Huffova analýza gravitačního modelu v LuckyTemplates

V tomto tutoriálu se naučíme, jak udělat Huff v LuckyTemplates. Tuto analýzu můžeme použít k odhadu potenciálního prodeje nebo atraktivity určitého místa obchodu. Obvykle to děláme v softwaru geografického informačního systému. Můžeme to však udělat i v LuckyTemplates a udělat to dynamické.

Huffova analýza gravitace předpokládá, že plocha v metrech čtverečních supermarketové prodejny dělená druhou mocninou vzdálenosti od potenciálních zákazníků povede k faktoru atraktivity, který se vyrovná ostatním prodejnám. To také ukáže pravděpodobnost v procentech pro navštěvující zákazníky.

Předpoklad vychází z toho, že čím více metrů čtverečních má prodejna, tím větší bude sortiment a přítomnost dalších obslužných prvků. Obchod tedy může přilákat zákazníky k cestování na delší vzdálenost.

V tomto příkladu byla použita dojezdová vzdálenost (centroid PSČ do obchodu).

Můžeme použít i přímkovou vzdálenost. V tomto případě však hranice odděluje řeka. Přímá vzdálenost tedy není spolehlivá.

Ideálně využíváme menší plochy, jako jsou sousedství. Toto je pouze pro demonstraci. Můžeme přidat další parametry ovlivňující pravděpodobnost, jako je parkovací místo, veřejná doprava, a použít metodiku i pro další analýzy.

Můžeme také přidat faktor poklesu vzdálenosti , abychom ztlumili efekt vzdálenosti. Lidé jsou připraveni cestovat při nakupování nábytku dále než za každodenními potravinami. 

Obsah

• Data analýzy Huffova gravitačního modelu
• Import dat v editoru Power Query
• Huffova analýza gravitačního modelu založená na atraktivitě
• Pravděpodobnost v analýze Huffova gravitačního modelu
• Analýza pravděpodobnosti
• Dynamická Huffova analýza gravitace
  • Dynamická analýza gravitace na základě prodejní plochy
  • Dynamická Huffova analýza gravitace na základě vzdálenosti
• Závěr

Data analýzy Huffova gravitačního modelu

Nejprve se podívejme na data.

V této excelové tabulce je šest supermarketů.

Má také Kilometry , které obsahují vzdálenost jako přímku.

Pak je tu karta Doba cesty , která zobrazuje dobu cesty v minutách.

A tohle je ta vzdálenost. Použijeme to vzhledem ke skutečnosti, že mezi hranicemi je řeka.

Tohle je Thiessenův polygon vytvořený v softwaru GIS. Zde můžeme vytvořit takzvaný Thiessen Voronoi objekt, který vám ukáže vzdálenost od bodu ke každému z ostatních sousedních objektů.

Import dat v editoru Power Query

Nejprve jsem importoval data do.

Jak vidíte, vzal jsem pět supermarketů.

Jsou zde také dvě datové sady nazvané Oblasti PSČ PQ a Oblasti PSČ DAX .

Zduplikoval jsem to, abych vám mohl ukázat, jak to udělat v editoru Power Query s plně dynamickými opatřeními.

U ukázky Power Query ( Postcodes Areas PQ ) jsem zeměpisnou šířku a délku zaokrouhlil. Vždy radím, že pokud vezmete čtyři číslice za čárkou, vaše přesnost bude asi 11 metrů, což je zdaleka dost.

Také jsem vypočítal druhou mocninu každé vzdálenosti. Je to proto, že jak jsem již zmínil, nakonec použijeme plochu v metrech čtverečních a vydělíme ji druhou mocninou vzdálenosti.

Poté jsem ji sloučil s jinou tabulkou ( Populační tabulka), abych získal populaci. Cílem je získat více informací o populaci v oblastech PSČ.

Pro údaje o měrách ( Oblasti PSČ ) jsem také udělal to samé, jako je zaokrouhlení zeměpisné šířky a délky a znovu je sloučil s tabulkou Populace .

Toto je řídicí panel LuckyTemplates analýzy Huff Gravity Model Analysis.

Toto jsou tabulky měření, které jsem rozdělil.

Huffova analýza gravitačního modelu založená na atraktivitě

První výpočet, který jsem vytvořil, je Atraktivita .

Atraktivitou jsou metry čtvereční prodejny rozdělené čtvercovou vzdáleností . Tento obchod má plochu 1 502 metrů čtverečních.

Toto je sloupec čtvercové vzdálenosti . V tomto příkladu jsem vzal. Mohl jsem si vzítnebo průměr, ale to je vzhledem ke kontextu vlastně jedno.

Tento výpočet jsem provedl pro všech pět supermarketů.

Poté jsem je sečetl v měření TotalAT , abych vypočítal součet.

Pravděpodobnost v analýze Huffova gravitačního modelu

Dalším měřítkem je pravděpodobnost .

Pravděpodobnost je prostě pravděpodobnost, že se událost stane. Pro výpočet by se měla určit jedna událost s jediným výsledkem. Poté určete celkový počet výsledků, které mohou nastat. Nakonec vydělte počet událostí počtem možných výsledků.

Proto jsem v tomto výpočtu  vydělil atraktivitu celkovou atraktivitou .

Součet těchto čísel bude sto procent.

Existuje také míra počtu obyvatel ze sloučené datové sady, která shrnuje počet obyvatel na základě oblastí PSČ.

Potom se měří maximální pravděpodobnost .

Tato karta to zobrazuje.

Nakonec mám míru pravděpodobnosti vybraného obchodu . Toto měření jsem použil k identifikaci pravděpodobnosti jakéhokoli vybraného obchodu v mém výběru.

Pojďme si nyní probrat, jak to funguje.

Analýza pravděpodobnosti

Jak jsem mapoval, vzal jsem hranice jako PSČ. Vzal jsem čtyřmístné PSČ.

Zde je tabulka s pravděpodobností vybraného obchodu .

Tato malá mapa ukazuje skutečné umístění pěti supermarketů.

Mohu provést výběr na základě PSČ obchodů z kráječe.

Tato malá mapa ( 5 Stores Rotterdam ) nefiltruje mapu Choropleth (ESRI) vlevo. To nám má jen poskytnout vodítko, kde jsme na mapě Choropleth. Navíc nám to pomáhá následně vidět dopad na hlavní mapu.

Jak vidíte, čím tmavší barva, tím vyšší procento pravděpodobnosti pro vybraný obchod.

Vyberu například toto místo nebo supermarket.

Pokud se podívám na tuto oblast na mapě, zobrazí se pravděpodobnost tohoto obchodu vzhledem k druhé mocnině vzdálenosti. Všimněte si, že to je založeno na dojezdové vzdálenosti.

Maximální pravděpodobnost pro tento výběr je na této kartě zastoupena z 95 %.

Tato část zobrazuje zahrnutá PSČ a klesající pravděpodobnost. Čím menší procento, tím je pravděpodobnější, že jejich konkrétní PSČ bude blíže jinému supermarketu.

Pokud například kliknu na toto, zobrazí se pravděpodobnost 0 % .

Je zřejmé, že lidé v této oblasti žijí v horní části supermarketu pod PSČ 3011 . Tak proč by šli do jiného?

Tato část ukazuje skutečný povrch obchodu pro referenci.

Na druhou stranu to zobrazí celkovou populaci v rámci výběru.

Dynamická Huffova analýza gravitace

Nyní, když jsem skončil se základy Huff Gravity Analysis, půjdu o krok dále a prodiskutuji, jak mohu tuto dynamiku udělat.

V tomto případě jsem vytvořil pět kráječů s počátečními čtverečními metry a možnostmi zvětšení plochy prodejny .

Zbývající kroky jsou velmi podobné předchozímu kroku. Nyní mám mnohem více opatření, protože musíme vypočítat něco, co je dynamické. Udělal jsem kroky od sebe, aby to bylo srozumitelnější.

Dynamická analýza gravitace na základě prodejní plochy

Pojďme se podívat na atraktivitu metru čtverečního. Vyberu měřítko Atraktivity Supermarketu 3011 .

Na čtvereční metry se bude odkazovat z vybrané hodnoty v průřezu 3011 .

Proměnná distsq představuje čtverec vzdálenosti, který pochází z datové sady Postcodes Areas DAX .

V tomto výpočtu bude hodnota čtverečních metrů vydělena hodnotou čtverce vzdálenosti.

Znovu jsem to udělal pro všech pět supermarketů.

Dynamická Huffova analýza gravitace na základě vzdálenosti

Pro tuto analýzu jsem také vypočítal vzdálenost. Je to v podstatě jen součet sloupce vzdálenosti obchodu v datové sadě Postcodes Areas DAX .

Na vybraný obchod se odkazuje ve výpočtu Vzdálenost PC – Vybraný obchod pomocí funkce Dax.

Pak mám také další pravděpodobnostní míru pro dynamickou analýzu gravitace huff.

Je to dynamické, protože pokud něco změníme v jednom ze slicerů, bude to mít následně dopad na výsledek výpočtu.

Prošel jsem všechny ty kroky a výpočty pro dynamickou analýzu gravitace huff. Je to proto, že mě zajímá procento populace, množství PSČ a zahrnutá vzdálenost na základě mého výběru z přizpůsobeného průřezu.

Jak vidíte, v populaci je docela rozdíl. Ty jsou založeny na vzdálenosti k supermarketu a počtu obyvatel v rámci PSČ.

Jako příklad změním metry čtvereční supermarketu 3011 .

Když to změníte, dopad se projeví v datech. Je to proto, že je pro lidi atraktivnější přijet do centra a jít do tohoto místa vzhledem k dojezdové vzdálenosti.

Závěr

Analýza Huff Gravity Model ukazuje korelaci mezi návštěvností a vzdáleností od umístění obchodu. Atraktivita a vzdálenost tedy mohou ovlivnit pravděpodobnost, že spotřebitel navštíví určitý obchod.

Tento model vám může pomoci určit prognózy prodeje pro obchodní místa. Začlenění této analýzy do vašeho obchodního modelu může poskytnout velké množství informací o potenciálních stránkách.

Opět je to další jasný příklad toho, čeho můžeme dosáhnout pomocí analýzy a LuckyTemplates přeměnou statických dat na dynamickou reprezentaci. 

Další příklady a související obsah naleznete na níže uvedených odkazech.

Na zdraví!

Pavel