智己汽车作为高端智能电动汽车品牌深度融合先锋设计美学、纯电驱动技术、高阶智能驾驶与全场景出行服务依托L7、LS7、LS6、L6等产品矩阵打造兼具科技感与驾控乐趣的高端出行体验。在营销推广层面智己摒弃传统4S店模式创新采用“体验中心用户中心”的新零售策略系统构建以用户旅程为核心的全域触点网络。目前品牌已在北京、上海、广州、深圳、杭州、成都、武汉、西安、南京、苏州、重庆等一线及新一线城市核心商圈布局直营体验中心与交付中心并战略性入驻上海BFC外滩金融中心、北京侨福芳草地、深圳万象城等高端商业综合体通过沉浸式品牌展台、限时快闪活动与场景化互动装置强化高端用户触达与社交传播效应。这些空间不仅是销售终端更是品牌价值传递与用户关系运营的营销阵地用户可深度体验LS6的800V高压快充平台、LS7的奢享空间设计、L6的智能底盘调校以及IM AD高阶智驾、“一键AI代驾”、Carlog智驾影像等创新功能并直观感受车机与智己APP的无缝互联。门店采用极简艺术化设计融合实车展示、智驾模拟舱、社群交流区与自助服务终端营造高质感生活方式场景。部分旗舰门店更配备“专属用户主理人”提供从产品讲解、个性化试驾、上门交付到OTA远程升级、全周期管家服务的一站式陪伴实现“认知—兴趣—体验—转化—忠诚”的完整营销闭环持续强化智己“用户型企业”的高端品牌形象与口碑裂变能力。本文旨在通过程序化方式调用智己汽车官方公开接口自动化采集全国智己汽车体验中心、交付中心及授权服务网点的结构化数据。利用 Python 的 requests 库发起标准 HTTP GET 请求可高效获取包含门店名称、所属省市区、详细地址、营业时间、经纬度坐标、销售与服务热线、门店类型等字段的 JSON 响应。通过对这些数据的整合与地理可视化我们不仅能清晰描绘智己汽车当前“高端化、直营化、体验化”的线下网络布局密度与区域渗透策略还可为潜在渠道拓展、用户就近试驾匹配、区域营销资源精准投放等提供可量化的决策依据——这正是“用数据理解智己全直营服务网络”的一次实践也深刻呼应了智己品牌“用户型企业”“数据驱动、体验至上”的新时代价值观。智己汽车线下门店查询地址智己汽车线下体验中心|门店-IM智己汽车官网首先我们找到网点数据的存储位置然后看3个关键部分标头、负载、 预览标头通常包括URL的连接也就是目标资源的位置负载对于GET请求负载通常包含了传递的参数因为所有参数都通过URL传递这里我们可以看到查询关键词cityCode市级行政区编码经销商类型等标签没有进行加密预览指的是对响应内容的快速查看或摘要显示可以帮助用户快速了解返回的数据结构或内容片段我们可以看到数据在data里接下来就是数据获取部分先讲一下方法思路遍历所有市这里他们使用的是国家官方的行政区编码保存为 immotors_cities.csv然后通过得到的所有市的cityCode遍历每个市行政区编码依次调用接口这样就得到了全部市的门店数据方法思路找到对应行政区编码数据存储位置遍历所有市保存为 immotors_cities.csv我们通过改变查询负载的内容市级行政区编码来遍历全国门店获取所有门店的相关标签数据坐标转换通过coord-convert库实现GCJ-02转WGS84第一步利用requests库发送HTTP请求获取所有市级行政区的编码表并根据标签进行保存另存为csv完整代码#运行环境 Python 3.11import requests import pandas as pd # 请求URL url https://www.immotors.com/website/api/portal/portal-unify/v4/c/dealer/city # 发送GET请求 response requests.get(url) # 检查请求是否成功 if response.status_code 200: # 解析JSON响应 data response.json() # 提取data部分 city_data data.get(data, []) # 将数据转换为DataFrame df pd.DataFrame(city_data) # 保存为CSV文件 df.to_csv(immotors_cities.csv, indexFalse, encodingutf-8-sig) print(数据已成功保存到immotors_cities.csv) else: print(f请求失败状态码: {response.status_code})数据会以csv表格的形式保存在运行脚本的目录下数据标签包括cityCode市行政区编码、cityName市行政区名称第二步利用requests库发送HTTP请求遍历以设立门店的166个市级编码并获取所有智己门店数据并根据标签进行保存另存为csv完整代码#运行环境 Python 3.11import requests import csv import time # 添加请求头模拟真实浏览器 HEADERS { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36 } def load_city_codes(file): try: with open(file, r, encodingutf-8-sig) as f: return [row[cityCode].strip() for row in csv.DictReader(f) if row.get(cityCode, ).strip()] except Exception as e: print(f读取 {file} 失败: {e}) return [] def fetch_dealers(city_code, retries2): url https://www.immotors.com/website/api/portal/portal-unify/v4/c/dealer/city/dealerList params { count: 100, lastItem: 0, cityCode: city_code, dealerType: 10011001,10011002 # 体验中心 交付中心 } for attempt in range(retries 1): try: resp requests.get(url, paramsparams, headersHEADERS, timeout10) data resp.json() if resp.status_code 200 and data.get(resultCode) 200: return data.get(data, {}).get(blocks, []) else: print(f城市 {city_code} 返回非成功状态: {data.get(message, 未知错误)}) return [] except Exception as e: if attempt retries: wait 2 ** attempt # 指数退避1s, 2s, 4s... print(f城市 {city_code} 第 {attempt 1} 次失败{wait} 秒后重试: {e}) time.sleep(wait) else: print(f城市 {city_code} 最终失败: {e}) return [] def main(): city_codes load_city_codes(immotors_cities.csv) if not city_codes: return fields [ dealerCode, dealerName, cityName, address, dealerPhone, businessTime, viewBusinessTime, latitude, longitude ] total 0 with open(zhi_ji_dealers.csv, w, encodingutf-8-sig, newline) as f: writer csv.DictWriter(f, fieldnamesfields) writer.writeheader() for i, code in enumerate(city_codes, 1): print(f[{i}/{len(city_codes)}] 获取城市 {code} 的门店...) dealers fetch_dealers(code) rows [] for d in dealers: business_info d.get(businessInfo) or {} rows.append({ dealerCode: d.get(dealerCode), dealerName: d.get(dealerName), cityName: d.get(cityName), address: d.get(address), dealerPhone: d.get(dealerPhone), businessTime: d.get(businessTime), viewBusinessTime: business_info.get(viewBusinessTime), latitude: d.get(addressLatitude), longitude: d.get(addressLongitude) }) writer.writerows(rows) total len(rows) time.sleep(0.5) print(f\n完成共获取 {total} 家门店已保存至zhi_ji_dealers.csv) if __name__ __main__: main()获取数据标签如下dealerCode门店ID、dealerName门店名称、address门店地址、dealerPhone销售电话、viewBusinessTime营业时间、lng lat地理坐标其他一些非关键标签这里省略第三步坐标系转换由于智己门店数据使用的是高德坐标系GCJ-02为了在ArcGIS上准确展示而不发生偏移我们需要将门店的坐标从GCJ-02转换为WGS-84坐标系。我们可以利用coord-convert库中的gcj2wgs(lng, lat)函数也可以用免费这个网站批量转换工具地图坐标系批量转换工具 - 免费在线转换器对CSV文件中的门店坐标列进行转换完成坐标转换后再将数据导入ArcGIS 进行可视化接下来我们进行看图说话第一段空间分布特征智己汽车门店呈现显著的“东密西疏、沿海集聚”格局。高密度区域集中于长三角上海、苏州、杭州、南京、珠三角广州、深圳、佛山及京津冀北京、天津、石家庄三地合计占比超50%中西部仅成都、重庆、西安等新一线核心城市有较密集布点其余省份多为单点覆盖。门店数量与区域经济水平、高端新能源消费潜力高度正相关反映出品牌初期聚焦高购买力市场的策略。第二段城市层级渗透情况从城市能级看一线城市北上广深门店数量最多且多为直营旗舰店新一线城市如杭州、南京、武汉、成都以标准店体验中心组合为主普通地级市如芜湖、柳州、洛阳普遍仅1家授权店且多依附于传统豪华/合资品牌4S店。值得注意的是部分三四线城市如台州、泉州、临沂出现门店布局显示品牌正试探下沉市场但尚未形成网络效应。第三段战略缺口与机会当前明显空白区域包括东北全域除沈阳、大连外几乎无覆盖、西北内陆甘肃、宁夏、青海、西藏无门店、西南非省会城市如贵州、云南多数地州缺失。此外地图中港澳台地区虽有少量标注如台北、香港但未见明确门店信息国际化拓展尚处早期。建议下一阶段在成渝、长江中游城市群加强加密在政策支持的新能源示范区如合肥、郑州设立区域服务中心同时评估华南县级市试点可行性。总结智己门店网络已构建起“高势能核心圈”但广度与韧性不足亟需从“密度优先”转向“结构优化”当前布局有效支撑了品牌在高端新能源市场的声量建立与首批用户触达; 然而过度依赖东部沿海高线城市导致抗风险能力弱——一旦区域政策收紧或竞品加速下沉市场增量将迅速见顶. 未来应聚焦三方面升级1加密中西部枢纽节点如成都、西安、武汉作为区域服务中心辐射周边300km半径2进入潜力三四线降低单店投入门槛3结合地方补贴政策、充电基建密度与竞品网点重合度动态调整拓店优先级。唯有实现“核心稳固、腰部扎实、边缘试探”的三级网络结构方能支撑智己从“新势力标杆”迈向“主流豪华电动品牌”的长期目标.文章仅用于分享个人学习成果与个人存档之用分享知识如有侵权请联系作者进行删除。所有信息均基于作者的个人理解和经验不代表任何官方立场或权威解读。