.

Vor Ort sollten Lärm, Gefälle, Straßenquerung, Nachtbeleuchtung, Gerüche, Nachbargebäude, Parkzufahrt, Müllplätze und tatsächliche Fußwege geprüft werden. Das entspricht der veröffentlichten McDonald’s-Logik: Toolanalyse plus Feldabgleich.[11]

Teil II 11. Validierung

Zielgrößen können Vertragsmiete, Tage bis zur Vermietung, Belegung, Verlängerungsrate, Mietrückgang, Verkaufspreis und Verkaufsdauer sein.

Man kann mit menschlichen Gewichten beginnen und später Regression, räumliche Statistik oder Gradient Boosting einsetzen. Zukunftsbevölkerung und Kettenneueröffnungen sind jedoch keine Prophezeiung. Stadtentwicklung, Zinsen, Neubauangebot und Arbeitgeberabgänge können historische Beziehungen brechen. Daher mit Downside-, Base- und Upside-Szenarien bewerten.

Teil II 12. Zusammenfassung

Von McDonald’s sollte die Entscheidungsfolge übertragen werden:

Markt messen
→ passendes Produkt wählen
→ Wettbewerb und Überangebot messen
→ vor Ort prüfen
→ aus Cashflow den vertretbaren Preis rückwärts berechnen
→ Modell mit realen Ergebnissen aktualisieren

Filialstandorte sind Hinweise, keine Antworten. Aussagekräftig werden sie erst zusammen mit Bevölkerung, Verkehr, Planung, Risiken, Preisen und realen Mietmarktdaten.

Part II References / 第II部参考文献

日本マクドナルド — 店舗開発本部社員インタビュー（マーケット分析、専門ツール、現地調査、出店・退店計画）
https://www.mcdonalds.co.jp/recruit/staff_recruiting/people/crew02/
日本マクドナルド 50年の歴史 — 1990年代のPMO（Profitable Market Optimization）
https://www.mcdonalds.co.jp/campaign/thankyou50th/history/social/1991/
国土交通省不動産情報ライブラリ — API操作説明
https://www.reinfolib.mlit.go.jp/help/apiManual
国土交通省不動産情報ライブラリ — 将来推計人口250mメッシュ API（XKT013）
https://www.reinfolib.mlit.go.jp/help/apiManual/xkt013/
国土交通省不動産情報ライブラリ — 駅別乗降客数 API（XKT015）／不動産価格情報 API（XPT001）
https://www.reinfolib.mlit.go.jp/help/apiManual/xkt015/
https://www.reinfolib.mlit.go.jp/help/apiManual/xpt001/
国土交通省不動産情報ライブラリ — API利用申請
https://www.reinfolib.mlit.go.jp/api/request/
Yoshida, T. & Seya, H. (2021), “Spatial prediction of apartment rent using regression-based and machine learning-based approaches with a large dataset.”
https://arxiv.org/abs/2107.12539

Noch einen Schritt weiter: Sukiya Cheese Gyudon mit weniger Reis und mehr Fleisch: Chumori, Extra-Fleisch oder Mega?

WerbungBücher zu diesem Thema

Salt, Fat, Acid, Heat (englische Ausgabe)
Samin Nosrat / Simon and Schuster / 2017
Ein Buch zu Essen gehen, dem Bereich dieses Artikels.
Bei Amazon ansehen
Kitchen Confidential (englische Ausgabe)
Anthony Bourdain / Bloomsbury / 2000
Ein Buch zu Essen gehen, dem Bereich dieses Artikels.
Bei Amazon ansehen

Dieser Artikel enthält Affiliate-Links (Werbung). Mehr zur Werbung Als Amazon-Partner verdiene ich an qualifizierten Verkäufen. As an Amazon Associate I earn from qualifying purchases.

Artikel teilen

Auf Facebook teilen (öffnet in neuem Tab)Auf X teilen (öffnet in neuem Tab)

Wenn Ihnen dieser Artikel geholfen hat, können Sie die Website unterstützen. Unterstützen